基于再权重稀疏和正交约束非负矩阵分解的高光谱图像解混

针对由于非负矩阵分解模型的非凸性和噪声,非负矩阵分解方法容易陷入局部最优解的问题,提出一种再权重稀疏和正交约束非负矩阵分解算法(Reweight Sparse and Orthogonal Nonnegative Matrix Factorization, RONMF)。RSNMF是一种稀疏增强的算法,充分体现了高光谱图像解混的地物丰度稀疏性,但也因此使得光谱近似的地物容易混淆。RONMF在再权重稀疏非负矩阵分解的基础上,引入正交非负矩阵分解(Orthogonal Nonnegative Matrix Factorization, ONMF),增强端元光谱的独立性,在再权重稀疏算法基础上进一步优化,以达到更好的解混效果。实验也证实了该算法的优越性能,RONMF算法对土壤与路这种光谱相近的端元解混性能与SONMF相近,继承SONMF有效保护端元独立性的特性,对树和水这种丰度稀疏特性较强端元的解混性能,极大程度地保留了再权重稀疏算法的稀疏性增强能力。

散射项约束非负矩阵分解的高光谱图像解混

针对传统的约束非负矩阵分解方法对于解混的物理特性考虑较少,提出一种高光谱图像的解混方法:散射项约束非负矩阵分解(scattering-term constrained nonnegative matrix factorization, STC-NMF)。与大多数约束非负矩阵分解算法将约束建立在数据的数学特性之上不同,STC-NMF考虑到大气中的悬浮物、胶着物的散射作用,对成像光谱仪接收到的光谱信号有着不可忽视的影响,将大气中的米氏散射(Mie scattering)造成的邻域贡献视作干扰,通过将散射相函数作为约束条件的约束非负矩阵分解,在丰度上对目标像素及其邻域的米氏散射干扰进行约束,以达到在目标函数上将米氏散射和噪声造成的干扰降低到最小的效果,通过实验验证了提出方法的有效性。