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。