Hyperspectral Band Selection via Optimal Neighborhood Reconstruction

贡献：
1、 从线性重建的角度对所选波段和整个数据集之间的关系建模。利用CNP和引入降噪机制，就频谱相关性和噪声分布而言，可以更好地表征和解释HSI数据。
2、 提出了一种高效的带子集搜索方法。
3、 标记并发布一个新的名为Leaves的HSI数据集来进行测试。1与现有公共数据集相比，叶片具有更大的空间尺寸和更高的光谱维数。

ONR算法
目标函数：
xj应该具有更高的概率与其邻域相关，而不是与其相距较远的概率。 因此，只有少数与xj相关的选定波段，并且大多数是其邻域。 在极端情况下，我们假设xj仅与它的两个最近邻域相关，一个在它的左侧，另一个在它的右侧。

极端情况下的改写

对于任意的波段组合，总会有不能很好地重建的波段。它们可能被噪声污染，或者只是与所选波段有低相关性。然而，我们要通过L来评估的是，有多少条频带可以被很好地重建，以及重建到什么程度。如果在重构波段xj时发现了较大的损失ej，则表示x j是不精确重构的，我们不愿意看到这种不精确会对搜索最优波段子集产生很大影响。因此随着e j的增加，L的值不应该增加，重新定义L。最终的目标函数定义为：