Sparsity-Regularized Robust Non-Negative Matrix Factorization for Hyperspectral Unmixing

W. He, H. Zhang and L. Zhang, "Sparsity-Regularized Robust Non-Negative Matrix Factorization for Hyperspectral Unmixing," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 9, no. 9, pp. 4267-4279, Sept. 2016, doi: 10.1109/JSTARS.2016.2519498.摘要：

稀疏噪声：作为污染特定波段或像素[26]的任意大小的噪声。

高光谱解混(HU)是许多高光谱应用的关键步骤之一，包括材料分类和识别。近十年来，非负矩阵分解(NMF)及其扩展得到了广泛的研究，并在HU中取得了先进的性能。不幸的是，大多数现有的基于nmf的方法都假设高光谱数据只受到高斯噪声的破坏。在实际应用中，高光谱数据不可避免地受到稀疏噪声的破坏，包括脉冲噪声、条纹噪声、死线噪声和其他类型的噪声。通过对稀疏噪声和高斯噪声分别建模，引入鲁棒NMF (RNMF)模型对高光谱数据进行解混。提出的RNMF模型能够同时处理高斯噪声和稀疏噪声，并且具有良好的更新规则，能够有效地学习。此外，考虑到高光谱场景中材料类型的稀疏特性，在RNMF中加入稀疏正则化矩阵来限制丰度图。

HU算法主要依赖预期混合类型，该混合类型可以被描述为线性或非线性模型[1]。

非线性解混模型通过假设观测到的像素是由与端元[5]相关的丰度的非线性函数生成的来描述混合光谱。线性混合模型(LMM)假设不同端元之间互不干扰，