面向高光谱解混的鲁棒协作非负矩阵分解（R-CoNMF）
最优化与控制
2016-09-21 v1
摘要
最近提出的协作非负矩阵分解（CoNMF）算法旨在同时从高光谱线性混合中估计端元数量、混合矩阵和丰度分数。本文引入R-CoNMF，它是CoNMF的鲁棒版本。鲁棒性通过以下方式加入：a) 包含一个体积正则化项，该正则化项惩罚到由纯像元算法推断出的混合矩阵的距离；b) 引入一种新的近端交替优化（PAO）算法，该算法保证收敛到临界点。我们的实验结果表明，无论端元数量未知还是已知，R-CoNMF都能提供有效的估计。
引用
@article{arxiv.1506.04870,
title = {Robust Collaborative Nonnegative Matrix Factorization For Hyperspectral Unmixing (R-CoNMF)},
author = {Jun Li and Jose M. Bioucas-Dias and Antonio Plaza and Lin Liu},
journal= {arXiv preprint arXiv:1506.04870},
year = {2016}
}
备注
4 pages in IEEE GRSS Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Tokyo, 2015