高光谱成像

哥布林学者

高光谱成像基础（完）光谱融合（Spectral Fusion）在上一篇里，我们介绍了光谱重建的相关内容。这一类方法的核心问题是：当光谱信息缺失时，如何从“有限观测”中恢复完整光谱。

哥布林学者

高光谱成像（十二）光谱重建（Spectral Reconstruction）在前面的内容里，我们已经围绕高光谱数据的降维、检测与解混展开了很多方法。这些方法其实都有一个共同点：

哥布林学者

高光谱成像（十一）异常检测算法 RX 与 KRX在上一篇中，我们简单了解了提取端元光谱的基础方法，从而可以应用在我们前面介绍过的 MF 和 ACE 等经典高光谱目标检测方法中。这类方法的共同特点在于：需要预先给定目标光谱 \(\mathbf{s}\)，再通过不同的判别准则衡量像素与目标之间的匹配程度，从而实现目标检测，我们称之为目标检测算法。

哥布林学者

高光谱成像（十）基于 LMM 的端元提取在上一篇中，我们已经介绍了光谱解混的基本思想。光谱解混通常以 LMM 为基础模型，其一个像素的光谱被表示为多个端元光谱的线性组合：

哥布林学者

高光谱成像（九）光谱解混基础在之前的内容中，我们已经介绍了 LMM 的基本思想及其相关概念。根据这一模型，高光谱图像中每个像素的观测光谱都可以表示为若干端元光谱的线性组合。

哥布林学者

高光谱成像（八）自适应余弦估计器 ACE在前面的内容里，我们已经介绍了 MF，并通过线性光谱混合模型解释了其中参数 \(\alpha\) 的物理含义。与之前的 SAM 不同，MF 不再只是单纯比较光谱之间的几何角度，而是利用背景协方差矩阵来建模背景统计特性，从而构造一个针对目标光谱的最优线性滤波器，使目标像素在输出中的响应尽可能大，而背景响应尽可能小。

哥布林学者

高光谱成像（七）线性光谱混合模型 LMM在上一篇中，我们介绍了 MF。在其推导过程中，我们对像素进行了如下建模：当时，我们解释这种建模可以分离目标信号和背景信号，直观来看，这个公式的逻辑就是：

哥布林学者

高光谱成像（六）滤波匹配 MF在前面的几篇文章中，我们已经逐步介绍了高光谱图像分析中的一些基础方法，主要围绕如何降低高光谱数据的维度和如何处理或抑制数据中的噪声两个核心问题展开。

哥布林学者

高光谱成像（五）高光谱成像的噪声估计在上一篇中，我们介绍了最小噪声分数变换 MNF，它在 PCA 基础上引入噪声建模的一种改进降维方法，但我们也提到了:MNF 依赖噪声估计，其效果很大程度依赖噪声协方差矩阵的估计，如果噪声估计不准确，降维效果可能明显下降。

哥布林学者

高光谱成像（四）最小噪声分数变换 MNF在上一篇中，我们介绍了 PCA ，其通过寻找方差最大的方向来压缩数据维度，在保留主要信息结构的同时减少计算量。同时，我们也提到，PCA 是数据分析和机器学习领域中一种通用的高维数据降维方法，高光谱成像只是它的一个典型应用场景。

哥布林学者

高光谱成像（三）主成分分析 PCA我们已经知道：高光谱图像的每一个像素，本质上是一个高维光谱向量，其波段数量可能达到上百维。这固然提供了更多的信息，但于此同时也极大增加了计算量。并且，结合实际生活，你会发现一个新的问题：

哥布林学者

高光谱成像（二）光谱角映射 SAM在第一篇中我们已经提到：高光谱图像的每一个像素，本质上是一个高维光谱向量。如果一个像素有 100 个波段，那么它就可以表示为：

哥布林学者

高光谱成像（一）高光谱图像新分类关于高光谱成像，是近期的主要长篇内容。在日常生活以及之前的 CV 相关内容里，我们演示使用的图像数据都是 RGB 图像，在之前的图像处理基础中我们也介绍过这一点。再简单复述一下要点：大量出现在我们日常生活中的彩色图像基本都是 RGB 图像，这类图像的每个像素可以看作堆叠在一起的三个通道，分别代表图像在红、绿、蓝三个维度上的亮度，三者组合才形成了我们肉眼中的彩色图像。

我是有底线的