Distributed Blind Hyperspectral Unmixing via Joint Sparsity and Low-Rank Constrained Non-Negative Ma

C. G. Tsinos, A. A. Rontogiannis and K. Berberidis, "Distributed Blind Hyperspectral Unmixing via Joint Sparsity and Low-Rank Constrained Non-Negative Matrix Factorization," in IEEE Transactions on Computational Imaging, vol. 3, no. 2, pp. 160-174, June 2017, doi: 10.1109/TCI.2017.2693967.

摘要：

高光谱解混是遥感图像分析中的一个重要处理步骤。它的目的是将高光谱图像中的每个像素分解为许多材料，即所谓的端元，以及它们对应的丰度分数。在文献中提出的各种解混方法中，我们感兴趣的是依赖于某种形式的非负矩阵分解(NMF)的无监督技术。基于nmf的技术提供了一种同时估计端元及其对应丰度的简单方法，但由于所涉及的代价函数的非凸性，其性能一般，计算复杂度高。通过对与丰度稀疏性相关的NMF优化问题施加附加约束，最近取得了性能的改进。高光谱图像的另一个可以利用的特征是它们的高空间相关性，这可以转化为所涉及的丰度矩阵的低秩。基于此，本文提出了一种基于稀疏和低秩约束NMF的新解混方法。此外，由于多核处理器和图形处理单元的快速发展，我们设计了一种分布式解混方案，并行处理图像的不同部分。通过对合成和真实高光谱数据的大量仿真验证，本文提出的分布式解混算法比现有的最先进技术具有更好的性能和更快的收敛速度。

背景介绍：

     在目前建议的不同技术中，有一些是基于对受限LMM的几何特性的适当利用，例如，假设观察点位于一个单纯形中，其顶点是场景的端元。代表性的方法包括N-FINDR算法[5]，V