Group Low-Rank Nonnegative Matrix Factorization With Semantic Regularizer for Hyperspectral Unmixing

最新推荐文章于 2022-11-22 23:14:28 发布

m0_51414342

最新推荐文章于 2022-11-22 23:14:28 发布

阅读量143

点赞数

分类专栏： NMF 解混文章标签：文档资料

本文链接：https://blog.csdn.net/m0_51414342/article/details/127986317

版权

该研究提出了一种新的线性高光谱解混方法——群低秩非负矩阵分解(GLrNMF)，结合高光谱数据的低秩先验和语义信息，提高了端元和丰度恢复的准确性。针对现有NMF模型的不足，如缺乏结构和语义稀疏先验，以及光谱与空间信息结合的局限，GLrNMF通过超像素划分和低秩约束，探索空间-光谱语义，实现了更精确的解混效果。

摘要由CSDN通过智能技术生成

M. Wang, B. Zhang, X. Pan and S. Yang, "Group Low-Rank Nonnegative Matrix Factorization With Semantic Regularizer for Hyperspectral Unmixing," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 11, no. 4, pp. 1022-1029, April 2018, doi: 10.1109/JSTARS.2018.2805779.

摘要：

本文利用高光谱数据丰度的低秩先验，结合语义信息，提出了一种新的线性高光谱解混群低秩约束非负矩阵分解(GLrNMF)方法。首先，将高光谱图像像素划分为若干组超像素，然后对其施加低秩约束，探索空间域和光谱域的语义几何。通过将语义信息加入到NMF中，我们可以在线性解混合模型中恢复更精确的端元和丰度。

现有NMF模型缺点：

缺乏结构和语义稀疏先验:现有的大多数方法只在光谱测量上铸造一些先验。然而，随着数据空间分辨率的提高，高光谱图像不仅能提供高维光谱测量，还能揭示各种材料光谱的空间组织，从而表现出可供进一步探索的语义结构。
光谱与粗糙空间信息的笨拙结合:为了利用高分辨率高光谱数据的空间相关性，人们发展了几种空间光谱解混方法。然而，它们大多通过制定附加的齐次空间正则化子[25]将粗空间信息纳入解混中。一方面，这种同质空间假设过于粗糙，无法成立。另一方面，正则化参数对解混效果影响较大，在实际应用中难以确定。