Resumen

La desmezcla dispersa es una técnica importante para el análisis de datos hiperespectrales. La mayoría de los algoritmos de desmezcla dispersa subutilizan la información espacial y espectral de la imagen hiperespectral, lo cual es desfavorable para la precisión en la identificación de endmembers y la estimación de abundancias. Proponemos un nuevo método de desmezcla espectral basado en el modelo de representación de baja dimensión y la dispersión colaborativa ponderada espacialmente, con el objetivo de explotar la información estructural en los dominios espacial y espectral para la desmezcla. Los pesos espaciales se incorporan en el término de regularización dispersa colaborativa para mejorar la continuidad espacial de la imagen. Al mismo tiempo, se emplea la restricción global de baja dimensión para mantener la estructura espacial de la imagen. El modelo se resuelve mediante el conocido método de dirección alternativa de multiplicadores, en el cual los coeficientes de abundancia y los pesos espaciales se actualizan de forma iterativa en los bucles internos y externos, respect

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Desmezclado disperso; Análisis de datos hiperespectrales; Información espacial; Información espectral; Identificación de endmembers; Estimación de abundancia
• Keywords:Sparse unmixing; Hyperspectral data analysis; Spatial information; Spectral information; Endmember identification; Abundance estimation