Dice系数驱动的SMP稀疏分解提升高光谱数据去混精度

本文主要探讨的是在高光谱数据的稀疏分解中，特别是子空间匹配追踪（Subspace Matching Pursuit, SMP）方法的应用。高光谱成像技术提供了丰富的光谱信息，但处理这些数据时面临的挑战之一是其巨大的维度和噪声干扰。稀疏分解是一种有效的工具，它假设高光谱数据中的每个像素由少数几个基本成分（称为“基元”或“endmembers”）组成，且大部分信息可以通过较少的非零系数表示。 SMP作为一种贪心算法，通过迭代过程在原图像的参考子空间中寻找最佳的光谱基元组合，以实现光谱混合数据的分解。与传统的凸松弛方法相比，SMP算法的计算效率更高，更适合大规模数据处理。然而，当信噪比（Signal-to-Noise Ratio, SNR）较低时，算法的性能可能会受到影响，因为噪声会干扰光谱特征的识别。 为了增强在低信噪比环境下的鲁棒性，本文提出了一种创新策略，即利用Dice系数替代稀疏表示匹配测量的标准内积。Dice系数是一个用于评估两个集合相似性的统计量，其值在0到1之间，1表示完全匹配，0表示不匹配。将Dice系数引入SMP算法，可以更好地衡量像素的光谱信息与基元的匹配程度，即使在噪声环境下也能更准确地识别和分离光谱成分。 这个改进算法的优势在于它能够更加精细地处理高光谱数据中的噪声，并且不依赖于精确的全局优化，而是依赖于局部搜索策略，这使得算法在实际应用中更具灵活性和实用性。通过这种方法，研究者们期望能够在保持计算效率的同时，显著提升高光谱数据的解混精度，从而为后续的遥感数据分析、目标识别和环境监测等领域提供更为可靠的结果。本文的研究成果对于提高高光谱数据处理的准确性和鲁棒性具有重要意义，为未来相关研究和实践提供了新的视角和方法。