c语言矩阵线性相关性_论文推荐 | 袁博：基于混合像元空间与谱间相关性模型的NMF线性盲解混...

《测绘学报》

构建与学术的桥梁 拉近与权威的距离

基于混合像元空间与谱间相关性模型的NMF线性盲解混

袁博

南阳理工学院计算机与信息工程学院, 河南 南阳 473000

收稿日期：2018-03-06；修回日期：2019-06-07

基金项目：国家自然科学基金(41371353)

第一作者简介：袁博(1982-), 男, 博士, 讲师, 研究方向为高光谱数据处理、物联网应用。E-mail：nylgyb@163.com

摘要：基于相关性分析的高光谱解混算法，通常缺少对高光谱图像空间和光谱相关性特征的综合分析与利用，或对于先验知识的依赖程度较高。本文提出一种基于混合像元空间与谱间相关性模型的NMF线性盲解混算法。具体包括：通过改进马尔科夫随机场(MRF)模型，建立相邻像元间的空间相关模型；利用复杂度映射技术，建立相邻波段间的光谱相关模型；在NMF目标函数外部和内部分别引入上述两种模型，作为盲解混算法的约束条件。试验结果表明，该算法相对于区域相关的NMF解混算法(ACBNMF)、最小化光谱相关度约束的NMF方法(MSCCNMF)和最小体积约束的非负矩阵分解(MVCNMF)等代表性NMF解混参考算法，解混精度有所提高；同时，降低了对于先验知识的依赖程度，拓宽了适用范围。

关键词：非负矩阵分解 空间相关性 谱间相关性 马尔科夫随机场 复杂度映射

NMF linear blind unmixing method based on mixed pixel's spatial and spectral correlation model

YUAN Bo

School of Computer and Information Engineering, Nanyang Institute of Technology, Nanyang 473000, China

Foundation support: The National Natural Science Foundation of China (No. 41371353)

First author: YUAN Bo(1982—), male, PhD, lecturer, majors in hyperspectral data processing and internet of things applications.E-mail:nylgyb@163.com.

Abstract: The present hyperspectral unmixing methods based on correlation analysis, either lack of comprehensive analysis and utilization of hyperspectral image's spatial & spectral correlation characteristics, or have a high dependence degree on prior knowledge. This paper proposes a NMF linear blind unmixing method based on mixed pixel's spatial and spectral correlation model. The method sets up spatial correlation model of adjacent pixels by improving Markov Random Filed(MRF) model, sets up spectral correlation model of adjacent bands by adopting complexity mapping technology, and introduces the two models respectively into NMF objective function externally and internally, as the constraints of the blind unmixing method. Experimental result indicates that, the proposed method can significantly reduced the degree of dependence on prior knowledge, comparing with other representative NMF reference methods including area-correlated spectral unmixing method based on Bayesian nonnegative matrix factorization(ACBNMF), minimum spectral correlation constraint NMF(MSCCNMF) and minimum volume constrained nonnegative matrix factorization(MVCNMF), the unmixing accuracy is also improved.

Key words: nonnegative matrix factorization spatial correlation spectral correlation Markov random field complexity mapping

空间分辨率限制及地物复杂多样性，使得高光谱遥感图像像元中通常包含多种地物成分，形成所谓混合像元^[1-2]。像元的“解混”是实现地物分类与目标识别等高光谱遥感定量化、精细化应用的关键步骤之一。非负矩阵分解(non-negative matrix factorization，NMF)适合处理高维海量数据，能够减小对先验知识的依赖^[3]，同时与线性混合模型的数学形式相似，因此，基于NMF的线性盲解混算法，逐渐成为高光谱解混领域的研究热点^[4]。文献[5—8]表明，盲解混算法是指不依赖大量先验知识，只根据混合像元数据本身即可同时估计出端元光谱信息和丰度信息的一类非监督解混算法。

近年来，相关性分析开始出现在高光谱像元解混研究中^[9-12]。文献[13]通过添加空间相关性约束项和训练数据的空间信息，提出了一种新的高光谱解混方法。文献[14]利用先验概率密度函数表达两个相邻区域的空间相关程度，提出了一种区域相关的NMF解混算法(area-correlated spectral unmixing method based on Bayesian nonnegative matrix factorization, ACBNMF)。文献[15]通过联合最小化光谱相关度函数和NMF误差函数，提出了一种最小化光谱相关度约束的NMF方法(minimum spectral correlation constraint NMF, MSCCNMF)。文献[16]基于图像空间特征和联合稀疏解混思想，提出一种基于高光谱图像空间相关性度量的多任务联合稀疏解混方法。

上述基于相关性分析的解混算法存在如下问题：①缺少针对高光谱遥感图像在空间和光谱两个维度典型相关性特征的综合分析与利用^[15-16]；②属于监督类算法，需要大量难以获取的先验知识，一定程度上限制了算法的适用范围^[13-14]。因此，有必要深入挖掘并充分利用高光谱遥感图像中蕴含的各类相关性特征，探索其在降低先验知识依赖程度，改善解混算法性能方面的应用潜力。

本文针对NMF在线性盲分解中存在的目标函数非凸导致的局部极小问题，综合利用马尔科夫随机场(Markov random field, MRF)模型^[17]和信号预测度技术^[18]，提出一种基于空间与谱间相关性模型的NMF线性盲分解算法(spatial and spectral correlation model-based NMF pixel unmixing algorithm，S2CNMF)。

1 标准NMF线性盲分解模型及存在的主要问题1.1 NMF线性盲分解模型

1.1.1 线性光谱混合模型(linear spectral mixture model，LSMM)

LSMM的数学形式如式(1)所示

(1)

式中，X是L(L为波段数量)维的已知高光谱图像；M是L×P(P为端元数目)的端元矩阵，每一列代表一个端元的光谱向量；向量s是像元中各端元的丰度；Ne是L维的高斯随机噪声。如果把高光谱图像的全部C(假设C为像元个数)个像元均考虑进式(1)，则式(1)可扩展为

(2)

式中，X∈<