Orthogonal Subspace Projection
写在前面:为了更好的后期修改,如果各位觉得有哪里可以补充或者优化,直接从我这里下载,然后发给我,你也是作者之一。
本文文本下载链接://download.csdn.net/download/qq_43110298/12116806(也可以在本人的下载中找到)
直接修改后在评论区联系我
本文引用了以下文献。各位也可以参考看看
1.Hyperspectral Image Classification and Dimensionality Reduction An Orthogonal Subspace Projection Ap
link.
2.Chein-I Chang-Hyperspectral Data Exploitation_ Th
作者1:Luna_Lovegood_001
1.1算法目标
首次看到这个算法是在文献2中,有了一个好的引入:
他认为高光谱的channel(通道)过多:
-
数据过于overwhelming and not necessary
-
这会导致所谓的数据污染,原书中这样说(文献2):
some information resulting from unknown signal sources may contaminate and distort the information that we try to extract.
1.2算法步骤
在文献2中,他提出了一个两步走战略,文中称为
第一步:剔除干扰信号(包括未知和不想要的信号)
第二步:提取感兴趣的信号
为此,作者展现了三种算法来说明,这里只说明OSP算法
1.3算法原理
以上的引入很好,但是原理这部分说的不好(也许是我没理解)。
1.3.1前提
需要知道完全的先验知识。
- p个目标t(分类)完全已知(比如水、土壤、城市)
- p个目标的光谱信号m已知
附图
1.4模型
(附原图翻译过来就是如下)
-
把图像的每个像素看做一个向量 r,是由每个端元mj的 线性组合
-
外加一个噪音向量n:
-
把 M 拆开为渴望信号和不渴望信号(undesired signatures)(3.2)中,d就是我们渴望的对象,而 U 则是渴望的对象。
-
然后把r 投影在的U的正交空间中。这样做的目的就是消去U。至于如何找到U的正交空间,就是基本高等数学的知识了。.
具体过程如下,投影完毕后,就成了(3.4),可以发现(3.4)比(3.2)少了一项,这就是正交空间投影的作用。
到此,两步走战略的第一步完成。
但是从(3.4)到(3.5)讲的就十分虚,难以理解。但是可以看出第二步是以信噪比最大为优化目标。具体怎么做就要参考文献1了
2 OSP原著
2.1二看算法目标
算法目标文献1说的很清楚:Dimensionality Reduction数据降维。但是文献2中说这个是为了完成分类(或者说像素分割)这就很迷惑,暂时称为问题1,下文有解决。
2.2二看算法步骤
首先也是得到了上一个文献中(3.2)。然后分三步:
- 正交投影,消除干扰
- 信噪比最大化
- 正交投影分类(这里就解决了问题一)
2.2.1正交投影,消除干扰
这个和上个文献说的一样,也容易理解,直接附图,过程同 1.4 节
2.2.2信噪比最大化
- 作者希望通过一个x 向量来最大或信噪比:
- 即(4)左右乘上一个x得到(5),然后构造信噪比表达式(6),接下来就是最大化(6),求x。
其实数学家已经帮我们求好了,就是(6)。
至此求出信噪比(6)
至此求出x,发现x就是d为什么这么巧呢(问题二)
2.2.3 正交投影分类(这里就解决了问题一)
然后把(8)带入(5)就可得到(9)
我们称(9)为正交子空间投影算子。
然后我们把算子(9)与每个像素相乘,就可以得到每个像素与感兴趣目标的相似的测量。因为每个像素都是一个(L*1)的向量(有L个通道),可以看为一个图像立方体。(9)与像素乘过以后就成了标量,即:从一个图像立方体变成了一个图片。
2020年1月22日10:46:16更新
如果以上你没有看懂这方法到底是要干什么,可以看看以下其他论文的评论
3其它论文对于它的简述
其实看看后人对于这篇论文(文献1)的评价和总结更能理解
这里引用了以下文章
文献【3】:采用局部正交子空间投影的高光谱图像异常检测link.
文献【4】:一种正交子空间投影高光谱图像端元提取算法link.
3.1文献3
文献3中这样总结OSP算法:
- 以线性混合模型为基础
- 将混合像元分为感兴趣和不感兴趣目标
- 增强感兴趣目标的特征,压制不感兴趣的目标特征,解决问题
由此第三点看来,这是一种传统的图像处理算法(毕竟是1994年的文献)
总结
OSP算法就是先把像素向量 r 投影到正交子空间中,再投影到感兴趣目标向量d上。