Hello, my name is Huoshuai. I hold a Master's degree in Signal and Information Processing. My primary research area is remote sensing image processing, particularly the application of optimization t

在自然语言处理和其他序列数据建模任务中,Transformer模型凭借其优异的性能成为了研究的热点。其中,多头自注意力(Multi-Head Self-Attention)是Transformer的核心组件之一，接下来将深入了解它的运作原理和实现细节。 什么是自注意力 自注意力机制允许模型在编码序列时,对于每个位置的表示,都可以获取其他位置的信息,并基于这些信息进行更新。不同于RNN/LST

基于 N-FINDER 的端元提取算法 N-FINDER 算法是一种用于从高光谱数据立方体中提取端元特征的算法。该算法的核心思想是在数据集中寻找表示最大体积的单纯形,其顶点即为所需的端元特征。算法的数学原理和具体步骤如下: 算法数学原理 设有 \(M \times N \times C\) 维的高光谱数据立方体 \(\mathbf{X}\),我们需要从中找出 \(p\) 个端元特征 \(

最大距离(MaxD)算法是一种无监督的端元提取算法,用于从高光谱图像数据中识别出纯净的端元光谱。本文将详细介绍MaxD算法的数学原理和MATLAB实现。 算法原理 MaxD算法基于以下几个关键思想: 最大距离准则: 端元光谱对应于数据样本在特征空间中最远的点。这是因为端元光谱代表了纯净的地物光谱,而混合光谱位于端元光谱之间。 逐步提取: 算法按照端元光谱与其他光谱的距离从大到小的顺

顶点成分分析算法(Vertex Component Analysis, VCA)是一种快速无监督提取高光谱图像端元的算法。该算法的主要思想是利用端元在高维特征空间中形成数据云的顶点的性质,通过迭代寻找位于数据云边界的端元,从而实现端元提取。下面将详细介绍该算法的数学原理和求解过程。 问题描述 设有一幅 \(L\) 波段的高光谱图像,每个像素的光谱向量为 \(\mathbf{r} \in

原型分析简介 在高光谱图像处理中,原型分析(Archetypal Analysis, AA)是一种无监督的端元提取和丰度估计方法。与传统的端元提取方法不同,原型分析并不假设端元位于单纯形的顶点,而是寻找原始数据点的最小凸包。 给定高光谱数据矩阵 \(\mathbf{X}=\left\{\mathbf{x}_{1}, \mathbf{x}_{2}, \ldots, \mathbf{x}_{n

FIPPI算法简介 改进的快速迭代纯像素指数(FIPPI)算法是一种从高光谱遥感数据中提取端元谱签的有效方法。它是基于纯像素指数(PPI)算法的迭代改进版本,旨在通过合理的终止条件和精心设计的迭代规则,提高计算效率并获得更好的端元估计结果。 算法数学原理 降维 在FIPPI算法中,首先对原始高维数据立方体进行降维,以降低计算复杂度。常用的降维方法有: 主成分分析(PCA):将高维数据

准确及时地检测地表特征的变化对于环境监测和资源管理至关重要。相较于传统的单波段或多光谱遥感影像，高光谱影像由于包含大量光谱信息，在变化检测中表现出更优异的性能。本文将介绍一种基于子空间的变化检测(SCD)方法，该方法适用于高光谱图像。 子空间分析在高光谱图像中的应用 子空间学习是高光谱影像分析中的一种有效工具。其优势在于能准确描述线性混合信号，并具有更好的信号可分离性。正交子空间投影(OSP)

问题定义 高光谱成像能同时在多个不同波长获取同一场景的图像,在农业、天文、监视和矿物学等领域具有广泛应用。然而,由于各种硬件限制,获得高分辨率(HR)高光谱图像仍然是一个挑战。下面将介绍如何利用低分辨率(LR)高光谱图像和同一场景的高分辨率(HR)多光谱或RGB图像,来重建HR高光谱图像。 给定一对观测图像:LR高光谱图像 \(X \in \mathbb{R}^{L \times n}\)

高光谱遥感技术是识别目标区域内端元成分及其比例的关键技术,在地物分类、环境监测等领域有广泛应用。高光谱图像解混(Hyperspectral Unmixing, HU)就是分析高光谱数据,识别图像中的端元(endmembers)及其对应的丰度(abundances)的信号处理过程。其中Craig的最小体积外接单纯形准则是一种经典有效的盲解混方法,即将包围数据点云的最小体积单纯形的顶点视为端元估计