Spectral–Spatial Robust Nonnegative Matrix Factorization for Hyperspectral Unmixing

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