Nonnegative-Matrix-Factorization-Based Hyperspectral Unmixing With Partially Known Endmembers

最新推荐文章于 2022-11-22 21:25:40 发布
最新推荐文章于 2022-11-22 21:25:40 发布
阅读量266 收藏
点赞数
分类专栏： NMF 解混 文章标签： 文档资料
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51414342/article/details/127926126
版权
本文提出了一种新的非负矩阵分解（NMF）方法，用于处理部分已知端元的高光谱解混问题。该方法结合先验知识，最小化图像数据与已知端元特征之间的差异，同时考虑真实数据的分布，提高了解混的准确性与灵活性。
摘要由CSDN通过智能技术生成

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

最低0.47元/天 解锁文章
m0_51414342
关注
专栏目录
高光谱遥感图像相关知识梳理大全
Vinicier的专栏
05-17 5万+
前言​ 本资料整理了高光谱遥感图像概念定义、分析处理与分类识别的基本知识。第一部分介绍高光谱图像的一般性原理和知识，第二部分介绍了高光谱图像的噪声问题；第三部分介绍高光谱图像数据冗余问题以及数据降维解决冗余的方法；第四部分介绍高光谱图像的混合像元问题，对光谱解混做了一定介绍；第五部分和第六部分分别介绍了高光谱图像的监督分类和分监督分类的特点、流程和常用算法。
Superpixel-Based Nonnegative Tensor Factorization for Hyperspectral Unmixing
m0_51414342的博客
11-28 657
2018 NTF 基于超像素的非负张量分解用于高光谱解混
Group Low-Rank Nonnegative Matrix Factorization With Semantic Regularizer for Hyperspectral Unmixing
m0_51414342的博客
11-22 143
2018-NMF 用于高光谱解混的语义正则化群低秩非负矩阵分解
Spatial Group Sparsity Regularized Nonnegative Matrix Factorization for Hyperspectral Unmixing
m0_51414342的博客
11-20 6596
2017-NMF 空间群稀疏正则化非负矩阵分解的高光谱解混
Bayesian non-negative matrix factorization核心过程推导
Doctor Lu
11-11 1038
       最近阅读了一篇老文章—Bayesian non-negative matrix factorization，是个论文集，本文在540-547页，这篇文章用贝叶斯方法重做了一遍非负矩阵分解，但其推导过程过于简略，本人将记录一下其核心推导过程，也就是原文公式(5)和公式(7)的推导过程。        定义，其中，,，关于的似然函数为： 而变量和的先验为： 和 另外，...
Non-negative Matrix Factorization 非负矩阵分解
热门推荐
zlp_zky的博客
10-30 1万+
Non-negative Matrix Factorization 非负矩阵分解 Introduction 定义 　　非负矩阵分解(non-negative matrix factorization)，或非负矩阵近似(non-negative matrix approximation)，是多变量分析和线性代数的算法。给定非负矩阵V，求两个非负矩阵W和H，使得V=WH。 起源
Algorithms for Non-negative Matrix Factorization 非负矩阵分解
weixin_33727510的博客
11-21 2569
NIPS 2000 经典论文翻译。 摘要 非负矩阵分解（NMF）是一种可以有效处理多变量数据的方法。本文介绍、分析了两种不同的 NMF 算法，这两种算法仅在更新规则（update rule）中使用的乘性因子（multiplicative factor）有所区别。其中一种可以对传统的最小二乘误差进行最小化（minimize），而另一种可以对广义 Kullback-Leibler 散度（KL 散度...
Non-Negative Matrix Factorization 非负矩阵分解（NMF）
Hahapipi108的博客
08-26 857
Non-Negative Matrix Factorization 非负矩阵分解（NMF） 简介及基本思想 1999年由D.D.Lee和H.S.Seung提出的新的矩阵分解思想，在矩阵中所有元素均为非负数约束条件下的矩阵分解方法，通过矩阵分解，可以对描述问题的矩阵进行将为，另一方面可以对大量的数据进行压缩和概括。 原文论文为：《Algorithms for Non-negative Matrix Factorization》 NMF的基本思想为：对于任意给定的一个非负矩阵A，NMF可以找到两个非负矩阵U和V
Article Read: Algorithms for Non-negative Matrix Factorization
人生易老天难老
06-29 509
Article Read: Algorithms for Non-negative Matrix Factorization Introduction And Background ​ 矩阵分解(Non-negative Matrix Factorization, 简称NMF)是无监督学习的一种算法，利用线性代数的矩阵运算将矩阵V分解为W和H, 分解后的矩阵更容易研究，这个问题是不可解析解的吗，所以一般采用近似算法1；NMF在很多领域都有应用，如计算机视觉(computer vision), 文本分类(do
Algorithms for Non-negative Matrix 论文概要
11-14
Algorithms for Non-negative Matrix论文描述希望帮助到大家
Robust Hyperspectral Unmixing With Correntropy-Based Metric
02-08
Hyperspectral unmixing is one of the crucial steps for many hyperspectral applications. The problem of hyperspectral unmixing ... Specifically, our model is developed with the correntropy-based metric wh
文献学习(part71)--Graph Regularized Non-negative Matrix Factorization for Data Representation
小山羊的学习日志
06-18 574
学习笔记，仅供参考，有错必纠 关键词： 文章目录Graph Regularized Non-negative Matrix Factorization for Data Representation摘要IntroductionA Brief Review of NMFGraph Regularized Non-negative Matrix FactorizationThe Objective FunctionAn Algorithm Graph Regularized Non-negative Mat
GIS空间分析 三维分析1 空间插值与三维可视化
极限突破者的博客
05-03 2555
在本文中，你将学习到ArcGIS三维可视化，如何利用三维可视化发现潜在的数据规律
考研复习-英语二真题考试题集-带答案
09-14
英语二考研真题复习资料，带答案版
2024中美独角兽公司发展分析报告.pdf
09-14
全球各大洲独角兽企业分布、中美独角兽企业对比（数量、估值、新增及退榜情况、行业分布、所在城市）、
C++ 中的异步编程模型是什么
09-14
在C++中，异步编程模型是处理并发任务、提高程序性能和响应性的关键技术。以下是C++中实现异步编程的几种主要方式： 每种异步编程模型都有其适用场景和优缺点。选择合适的模型可以提高代码的可读性、可维护性和性能。随着C++标准的不断发展，异步编程模型也在不断进化，为开发者提供了更多的工具和选择。 在实际开发中，应根据具体需求选择合适的异步编程模型。例如，对于简单的异步任务，回调函数可能是最直接的选择；而对于需要结构化错误处理和结果获取的复杂异步任务，std::async和std::future可能更合适；在需要高效资源管理的场景下，线程池是一个不错的选择；而对于需要编写大量异步代码的现代应用程序，协程提供了一种更简洁、更直观的解决方案。 总之，C++中的异步编程模型是多核和高并发环境下提高程序性能的重要工具。通过合理使用这些模型，开发者可以构建出更高效、更可靠的软件系统。
正则表达式Regex是一种文本模式.docx
最新发布
09-14
正则表达式（Regular Expression，简称Regex或Regexp）是一种文本模式，包括普通字符（例如，a 到 z 之间的字母）和特殊字符（称为"元字符"）。正则表达式使用单个字符串来描述、匹配一系列符合某个句法规则的字符串。正则表达式是强大的文本处理工具，广泛用于搜索、编辑或操作文本和数据。 基本组成 普通字符：大多数字符，包括所有大写和小写字母、所有数字、所有标点符号和一些其他符号，都是普通字符。正则表达式中的普通字符表示它们自身。例如，正则表达式test会匹配字符串"test"。 特殊字符（元字符）：一些字符在正则表达式中具有特殊的意义，如^、$、.、*、+、?、{、}、[、]、|、\等。这些特殊字符用于表示在搜索文本时要匹配的一个或多个字符。例如，.匹配除换行符之外的任何单个字符。 字符类：字符类允许你指定一组字符中的任何一个字符。例如，[abc]匹配"a"、"b"或"c"中的任意一个字符。你也可以使用范围，如[a-z]匹配任何小写字母。 预定义字符类：正则表达式提供了一些预定义字符类，用于匹配常见的字符集合。例如，\d匹配任何数字（等价于[0-9]），\s匹配任
Non-negative matrix factorization分析TCGA数据库TPM数据代码
07-15
下面是一个使用Non-negative matrix factorization (NMF) 进行分析TCGA数据库TPM数据的示例代码： ```python from sklearn.decomposition import NMF from sklearn.preprocessing import StandardScaler import ...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值