复合正则化稀疏贝叶斯算法提升高光谱图像解混精度

本文主要探讨了"复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法"这一主题。高光谱图像因其提供丰富的光谱信息，在地质勘探、环境保护和农业分析等领域具有重要价值。然而，由于图像中存在混合像元，即单个像元由多种地物类型组成，传统的线性混合模型（如独立成分分析或最小二乘解混）在处理复杂场景时效果受限。 论文将稀疏贝叶斯学习理论应用于高光谱图像的解混问题，提出了一个创新方法。在稀疏贝叶斯框架下，算法假设光谱数据具有稀疏性，即大部分光谱成分可以由少数几个基础成分（端元）表示。通过贝叶斯推断，作者构建了一个基于L2,1正则化的联合稀疏贝叶斯模型，这种正则化策略结合了L2范数（推广了欧几里得距离）和L1范数（鼓励稀疏性），有助于提高模型的解释能力和抗噪声性能。 关键步骤包括在多观测向量的背景下，对混合像元的参数建立概率模型，然后通过变量分离技巧，将复杂的复合正则化问题分解为多个单独的正则化子问题，便于并行求解。此外，算法还引入了参数自适应机制，动态调整正则化参数，以进一步优化解混结果。 实验部分对比了该算法与传统的贪婪算法和凸优化算法，结果显示，复合正则化联合稀疏贝叶斯学习方法在解混精度上表现优越，特别适用于端元个数众多和信噪比较低的高光谱数据处理。这表明该算法不仅提升了解混的准确性，还具备良好的鲁棒性和适应性。 这篇论文的重要贡献在于将稀疏贝叶斯学习与复合正则化技术相结合，为高光谱图像的稀疏解混提供了一种高效且精确的方法，有望推动遥感领域特别是高光谱数据分析的进展。