本文選題：非負(fù)矩陣分解 + 高光譜線(xiàn)性解混　； 參考：《計(jì)算機(jī)應(yīng)用》2017年12期

【摘要】：針對(duì)基于非負(fù)矩陣分解(NMF)的高光譜解混存在的初始化與"局部極小"等問(wèn)題,提出一種基于馬爾可夫隨機(jī)場(chǎng)(MRF)的空間相關(guān)約束NMF線(xiàn)性解混算法(MRF-NMF)。首先,通過(guò)基于最小誤差的高光譜信號(hào)識(shí)別(Hy Sime)法估算端元數(shù)量,同時(shí)利用頂點(diǎn)成分分析(VCA)和全約束最小二乘法(FCLS)初始化端元矩陣與豐度矩陣;其次,利用MRF模型建立描述地物空間分布規(guī)律的能量函數(shù),以此描述地物分布的空間相關(guān)特征;最后,將基于MRF的空間相關(guān)約束函數(shù)與NMF標(biāo)準(zhǔn)目標(biāo)函數(shù)以交替迭代的形式參與解混,得出高光譜數(shù)據(jù)的端元信息與豐度分解結(jié)果。理論分析和真實(shí)數(shù)據(jù)實(shí)驗(yàn)結(jié)果表明,在高光譜數(shù)據(jù)空間相關(guān)程度較低的情況下,相比最小體積約束的NMF(MVC-NMF)、分段平滑和稀疏約束的NMF(PSNMFSC)和交互投影子梯度非負(fù)矩陣分解(APS-NMF)三種參考算法,所提算法的端元分解精度仍分別提高了7.82%、12.4%和10.1%,其豐度分解精度仍分別提高了8.34%、12.6%和9.87%。MRF-NMF能夠彌補(bǔ)NMF對(duì)于空間相關(guān)特征描述能力的不足,減小解混結(jié)果中地物的空間能量分布誤差。
[Abstract]:Aiming at the problems of initialization and "local minima" of hyperspectral demultiplexing based on nonnegative matrix factorization (NMF), a spatial correlation constrained NMF linear demultiplexing algorithm based on Markov random field (MRF) is proposed. Firstly, the number of endelements is estimated by the minimum error based hyperspectral signal recognition method, and the end element matrix and abundance matrix are initialized by using the vertex component analysis (VCA) and the fully constrained least squares method (FCLS); secondly, the end element matrix and the abundance matrix are initialized by using the vertex component analysis (VCA) and the fully constrained least squares method (FCLS). The energy function describing the spatial distribution of ground objects is established by using the MRF model to describe the spatial correlation characteristics of the distribution of ground objects. Finally, the spatial correlation constraint function based on MRF and the standard objective function of NMF are decomposed in the form of alternating iteration. The end element information and abundance decomposition results of hyperspectral data are obtained. The theoretical analysis and the experimental results of real data show that the spatial correlation of hyperspectral data is low. Compared with the minimum volume constrained NMFN MVC-NMFS, piecewise smooth and sparse constrained NMFPSNMFSCs and the cross projection subgradient nonnegative matrix factorization (APS-NMFS), three reference algorithms are proposed. The resolution accuracy of the proposed algorithm is still increased by 7.82% 12.4% and 10.1%, respectively, and the accuracy of abundance decomposition is still increased by 8.34% and 12.6%, respectively, and 9.87%.MRF-NMF can make up for the deficiency of NMF's ability to describe spatially related features, and reduce the spatial energy distribution error of ground objects in the results of unmixing.
【作者單位】： 南陽(yáng)理工學(xué)院計(jì)算機(jī)與信息工程學(xué)院;
【分類(lèi)號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 呂亞麗;趙遼英;;基于約束非負(fù)矩陣分解的混合象元分解新方法[J];杭州電子科技大學(xué)學(xué)報(bào);2009年04期

2 陳鷹;郭睿;;非負(fù)矩陣分解在遙感圖像融合中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2007年20期

3 楊秀坤;王東輝;;利用獨(dú)立性約束非負(fù)矩陣分解的高光譜解混算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2014年05期

4 趙春暉;成寶芝;楊偉超;;利用約束非負(fù)矩陣分解的高光譜解混算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2012年03期

5 王仲妮;余先川;張立保;;基于受限的非負(fù)矩陣分解的多光譜和全色遙感影像融合[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

6 鄭瑋;康戈文;陳武凡;李小文;;基于模糊馬爾可夫隨機(jī)場(chǎng)的無(wú)監(jiān)督遙感圖像分割算法[J];遙感學(xué)報(bào);2008年02期

7 曾立慶;童懷水;;非負(fù)矩陣分解和Curvelet在遙感圖像融合中的應(yīng)用[J];東華理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

8 黃桂蘭,鄭肇葆;一種基于馬爾可夫隨機(jī)場(chǎng)的影像紋理分類(lèi)方法[J];武漢測(cè)繪科技大學(xué)學(xué)報(bào);1996年03期

9 ;本期導(dǎo)讀[J];北京聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年03期

相關(guān)碩士學(xué)位論文 前6條

1 高鈦;基于近似稀疏約束非負(fù)矩陣分解的高光譜圖像混合像元分解[D];江西科技師范大學(xué);2015年

2 李登剛;基于非負(fù)矩陣分解的高光譜圖像混合像元分解方法研究[D];湖南大學(xué);2016年

3 邢會(huì)欣;基于非負(fù)自編碼器及非負(fù)矩陣分解的高光譜解混[D];河北師范大學(xué);2017年

4 許洋洋;基于組稀疏非負(fù)矩陣分解的高光譜圖像去噪方法研究[D];浙江大學(xué);2017年

5 呂亞麗;基于非負(fù)矩陣分解的高光譜圖像解混技術(shù)研究[D];杭州電子科技大學(xué);2010年

6 黃春海;基于非負(fù)矩陣分解的高光譜圖像解混技術(shù)研究[D];西安電子科技大學(xué);2014年

，

本文編號(hào)：1894875