高斯白噪声Matlab代码-JARS-SPIE_2020_Kmedoids：利用凸几何与K-medoids的稳健端元抽取方法

简介：
本项目提供了一种基于凸几何和K-medoids算法在MATLAB中实现的鲁棒终端元素提取技术，应用于高斯白噪声环境下的数据处理，参考JARS-SPIE 2020年论文。 光谱混合分析（SMA）是一种有效的方法，用于识别高光谱图像中的成分独特光谱特征并估计其存在比例（丰度分数）。在相关文献中，提出了多种方法来从高光谱数据集中提取这些端元成员。大多数现有的算法基于数据集的凸几何性质开发而成，因为这种方法计算效率较高。然而，在噪声水平较高的情况下，这类算法的表现会显著下降。 为了增强算法对噪声的鲁棒性，我们提出了一种结合了K-medoids聚类方法和凸几何特性的新端元提取技术。该方法通过利用K-medoids来去除多余的顶点，从而提升了在高噪声环境下的性能表现。我们在合成数据集的不同信噪比条件下引入白高斯噪声进行测试，并特别关注高级别噪声情况。 实验结果显示，在高噪音环境下，所提出的算法能够更有效地识别端元成员。此外，我们还在Cuprite和Mangalore的真实光谱数据集中验证了该方法的性能，并证明其优于其他现有技术。