基于混合像元空间与谱间相关性模型的NMF线性盲解混

基于相关性分析的高光谱解混算法,通常缺少对高光谱图像空间和光谱相关性特征的综合分析与利用,或对于先验知识的依赖程度较高。本文提出一种基于混合像元空间与谱间相关性模型的NMF线性盲解混算法。具体包括:通过改进马尔科夫随机场(MRF)模型,建立相邻像元间的空间相关模型;利用复杂度映射技术,建立相邻波段间的光谱相关模型;在NMF目标函数外部和内部分别引入上述两种模型,作为盲解混算法的约束条件。试验结果表明,该算法相对于区域相关的NMF解混算法(ACBNMF)、最小化光谱相关度约束的NMF方法(MSCCNMF)和最小体积约束的非负矩阵分解(MVCNMF)等代表性NMF解混参考算法,解混精度有所提高;同时,降低了对于先验知识的依赖程度,拓宽了适用范围。

空间与谱间相关性分析的NMF高光谱解混

非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。