Total Variation Regularized Reweighted Sparse Nonnegative Matrix Factorization for Hyperspectral

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࿰