Constrained Nonnegative Matrix Factorization Based on Particle Swarm Optimization for Hyperspectral

B. Yang, W. Luo and B. Wang, "Constrained Nonnegative Matrix Factorization Based on Particle Swarm Optimization for Hyperspectral Unmixing," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 10, no. 8, pp. 3693-3710, Aug. 2017, doi: 10.1109/JSTARS.2017.2682281.

摘要：

光谱解混是高光谱图像处理的重要组成部分。近年来，约束非负矩阵分解(CNMF)已成功地应用于不需要纯像素假设的解混，其结果具有一定的物理意义。然而，传统的CNMF算法存在两个局限性:1)大多基于梯度方法，往往陷入局部最优。2)由于采用静态惩罚函数作为约束处理方法，很难选择合适的正则化参数来很好地平衡重构误差和约束之间的权衡，导致精度下降。本文在CNMF框架下，引入粒子群优化(PSO)与两种渐进约束处理方法相结合的谱解混方法。提出了一种基本的高维双群粒子群算法(HDPSO)。该算法将原高维问题分解为一系列更简单的子问题，并采用两个交互群分别搜索端元和丰度。在此基础上，提出了自适应粒子群算法(APSO)和多目标粒子群算法，分别将自适应惩罚函数和多目标优化方法引入到HDPSO算法中。通过对模拟数据和真实高光谱图像的实验，将这些方法与传统算法进行了比较，结果表明所提方法具有更好的光谱解混性能。

背景介绍：

线性混合模型：因为LMM在物理上是可解释的，而且简单得多，是近年来相关研究的重点；忽略了不同端元[5]之间的辐射相互作用。