為了充分挖掘豐度系數(shù)的內(nèi)在本質(zhì)屬性,提升高光譜圖像稀疏解混精度,提出一種基于局部加權(quán)低秩先驗的稀疏解混方法.該低秩先驗主要基于這一事實:高光譜圖像中的局部立方體塊具有較高的相空間關(guān)性和光譜相關(guān)性.加權(quán)的低秩先驗能夠挖掘局部塊內(nèi)在的低維結(jié)構(gòu)特征,有效地抑制噪聲,保持數(shù)據(jù)的細節(jié)結(jié)構(gòu).該先驗聯(lián)合全變差正則項、協(xié)同稀疏正則項,能夠更好地刻畫豐度系數(shù)的細節(jié)結(jié)構(gòu)、局部平滑性以及行稀疏性.利用模擬數(shù)據(jù)和真實高光譜數(shù)據(jù)進行的實驗表明,所提方法與現(xiàn)有方法相比能夠更好地保持數(shù)據(jù)的細節(jié)信息,提升解混精度. 

【文章來源】：應用科學學報. 2020,38(06)北大核心CSCD

【文章頁數(shù)】：16 頁

【部分圖文】：

DS1模擬數(shù)據(jù)集中的豐度圖

將每種算法的相關(guān)參數(shù)調(diào)整至最優(yōu).表1展示了本文方法與其他對比算法使用的參數(shù).為了定量地對算法進行評價，實驗采用了信號重構(gòu)誤差（signal reconstruction error,SRE)[10]和均方根誤差（root mean square error,RMSE)[11]兩個量化指標.SRE表示重建的豐度矩陣與誤差之間的比率，SRE的值越高，說明解混的效果越好.令X為真實的豐度矩陣，X為估計的豐度矩陣，則SRE可定義為

圖3展示了在DS1數(shù)據(jù)集SNR=20 d B情況下SRE關(guān)于參數(shù)λ、λTV和λLR的函數(shù)圖.模型共有3個參數(shù)，分別考慮λ和λTV、λ和λLR、λTV和λLR對SRE的影響.從圖3中可以看出參數(shù)值對解混結(jié)果影響較大，且參數(shù)值越小，SRE值越高，意味著解混結(jié)果越精確.圖4和5展示了5種算法在信噪比為20 d B的情況下解混得到的豐度圖，這里隨機給出了一個端元的豐度圖.可以看到SUn SAL和CLSUn SAL對噪聲的抑制效果很差，而施加了TV項的幾種算法對噪聲的抑制效果都比較好，然而SUn SAL-TV僅考慮了TV項在一些區(qū)域造成的過平滑，本文方法不但對噪聲的抑制效果很好，而且相比其他算法更好地保留了局部區(qū)域的細節(jié)信息，避免了僅使用TV項造成的過平滑現(xiàn)象，所得解混結(jié)果也最接近真實的豐度圖.表2和3分別給出了5種算法的SRE和RMSE值，可以看出本文方法的解混結(jié)果最好.

【參考文獻】：
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.  紅外與毫米波學報. 2018(05)
[2]基于豐度約束核非負矩陣分解的高光譜圖像非線性解混[J]. 智通祥,楊斌,王斌.  復旦學報(自然科學版). 2018(04)
[3]高光譜遙感圖像非線性解混研究綜述[J]. 楊斌,王斌.  紅外與毫米波學報. 2017(02)



本文編號：3564588