核心概念
초분광 센서의 낮은 공간 해상도, 이중 산란, 재료의 밀접한 혼합으로 인해 픽셀의 측정된 스펙트럼은 일반적으로 구성 재료의 순수 스펙트럼의 복잡한 혼합물이 된다. 이러한 문제를 해결하기 위해 감독 학습, 반감독 학습, 비감독 학습 기반의 선형 언마이싱 기법이 개발되었다.
摘要
이 논문은 초분광 언마이싱에 대한 포괄적인 개요를 제공한다. 언마이싱 기법은 사전 지식에 따라 세 가지 주요 범주로 나뉜다: 감독 학습, 반감독 학습, 비감독 학습(blind) 언마이싱.
감독 학습 언마이싱은 알려진 엔드멤버를 사용하여 풍부도를 추정한다. 반감독 학습 언마이싱은 스펙트럼 라이브러리를 사용하며, 비감독 학습 언마이싱은 엔드멤버와 풍부도를 동시에 추정한다.
이 논문에서는 세 가지 범주의 언마이싱 기법을 비교 분석하고, 3개의 모의 데이터셋과 1개의 실제 데이터셋에 대한 실험 결과를 제시한다. 실험 결과는 다양한 언마이싱 시나리오에서 각 범주의 장단점을 보여준다. 또한 이 논문은 HySUPP라는 오픈소스 Python 기반 언마이싱 패키지를 제공한다.
統計資料
픽셀의 측정된 스펙트럼은 일반적으로 구성 재료의 순수 스펙트럼의 복잡한 혼합물이다.
낮은 공간 해상도, 이중 산란, 재료의 밀접한 혼합으로 인해 이러한 혼합이 발생한다.
선형 혼합 모델은 각 광선이 센서에 도달하기 전에 단 하나의 재료와 상호 작용한다고 가정한다.
비선형 모델은 광선이 여러 재료와 상호 작용하는 경우에 사용된다.
引述
"픽셀의 측정된 스펙트럼은 일반적으로 구성 재료의 순수 스펙트럼의 복잡한 혼합물이 된다."
"낮은 공간 해상도, 이중 산란, 재료의 밀접한 혼합으로 인해 이러한 혼합이 발생한다."
"선형 혼합 모델은 각 광선이 센서에 도달하기 전에 단 하나의 재료와 상호 작용한다고 가정한다."
"비선형 모델은 광선이 여러 재료와 상호 작용하는 경우에 사용된다."