基于非负矩阵分解与手工及学习先验的高光谱解混
计算机视觉与模式识别
2020-10-12 v1 图像与视频处理
摘要
如今，基于非负矩阵分解（NMF）的方法已广泛应用于盲光谱解混。为 NMF 引入适当的正则化器对于从数学上约束解以及从物理上利用图像的光谱与空间属性至关重要。通常，恰当地手工设计正则化器并求解相关的复杂优化问题并非易事。在我们的工作中，我们提出一种基于 NMF 的解混框架，其联合使用手工正则化器与从数据学习的正则化器。我们嵌入丰度的学习先验，其中相关子问题可使用各种图像去噪器处理，并且我们考虑对丰度矩阵使用 l_2,1 范数正则化器以促进稀疏解混结果。所提框架灵活且可扩展。合成数据与真实机载数据均被用于验证我们方法的有效性。
引用
@article{arxiv.2010.04611,
title = {Hyperspectral Unmixing via Nonnegative Matrix Factorization with Handcrafted and Learnt Priors},
author = {Min Zhao and Tiande Gao and Jie Chen and Wei Chen},
journal= {arXiv preprint arXiv:2010.04611},
year = {2020}
}