2016（NMF） Hyperspectral unmixing by reweighted low rank and total variation 重加权低秩和全变差的高光谱解混

R. Wang, W. Liao, H. -C. Li, H. Zhang and A. Pižurica, "Hyperspectral unmixing by reweighted low rank and total variation," 2016 8th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2016, pp. 1-4, doi: 10.1109/WHISPERS.2016.8071668.

摘要：

近年来，稀疏回归在高光谱解混中受到广泛关注。著名的变分裂增广拉格朗日稀疏解混(SUnSAL)和变分裂增广拉格朗日和全变分稀疏解混(SUnSAL - tv)的目标是分别找到每个数据向量的最稀疏丰度。然而，这些方法忽略了所有向量的全局结构。本文利用丰度矩阵的低秩特性，提出了一种新的高光谱解混方法。我们提出的方法利用重加权低秩约束找到丰度向量集合的最低秩表示。这样，我们提出的解混方法更好地捕捉了丰度矩阵的全局结构，提高了丰度估计的准确性。我们的方法还考虑了空间环境的TV约束。

以前的传统做法缺点：

稀疏解混[3]是近年来研究的一种半监督线性光谱解混方法。在稀疏解混方法中，我们试图在一个(可能非常大的)光谱库中找到签名的最佳子集，它可以最好地模拟场景中的每个混合像素。尽管稀疏解混技术已显示出明显的优势，但其受到谱库高相关性的限制。通过变量分裂增强拉格朗日和全变分(SUnSAL-TV)的稀疏解混([4])通过考虑给定场景的空间信息，避开了稀疏解混的局限性。而l1范数的目标是在解不受任何全局约束的情况下，单独找出每个向量的最稀疏表示。这将导致较差的解混性能