CAUCHY NMF FOR HYPERSPECTRAL UNMIXING

最新推荐文章于 2024-07-20 15:54:38 发布

m0_51414342

最新推荐文章于 2024-07-20 15:54:38 发布

阅读量406

点赞数

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/127912686

版权

文章介绍了一种新的高光谱解混方法——CauchyNMF，通过使用柯西损失函数增强对噪声的鲁棒性，对比传统NMF方法在处理噪声数据时表现出更高的准确性和稳定性。

摘要由CSDN通过智能技术生成

J. Peng, F. Jiang, W. Sun and Y. Zhou, "Cauchy NMF for Hyperspectral Unmixing," IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium, 2020, pp. 2384-2387, doi: 10.1109/IGARSS39084.2020.9323950.

摘要：

非负矩阵分解(Non-negative matrix factorization, NMF)是一种经典的高光谱解混模型，它使高光谱数据矩阵与其低秩近似(即端元矩阵和丰度矩阵的乘积)之间的欧氏距离最小化，但由于损失函数对异常值很敏感，因此在应用于有噪声数据时失效。本文提出了一种用柯西损失函数(CLF)代替传统最小二乘损失的高光谱解混柯西NMF (CauchyNMF)模型。与最小二乘损失相比，CLF可以对噪声项进行惩罚，抑制真实数据中混合的大噪声，因此具有更强的鲁棒性。在模拟高光谱数据集和真实高光谱数据集上的实验结果表明，本文提出的CauchyNMF方法比现有的NMF方法更准确、更鲁棒，特别是在噪声较大的情况下。

背景：

为了使结果在物理上有意义，通常对每个像素的丰度向量施加和对一的约束。此外，为了提高解混性能，还在NMF框架中加入了许多其他约束，如端元[6]上的最小体积约束，丰度矩阵[3]上的ℓ1/2稀疏性约束，以及全变分的稀疏约束深度NMF[7]。与原始的NMF方法相比，改进的NMF方法得到了更好的结果。然而，当高光谱数据中存在