基于概率混合模型的光谱分解
摘要：混合物中识别纯组分是一个常见但具有挑战性的问题。这个分离过程要求混合保持组分（端元）的特征，即混合是线性的，并且端元必须在光谱上有区别。即使满足了这些要求，从单一混合物中提取端元可能是不可能的，需要一个具有足够多样性的混合物集合。已经提出了几种光谱解混方法，其中许多与高光谱成像相关。然而，大多数方法假设具有高度多样性的混合物集合和极小损失的光谱测量结果。此外，这些框架没有考虑解混过程中的不确定性。我们提出了一种概率推理方法，明确地考虑噪声和不确定性，使我们能够在具有有限多样性的混合物集合中解混端元。我们使用贝叶斯混合模型来同时提取端元光谱和混合参数，并明确地建模观测噪声和因此产生的推理不确定性。我们获得了每个观测光谱集合上端元坐标的近似分布，同时对于纯净观测的缺乏和非各向异性高斯噪声的存在，仍保持了鲁棒性。获得关于解混方案的可靠不确定性信息将使得解决方案更加鲁棒，并支持明智的决策制定。
作者：Oliver Hoidn, Aashwin Mishra, Apurva Mehta
论文ID：2308.13117
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2023-08-28