基于丰度约束核非负矩阵分解的高光谱图像非线性解混

本文提出一种基于丰度约束核非负矩阵分解的高光谱图像非线性解混方法.通过该方法将原始高光谱图像数据映射到高维特征空间中,使非线性数据在高维空间中变得线性可分.然后,在高维特征空间中,通过线性的非负矩阵分解进行无监督的高光谱解混.同时依据地物分布的空间特性,在丰度上添加稀疏和平滑约束.模拟和真实高光谱图像数据的实验结果表明,与其他解混方法相比,该方法考虑了地物的空间分布特性,提高了在不同的非线性混合场景下的高光谱解混精度.

基于丰度分布约束的NMF端元生成方法

非负矩阵分解(non-negative matrix factorization,NMF)端元生成方法可以同时获得端元和丰度,且支持乘式迭代实现目标函数优化,处理效率高,因此受到越来越多的关注。由于目标函数非凸,基于NMF的端元提取方法容易陷入局部极值。尽管采用增加约束的方式可以缓解局部极值问题,但往往会破坏NMF乘式迭代规则,从而降低NMF方法的处理效率。提出一种基于丰度分布约束的方法,利用矩阵迹运算实现目标函数乘式迭代优化。实验结果表明,该方法既能估计出准确的端元,又能提高端元生成的效率。

一种改进的OMP高光谱稀疏解混算法

正交匹配追踪算法是稀疏求解中常用的方法,用于噪声影响下的高光谱数据稀疏解混时,其解混效果不理想.针对这一问题,提出了全约束DOMP算法.通过引入广义Dice系数代替内积作为匹配度量准则,更充分地利用了光谱信息,提高了算法的抗噪能力.同时,为了满足丰度的"非负"及"和为1"的性质,对丰度系数进行了全约束,进一步改善了解混效果.模拟及真实数据仿真结果显示,改进算法明显提高了解混精确度,验证了算法的有效性.