Generalized Morphological Component Analysis for Hyperspectral Unmixing

m0_51414342

于 2022-11-23 23:04:03 发布

阅读量347

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/128003519

版权

本文提出了一种新的无监督高光谱解混方法，结合了稀疏性和形态多样性。利用广义形态成分分析(GMCA)框架，通过端元的稀疏表示和形态多样性来促进源的区分和分离。优化算法采用阈值下降策略，以识别混合像素的端元和丰度。

摘要由CSDN通过智能技术生成

X. Xu, J. Li, S. Li and A. Plaza, "Generalized Morphological Component Analysis for Hyperspectral Unmixing," in IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 4, pp. 2817-2832, April 2020, doi: 10.1109/TGRS.2019.2956562.

摘要：

高光谱解混(HU)是遥感界一个活跃的研究课题。它的目的是使用纯组成材料(端元)的集合，通过其相应的分数丰度加权来建模混合像素。在现有的解混方案中，非负矩阵分解(non - negative matrix factorization, NMF)因其非监督性质以及同时获得端元和分数丰度的能力而备受关注。

在本文中，我们提出了一种新的基于广义形态成分分析(GMCA)框架的盲解混合方法，该方法在标准NMF模型中引入一个额外的约束来表示与每个端元相关的丰度图的稀疏性和形态多样性。更具体地说，我们考虑到高光谱场景中不同的地面类别通常表现出不同的空间分布和形态特征。因此，当为这些类别提供特定的字典基础时，它们对应的丰度映射(称为源)可以稀疏表示。此外，由于不同源之间的相关性较低，它们的稀疏表示不会共享相同的最显著系数。有了这一观察结果，我们可以进一步促进分离混合过程中的源鉴别和分离。此外，为了获得相关优化问题的稳定解，我们采用了一种带阈值下降策略的交替迭代约束算法。