基于递归字典的同时正交匹配追踪用于高光谱数据的稀疏分解

贪婪算法的稀疏分解问题仍然是寻找的巨大挑战由于通常很高,因此对于光谱库中观察到的数据而言,端部成员的最佳子集光谱库的相关性。 在这种情况下,一种称为递归的新颖贪婪算法基于字典的同时正交匹配追踪(RD-SOMP)用于稀疏分解呈现高光谱数据。 该算法采用分块处理策略对整体进行划分高光谱图像分成几个块。 在该块的每次迭代中,将光谱库投影到正交子空间并重新归一化,这可以减少光谱库的相关性。 然后RD-SOMP选择一个在当前残差和最大残差之间具有最大相关性的新末端光谱库的正交子空间。 在所有块中选择的最终成员将关联为整个高光谱数据的最终成员集。 最后,使用整体估算丰度具有获得的端成员集的高光谱数据。 可以证明RD-SOMP可以恢复在某些条件下来自光谱库的最佳末端成员。 实验结果证明RD-SOMP算法优于其他算法,具有更好的频谱分解精度。