W. He, H. Zhang and L. Zhang, "Total Variation Regularized Reweighted Sparse Nonnegative Matrix Factorization for Hyperspectral Unmixing," in IEEE Transactions on Geoscience and Remote Sensing, vol. 55, no. 7, pp. 3909-3921, July 2017, doi: 10.1109/TGRS.2017.2683719.
摘要:
盲解混是高光谱分析的一项重要任务,它包括对端元及其相应丰度分数的估计。近年来,非负矩阵分解(NMF)及其扩展在人工智能领域得到了广泛的应用。不幸的是,由于NMF模型的非凸性和噪声的影响,大多数基于NMF的方法容易导致不合适的解。为了克服这一局限性,我们充分利用了丰度图的结构,提出了一种新的盲HU方法——全变分正则化重加权稀疏NMF (TV-RSNMF)。首先,假设丰度矩阵是稀疏的,并在NMF模型中加入加权稀疏正则化器。加权稀疏正则化器的权重根据丰度矩阵自适应更新。其次,对应于单个固定端元的丰度映射必须分段平滑。因此,采用TV正则化器捕获每个丰度图的分段平滑结构。在我们提出的TV- rsnmf模型的乘法迭代解中,TV正则化器可以看作是一个丰度图去噪过程,它提高了TV- rsnmf对噪声的鲁棒性。
对丰度矩阵进行约束时,通常考虑两种先验:
首先,丰度矩阵的列(对应于端元字典下单个固定像素的系数)应该是稀疏的。这主要是因为HSI中的大多数像素是由端元的一个子集混合的