L. Tong, J. Zhou, Y. Qian, X. Bai and Y. Gao, "Nonnegative-Matrix-Factorization-Based Hyperspectral Unmixing With Partially Known Endmembers," in IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 11, pp. 6531-6544, Nov. 2016, doi: 10.1109/TGRS.2016.2586110.
摘要:
高光谱解混是遥感影像中各种物质组分估计的一种重要技术。大多数解混方法都假设在估计之前没有可用的端元的先验知识。然而,对于一些端元签名可能已经提前知道的解混任务来说,情况就不是这样了。本文研究了端元部分已知的高光谱解混问题。我们扩展了基于非负矩阵分解的解混算法,将先验信息合并到模型中。该方法在解混模型中使用已知端元的光谱特征作为约束,并通过最小化图像数据与先验知识之间的差异的优化过程来传播知识。
背景介绍:
根据预先知道的端元先验知识的多少,可将解混方法分为无先验知识、完全先验知识和部分先验知识三种。在过去的几十年里,人们提出了大量的高光谱解混方法,假设除了端元数目外,对端元的先验知识[6],[7]都是未知的。N-FINDR[8]是最早的解混方法之一,它寻找单纯形的最大体积来拟合特征数据,并将每个顶点作为一个端元。像素纯度指数方法[9]是一种半监督方法,它通过将高光谱数据投影到不同的称为串的单位向量上来生成候选端元。然后,用户从候选端成员中选择真正的端成员。顶点分量分析(VCA)[10]使用数