目的基于非負(fù)矩陣分解的高光譜圖像無(wú)監(jiān)督解混算法普遍存在著目標(biāo)函數(shù)對(duì)噪聲敏感、在低信噪比條件下端元提取和豐度估計(jì)性能不佳的缺點(diǎn)。因此,提出一種基于穩(wěn)健非負(fù)矩陣分解的高光譜圖像混合像元分解算法。方法首先在傳統(tǒng)基于非負(fù)矩陣分解的解混算法基礎(chǔ)上,對(duì)目標(biāo)函數(shù)加以改進(jìn),用更加穩(wěn)健的L₁范數(shù)作為重建誤差項(xiàng),提高算法對(duì)噪聲的適應(yīng)能力,得到新的無(wú)監(jiān)督解混目標(biāo)函數(shù)。針對(duì)新目標(biāo)函數(shù)的非凸特性,利用梯度下降法對(duì)端元矩陣和豐度矩陣交替迭代求解,進(jìn)而完成優(yōu)化求解,得到端元和豐度估計(jì)值。結(jié)果分別利用模擬和真實(shí)高光譜數(shù)據(jù),對(duì)算法性能進(jìn)行定性和定量分析。在模擬數(shù)據(jù)集中,將本文算法與具有代表性的5種無(wú)監(jiān)督解混算法進(jìn)行比較,相比于對(duì)比算法中最優(yōu)者,本文算法在典型信噪比20 dB下,光譜角距離（spectral angle distance,SAD）增大了10.5%,信號(hào)重構(gòu)誤差（signal to reconstruction error,SRE）減小了9.3%;在真實(shí)數(shù)據(jù)集中,利用光譜庫(kù)中的地物光譜特征驗(yàn)證本文算法端元提取質(zhì)量,并利用真實(shí)地物分布定性分析豐度估計(jì)結(jié)果。結(jié)論提出的基于穩(wěn)健非負(fù)矩陣分解的... 

【文章來(lái)源】：中國(guó)圖象圖形學(xué)報(bào). 2020,25(04)北大核心CSCD

【文章頁(yè)數(shù)】：12 頁(yè)

【部分圖文】：

本文方法示意圖

第25卷/第4期/2020年4月宋曉瑞，吳玲達(dá)，孟祥利/利用穩(wěn)健非負(fù)矩陣分解實(shí)現(xiàn)無(wú)監(jiān)督高光譜解混807圖2信噪比為20dB時(shí)不同算法的端元光譜估計(jì)結(jié)果Fig．2EndmemberestimatesobtainedbydifferentunsupervisedunmixingalgorithmswhenSNＲ=20dB((a)endmember1;(b)endmember2;(c)endmember3;(d)endmember4;(e)endmember5;(f)endmember6;(g)endmember7;(h)endmember8;(i)endmember9)的端元光譜與真實(shí)地物光譜最為相似，定性說(shuō)明了本文算法具有較高的端元提取精度。從圖3中可以看到，相比于其他算法，本文算法所得到的豐度圖中高豐度值區(qū)域的細(xì)節(jié)部分被表現(xiàn)得更好，同時(shí)低豐度值區(qū)域更為均勻，異常值較少，表現(xiàn)出很好的空間一致性，精確地反映了地物空間分布，與真實(shí)地物分布最為相似。因此，圖3定性地說(shuō)明了本文算法的豐度估計(jì)精度較好。在信噪比為20dB的條件下，不同混合像元分解算法VCA+NCLS、MVCNMF、ＲCoNMF、TVWS-NMF、uDAS、L1NMFHU(本文)的運(yùn)行時(shí)間分別為2．8s、39．2s、11．3s、20．6s、23．3s和45．8s。L1NMFHU算法相比于其他基于NMF的解混算法需要更長(zhǎng)的運(yùn)行時(shí)間。本文算法耗時(shí)較長(zhǎng)的原因是在低信噪比條件下，為使得目標(biāo)函數(shù)收斂，需進(jìn)行更多次數(shù)的迭代。2.3真實(shí)數(shù)據(jù)實(shí)驗(yàn)真實(shí)數(shù)據(jù)實(shí)驗(yàn)中使用的是著名的Cuprite數(shù)據(jù)集(Swayze等，1992)，該圖像場(chǎng)景由機(jī)載可見(jiàn)光/紅外成像光譜儀(airbornevisibleinfrahedimagingspec-trometer，AVIＲIS)采集，包括0.42.5μm之間的224個(gè)光譜波段，光譜分辨率為10nm。為方便分

治觶??節(jié)實(shí)驗(yàn)中將端元數(shù)目設(shè)置為10。另外，由于該場(chǎng)景中真實(shí)地物分布及其豐度難以獲得，這里采用USGS提供的Tricorder圖作為參考，如圖4所示。該圖實(shí)際上是對(duì)該區(qū)域不同礦物的分類結(jié)果，因此只能用于對(duì)L1NMFHU所得豐度系數(shù)估計(jì)結(jié)果進(jìn)行定性分析。表1給出了不同算法對(duì)于Cuprite數(shù)據(jù)集的端元估計(jì)效果，以SAD作為定量評(píng)價(jià)指標(biāo)�？梢钥闯�，對(duì)于所有10個(gè)端元，本文L1NMFHU算法取得了一半以上的最佳端元估計(jì)值。此外，L1NMFHU也取得了最佳平均SAD值，算法有效性和優(yōu)越性得到了證明。圖4Cuprite真實(shí)數(shù)據(jù)集中地物分布情況Fig．4MaterialmapofCupritedataset圖5給出了本文算法對(duì)于Cuprite數(shù)據(jù)集的端元提取及對(duì)應(yīng)豐度估計(jì)結(jié)果，且將提取到的端元光譜特征與從光譜庫(kù)中獲取的地物光譜特征進(jìn)行對(duì)比，可以直觀地反映本文算法在真實(shí)數(shù)據(jù)集中的端元提取效果。豐度估計(jì)效果由獲取的豐度圖定性描表1不同無(wú)監(jiān)督高光譜解混算法應(yīng)用于Cuprite數(shù)據(jù)集的SAD值比較Table1SADvaluesofdifferentunsupervisedunmixingalgorithmsonCupritedataset端元算法VCAMVCNMFＲCoNMFTVWSNMFuDASL1NMFHU(本文)AluniteGDS84Na030.10730.10600.09940.10580.10880.0961JarositeWS368Pb0.10270.17970.16470.10360.18220.0809MuscoviteIL1070.07980.27700.08570.23610.27980.1269KaoliniteKGa-2(pxyl)0.21390.15390.15200.10590.15500.1387Kaolin/SmectKLF50885%K0.08000.06480.14520.09140.13550.0642Kaolin/SmectH89-FＲ-530K0.07220.10440.13100.08450.10610.0719Montmorillonite+IlliCM370.05630.04780.07570.05490.05310.0671NontroniteSWa-1.a0.10530.12960.09630.10280.13270.1107BuddingtoniteGDS85D-2060.12070.1

【參考文獻(xiàn)】：
期刊論文
[1]線性高光譜解混模型綜述[J]. 袁靜,章毓晉,高方平.  紅外與毫米波學(xué)報(bào). 2018(05)
[2]結(jié)合空間光譜預(yù)處理和約束非負(fù)矩陣分解的高光譜圖像混合像元分解[J]. 彭倩,張兵,孫旭,高連如,于文博.  中國(guó)圖象圖形學(xué)報(bào). 2017(04)



本文編號(hào)：3424840