ترجمه فارسی مقاله پیشرفت نظری و عملی در عدم اختلاط پیکسل‌های فراطیفی با کتابخانه‌های طیفی بزرگ از منظری پراکنده

چکیده

Hyperspectral unmixing is the process of determining the presence of individual materials and their respective abundances from an observed pixel spectrum. Unmixing is a fundamental process in hyperspectral image analysis, and is growing in importance as increasingly large spectral libraries are created and used. Unmixing is typically done with ordinary least squares (OLS) regression. However, unmixing with large spectral libraries where the materials present in a pixel are not a priori known, solving for the coefficients in OLS requires inverting a non-invertible matrix from a large spectral library. A number of regression methods are available that can produce a numerical solution using regularization, but with considerably varied effectiveness. Also, simple methods that are unpopular in the statistics literature (i.e. step-wise regression) are used with some level of effectiveness in hyperspectral analysis. In this paper, we provide a thorough performance evaluation of the methods considered, evaluating methods based on how often they select the correct materials in the models. Investigated methods include ordinary least squares regression, non-negative least squares regression, ridge regression, lasso regression, step-wise regression and Bayesian model averaging. We evaluated these unmixing approaches using multiple criteria: incorporation of non-negative abundances, model size, accurate mineral detection and root mean squared error (RMSE). We provide a taxonomy of the regression methods, showing that most methods can be understood as Bayesian methods with specific priors. We conclude that methods that can be derived with priors that correspond to the phenomenology of hyperspectral imagery outperform those with priors that are optimal for prediction performance under the assumptions of ordinary least squares linear regression.

چکیده به فارسی (ترجمه ماشینی)

Unmixing Herperspectral فرایند تعیین وجود مواد فردی و فراوانی مربوط به آنها از طیف پیکسل مشاهده شده است.Unmixing یک فرآیند اساسی در تجزیه و تحلیل تصویر Hyperspectral است و از آنجا که کتابخانه های طیفی به طور فزاینده ای ایجاد و مورد استفاده قرار می گیرند ، از نظر اهمیت در حال رشد است.Unmixing به طور معمول با رگرسیون حداقل مربعات معمولی (OLS) انجام می شود.با این حال ، عدم استفاده از کتابخانه های طیفی بزرگ که مواد موجود در یک پیکسل پیشینی شناخته نمی شوند ، حل ضرایب در OLS نیاز به معکوس یک ماتریس غیر قابل عبور از یک کتابخانه طیفی بزرگ دارد.تعدادی از روشهای رگرسیون در دسترس هستند که می توانند با استفاده از تنظیمات ، یک راه حل عددی ایجاد کنند ، اما با اثربخشی قابل توجهی متنوع.همچنین ، روشهای ساده ای که در ادبیات آمار غیرقانونی هستند (یعنی رگرسیون گام به گام) با برخی از اثربخشی در تجزیه و تحلیل ابرقات استفاده می شوند.در این مقاله ، ما یک ارزیابی عملکرد کامل از روشهای در نظر گرفته شده ارائه می دهیم ، و روشهای ارزیابی را بر اساس اینکه چند بار مواد صحیح را در مدل ها انتخاب می کنند ، ارزیابی می کنیم.روشهای مورد بررسی شامل رگرسیون حداقل مربعات معمولی ، رگرسیون حداقل مربعات غیر منفی ، رگرسیون ریج ، رگرسیون لاسو ، رگرسیون گام به گام و میانگین مدل بیزی است.ما این رویکردهای غیرمستقیم را با استفاده از معیارهای متعدد ارزیابی کردیم: ترکیب فراوانی غیر منفی ، اندازه مدل ، تشخیص دقیق مواد معدنی و خطای میانگین مربع ریشه (RMSE).ما یک طبقه بندی از روش های رگرسیون ارائه می دهیم ، نشان می دهد که بیشتر روش ها را می توان به عنوان روش های بیزی با مقدمات خاص درک کرد.نتیجه می گیریم که روشهایی که می توانند با PRIORS مطابقت داشته باشند که مطابق با پدیدارشناسی تصاویر HyperSpectral باشد ، از کسانی که دارای PRIORS هستند که برای عملکرد پیش بینی تحت فرضیات حداقل مربعات معمولی رگرسیون خطی بهینه هستند ، بهتر است.