Spatial Graph Regularized Nonnegative Matrix Factorization for Hyperspectral Unmix高光谱解混的空间图正则化非负矩阵分解

最新推荐文章于 2022-11-28 16:57:36 发布

m0_51414342

最新推荐文章于 2022-11-28 16:57:36 发布

阅读量318

点赞数 1

分类专栏： NMF 解混文章标签：文档资料

本文链接：https://blog.csdn.net/m0_51414342/article/details/127876421

版权

NMF 解混专栏收录该内容

13 篇文章 1 订阅

订阅专栏

本文介绍了一种新的解混方法——空间图正则化非负矩阵分解(SGNMF)，它利用图结构和空间权重增强高光谱图像的解混性能。通过引入图正则化和空间加权因子，SGNMF捕捉了数据的流形结构和像素间的空间相关性，使用乘法迭代法求解优化问题。

摘要由CSDN通过智能技术生成

H. Zhang et al., "Spatial Graph Regularized Nonnegative Matrix Factorization for Hyperspectral Unmixing," IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium, 2022, pp. 1624-1627, doi: 10.1109/IGARSS46834.2022.9883159.

高光谱解混是一种重要的图像解译技术，其目的是估计每个混合像元中纯组成物质(端元)及其相应的分数丰度。非负矩阵分解(NMF)因其解决混合像素场景的能力而备受关注。稀疏NMF方法充分利用了数据的稀疏特性，取得了较好的解混效果。然而，现有的稀疏NMF解混技术大多缺乏对空间信息的考虑。事实上，高光谱图像不仅包含了固有的几何信息，还包含了丰富的空间信息。本文建立了空间图正则化非负矩阵分解解混框架(SGNMF)。对于所提出的SGNMF，一方面引入图正则化来表征数据的潜在流形结构，另一方面利用空间加权因子来挖掘像素之间的空间相关性。SGNMF模型的优化问题可以用乘法迭代法求解。