自适应多阶图正则化非负矩阵分解及其在高光谱混合中的应用
计算机视觉与模式识别
2025-09-26 v2 图像与视频处理
摘要
高光谱混合（HU）是遥感中的一个关键且具有挑战性的任务。然而，现有的基于图学习的非负矩阵分解（NMF）方法主要关注一阶或二阶最近邻关系，且通常需要手动调参，无法刻画数据内在结构。为此，本文提出一种新颖的自适应多阶图正则化NMF方法（MOGNMF），具有三个关键特征：首先，引入多阶图正则化到NMF框架中，全面利用全局和局部信息；其次，通过数据驱动方式自适应学习与多阶图相关的参数；最后，嵌入双稀疏性，以增强鲁棒性，即对丰度矩阵采用 -范数，对噪声矩阵采用 -范数。为求解该模型，我们开发了一种交替最小化算法，其子问题具有显式解，从而确保方法有效。在仿真数据和真实高光谱数据上的实验表明，所提方法能够提供更好的混合结果。
引用
@article{arxiv.2503.19258,
title = {Adaptive Multi-Order Graph Regularized NMF with Dual Sparsity for Hyperspectral Unmixing},
author = {Hui Chen and Liangyu Liu and Xianchao Xiu and Wanquan Liu},
journal= {arXiv preprint arXiv:2503.19258},
year = {2025}
}
备注
IEEE JSTARS