基于稀疏约束的高光谱数据分布式解混
计算机视觉与模式识别
2017-11-06 v1
摘要
光谱解混(SU)是高光谱遥感中的数据处理问题。SU问题的重大挑战在于如何准确地辨识端元及其权重。在盲问题中估计光谱特征与丰度矩阵时,非负矩阵分解(NMF)及其改进方法被广泛应用于SU问题。加入NMF的约束之一是由L 1/2范数正则化的稀疏约束。本文采用一种基于分布式优化的新算法进行光谱解混。在所提算法中,采用了一个由单节点簇组成的网络,高光谱图像中的每个像素被视为该网络中的一个节点。具有稀疏约束的分布式解混通过扩散LMS策略进行优化,进而得到丰度矩阵与特征矩阵的更新方程。基于所定义性能指标的仿真结果表明,与其他方法相比,所提算法在高光谱数据光谱解混方面具有优势。结果显示,在SNR=25dB下,该方法的AAD和SAD分别比分布式解混改善了约6%和27%。
引用
@article{arxiv.1711.01249,
title = {Distributed Unmixing of Hyperspectral Data With Sparsity Constraint},
author = {Sara Khoshsokhan and Roozbeh Rajabi and Hadi Zayyani},
journal= {arXiv preprint arXiv:1711.01249},
year = {2017}
}
备注
6 pages, conference paper