R. Huang, X. Li and L. Zhao, "Spectral–Spatial Robust Nonnegative Matrix Factorization for Hyperspectral Unmixing," in IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 10, pp. 8235-8254, Oct. 2019, doi: 10.1109/TGRS.2019.2919166.
摘要:
高光谱解混(HU)是利用遥感高光谱数据的一项关键技术,它旨在估计一组称为端元的光谱特征及其对应的比例(称为丰度)。非负矩阵分解(NMF)及其各种鲁棒扩展已广泛应用于HU。现有的大多数鲁棒NMF方法都认为噪声只存在于一种公式中。然而,在实际应用中,高光谱图像不可避免地同时受到带噪声和像素噪声的干扰。本文提出了一种融合2,1范数和1,2范数的谱空间鲁棒NMF模型,同时实现了对波段噪声和像素噪声的鲁棒性。
该模型结合了Huber’s M估计,对不同噪声强度下的每个像素和波段实现了更好的权值分配,避免了奇异性问题,有效提高了解混性能。
背景介绍:
在实际应用中,高光谱数据中普遍存在噪声,严重影响了HU方法的解混性能。为了减轻噪声[22]-[24]的影响,提出了一系列鲁棒的HU方法。
- 在[24]中,采用试错法估计噪声方差并确定正则化参数,这有助于弱化噪声对端元和丰度估计的影响。
- 他等人[25]采用TV正则化器去噪丰度图,提高了所提方法对噪声的鲁棒性。
- Ma等人[26]提出了一种具有L2,1范数的鲁棒稀疏解混方法,以实现对噪声和离群值的鲁棒性。L2,1范数是由Ding等人[27]首次提出的旋转不变范数,可以有效处理噪声和异常值