Smooth and Sparse Regularization for NMF Hyperspectral Unmixing

研究背景写得很好，全面

摘要：

本文提出了一种基于线性混合模型的高光谱解混矩阵分解方法。在该方法中，我们将端元的arctan函数加到误差的l2范数中，以利用分数丰度的稀疏特性。材料光谱特征的大部分能量集中在前几个子带周围，形成平滑的光谱特征。为了利用这种平滑性，我们还增加了材料光谱特征的加权范数，以限制其非光滑误差。我们提出了一个乘法迭代算法来解决这个最小化问题作为一个非负矩阵分解(NMF)问题。我们将所提出的Arctan-NMF方法应用于来自真实谱库的合成数据，并与几种最先进的解混方法进行了性能比较。

我们可以将光谱解混(SU)方法分为有监督[4]、无监督[5]、[6]和半监督[7]，这取决于对端元光谱特征的可用先验知识。此外，我们可以将它们分类为几何、统计和稀疏回归模型[1]。

l以往： ，基于L1/2范数的损失函数可以考虑为:

更新规则：

 

分析问题：

 当p < 1时，当X的分量在0附近时，这些方法的代价函数不可微。特别是，当X的相应分量趋于零时，更新规则分母中的项Xp−1的分量趋于无穷。这迫使这些分量变得更小，并被困在零附近，这可能是局部极小值。因此，我们建议使用一个更精确的0范数的近似，它是光滑的和可微的。

 解决：

在本文中，我们探讨了用arctan函数作为稀疏正则项来代替FAs(丰度)的L0范数项。此外，为了使谱特征更加平滑并限制相关的估计误差，我们对谱库实施了一个增强的L2范数作为粗糙度惩罚。

 

我们提出的基于arctan-NMF的解混方法总结为以下算法:

在(6)中分别引入正则化参数α和β来控制FAs X的稀疏性和光谱特征A的平滑性。在(10)或(9)的每次迭代之后，X或A的零元素保持为零，这保证了||X||0的迭代减小，较大的α值加快了这一过程。这样，迭代地找到X或A的零元素的位置，迭代地减少非零值的数量。