基于低秩重建与TV正则的高光谱稀疏解混

发布时间：2021-09-19 01:58

　　高光谱解混技术是定量遥感研究的核心问题,旨在求解高光谱影像中每个像元所含的端元光谱及其丰度比例。基于过完备光谱库的稀疏解混方法假设端元是光谱库的子集,解混过程等价于以重建输入影像为目标的丰度估计优化,是近几年的主流研究内容,已有的研究成果致力于挖掘待估丰度的结构信息并据此设计约束模型。此文从影像重建的角度出发,利用解混重建数据的低秩特性,构建了结合重建影像低秩约束与丰度空间全变分约束的稀疏解混模型,并设计了基于交替方向乘子法的快速算法。在高光谱模拟数据与真实影像上的对比解混实验表明,该方法能有效提高解混精度。 

【文章来源】：台州学院学报. 2020,42(06)

【文章页数】：8 页

【部分图文】：

模拟混合数据中5个端元对应的真实丰度图

本文算法对模拟数据解混得到的估计丰度图

由于真实影像数据中各物质的丰度未知，实验结果可以根据丰度图的视觉效果结合辅助定量指标进行评判。我们用影像的重建误差（reconstruction error,RE）和丰度的稀疏度（sparsity of abundance,SA）作为评价指标，定义：其中影像重建误差RE能反映用估计丰度和对应端元光谱重建的混合数据与输入影像的误差；稀疏度SA的本意是计算丰度矩阵中0元素的占比，但理论0值在实际优化中通常对应于极小的非零数值解，因此我们用NUM(X<θ)统计矩阵X中数值小于θ的元素个数，实验中取θ=0.001。好的解混结果应当能同时满足较低的重建误差与较高的丰度稀疏度。由于真实数据实验的两个辅助指标相互影响，那么以RE为首要调参指标，即优先选择使RE值更小的参数组合，在有多组参数使得RE值相同的情况下，再选择使SA值更大的为最优参数。以此为参数调优准则，实验中设定的模型参数(α,β,γ)为（0.01,0.005,0.01）。


本文编号：3400778