结合端元独立性的约束非负矩阵分解用于盲高光谱解混
图像与视频处理
2021-08-10 v5 计算机视觉与模式识别
摘要
高光谱解混（HU）已成为利用高光谱数据的一项重要技术，它将混合像元分解为一组端元并按丰度分数加权。高光谱图像（HSI）的端元更可能由独立源生成，并在以混合光谱到达成像光谱仪的传感器元件之前于宏观尺度上混合。过去几十年中，许多研究致力于在常规非负矩阵分解（NMF）框架上施加辅助约束，以有效解混这些混合光谱。作为寻找用于提取端元的最优约束的有前景的一步，本文提出一种新颖的盲 HU 算法，称为基于峰度的平滑非负矩阵分解（KbSNMF），其引入了基于端元光谱概率密度函数统计独立性的新约束。在常规 NMF 框架上施加该约束促进了独立端元的提取，同时进一步增强了数据的基于部分的表示。在多种合成 HSI 数据集（具有不同数量的端元、光谱波段、像元和噪声水平）以及三个标准真实 HSI 数据集上的实验表明，所提 KbSNMF 算法相较于若干最先进的基于 NMF 的 HU 基线具有有效性。所提算法尤其在从高光谱数据中提取端元光谱方面表现出优越性能；因此，它能提升近期以端元光谱作为监督输入数据进行丰度提取的深度学习 HU 方法的性能。
引用
@article{arxiv.2003.01041,
title = {Constrained Nonnegative Matrix Factorization for Blind Hyperspectral Unmixing incorporating Endmember Independence},
author = {E. M. M. B. Ekanayake and H. M. H. K. Weerasooriya and D. Y. L. Ranasinghe and S. Herath and B. Rathnayake and G. M. R. I. Godaliyadda and M. P. B. Ekanayake and H. M. V. R. Herath},
journal= {arXiv preprint arXiv:2003.01041},
year = {2021}
}
备注
18 pages, 16 figures