利用稳健非负矩阵分解实现无监督高光谱解混

发布时间：2021-10-08 19:43

　　目的基于非负矩阵分解的高光谱图像无监督解混算法普遍存在着目标函数对噪声敏感、在低信噪比条件下端元提取和丰度估计性能不佳的缺点。因此,提出一种基于稳健非负矩阵分解的高光谱图像混合像元分解算法。方法首先在传统基于非负矩阵分解的解混算法基础上,对目标函数加以改进,用更加稳健的L₁范数作为重建误差项,提高算法对噪声的适应能力,得到新的无监督解混目标函数。针对新目标函数的非凸特性,利用梯度下降法对端元矩阵和丰度矩阵交替迭代求解,进而完成优化求解,得到端元和丰度估计值。结果分别利用模拟和真实高光谱数据,对算法性能进行定性和定量分析。在模拟数据集中,将本文算法与具有代表性的5种无监督解混算法进行比较,相比于对比算法中最优者,本文算法在典型信噪比20 dB下,光谱角距离（spectral angle distance,SAD）增大了10.5%,信号重构误差（signal to reconstruction error,SRE）减小了9.3%;在真实数据集中,利用光谱库中的地物光谱特征验证本文算法端元提取质量,并利用真实地物分布定性分析丰度估计结果。结论提出的基于稳健非负矩阵分解的... 

【文章来源】：中国图象图形学报. 2020,25(04)北大核心CSCD

【文章页数】：12 页

【部分图文】：

本文方法示意图

第25卷/第4期/2020年4月宋晓瑞，吴玲达，孟祥利/利用稳健非负矩阵分解实现无监督高光谱解混807图2信噪比为20dB时不同算法的端元光谱估计结果Fig．2EndmemberestimatesobtainedbydifferentunsupervisedunmixingalgorithmswhenSNＲ=20dB((a)endmember1;(b)endmember2;(c)endmember3;(d)endmember4;(e)endmember5;(f)endmember6;(g)endmember7;(h)endmember8;(i)endmember9)的端元光谱与真实地物光谱最为相似，定性说明了本文算法具有较高的端元提取精度。从图3中可以看到，相比于其他算法，本文算法所得到的丰度图中高丰度值区域的细节部分被表现得更好，同时低丰度值区域更为均匀，异常值较少，表现出很好的空间一致性，精确地反映了地物空间分布，与真实地物分布最为相似。因此，图3定性地说明了本文算法的丰度估计精度较好。在信噪比为20dB的条件下，不同混合像元分解算法VCA+NCLS、MVCNMF、ＲCoNMF、TVWS-NMF、uDAS、L1NMFHU(本文)的运行时间分别为2．8s、39．2s、11．3s、20．6s、23．3s和45．8s。L1NMFHU算法相比于其他基于NMF的解混算法需要更长的运行时间。本文算法耗时较长的原因是在低信噪比条件下，为使得目标函数收敛，需进行更多次数的迭代。2.3真实数据实验真实数据实验中使用的是著名的Cuprite数据集(Swayze等，1992)，该图像场景由机载可见光/红外成像光谱仪(airbornevisibleinfrahedimagingspec-trometer，AVIＲIS)采集，包括0.42.5μm之间的224个光谱波段，光谱分辨率为10nm。为方便分

治觯??节实验中将端元数目设置为10。另外，由于该场景中真实地物分布及其丰度难以获得，这里采用USGS提供的Tricorder图作为参考，如图4所示。该图实际上是对该区域不同矿物的分类结果，因此只能用于对L1NMFHU所得丰度系数估计结果进行定性分析。表1给出了不同算法对于Cuprite数据集的端元估计效果，以SAD作为定量评价指标。可以看出，对于所有10个端元，本文L1NMFHU算法取得了一半以上的最佳端元估计值。此外，L1NMFHU也取得了最佳平均SAD值，算法有效性和优越性得到了证明。图4Cuprite真实数据集中地物分布情况Fig．4MaterialmapofCupritedataset图5给出了本文算法对于Cuprite数据集的端元提取及对应丰度估计结果，且将提取到的端元光谱特征与从光谱库中获取的地物光谱特征进行对比，可以直观地反映本文算法在真实数据集中的端元提取效果。丰度估计效果由获取的丰度图定性描表1不同无监督高光谱解混算法应用于Cuprite数据集的SAD值比较Table1SADvaluesofdifferentunsupervisedunmixingalgorithmsonCupritedataset端元算法VCAMVCNMFＲCoNMFTVWSNMFuDASL1NMFHU(本文)AluniteGDS84Na030.10730.10600.09940.10580.10880.0961JarositeWS368Pb0.10270.17970.16470.10360.18220.0809MuscoviteIL1070.07980.27700.08570.23610.27980.1269KaoliniteKGa-2(pxyl)0.21390.15390.15200.10590.15500.1387Kaolin/SmectKLF50885%K0.08000.06480.14520.09140.13550.0642Kaolin/SmectH89-FＲ-530K0.07220.10440.13100.08450.10610.0719Montmorillonite+IlliCM370.05630.04780.07570.05490.05310.0671NontroniteSWa-1.a0.10530.12960.09630.10280.13270.1107BuddingtoniteGDS85D-2060.12070.1

【参考文献】：
期刊论文
[1]线性高光谱解混模型综述[J]. 袁静,章毓晋,高方平.  红外与毫米波学报. 2018(05)
[2]结合空间光谱预处理和约束非负矩阵分解的高光谱图像混合像元分解[J]. 彭倩,张兵,孙旭,高连如,于文博.  中国图象图形学报. 2017(04)



本文编号：3424840