基于局部加权低秩先验的高光谱稀疏解混方法

发布时间：2022-01-02 17:28

　　为了充分挖掘丰度系数的内在本质属性,提升高光谱图像稀疏解混精度,提出一种基于局部加权低秩先验的稀疏解混方法.该低秩先验主要基于这一事实:高光谱图像中的局部立方体块具有较高的相空间关性和光谱相关性.加权的低秩先验能够挖掘局部块内在的低维结构特征,有效地抑制噪声,保持数据的细节结构.该先验联合全变差正则项、协同稀疏正则项,能够更好地刻画丰度系数的细节结构、局部平滑性以及行稀疏性.利用模拟数据和真实高光谱数据进行的实验表明,所提方法与现有方法相比能够更好地保持数据的细节信息,提升解混精度. 

【文章来源】：应用科学学报. 2020,38(06)北大核心CSCD

【文章页数】：16 页

【部分图文】：

DS1模拟数据集中的丰度图

将每种算法的相关参数调整至最优.表1展示了本文方法与其他对比算法使用的参数.为了定量地对算法进行评价，实验采用了信号重构误差（signal reconstruction error,SRE)[10]和均方根误差（root mean square error,RMSE)[11]两个量化指标.SRE表示重建的丰度矩阵与误差之间的比率，SRE的值越高，说明解混的效果越好.令X为真实的丰度矩阵，X为估计的丰度矩阵，则SRE可定义为

图3展示了在DS1数据集SNR=20 d B情况下SRE关于参数λ、λTV和λLR的函数图.模型共有3个参数，分别考虑λ和λTV、λ和λLR、λTV和λLR对SRE的影响.从图3中可以看出参数值对解混结果影响较大，且参数值越小，SRE值越高，意味着解混结果越精确.图4和5展示了5种算法在信噪比为20 d B的情况下解混得到的丰度图，这里随机给出了一个端元的丰度图.可以看到SUn SAL和CLSUn SAL对噪声的抑制效果很差，而施加了TV项的几种算法对噪声的抑制效果都比较好，然而SUn SAL-TV仅考虑了TV项在一些区域造成的过平滑，本文方法不但对噪声的抑制效果很好，而且相比其他算法更好地保留了局部区域的细节信息，避免了仅使用TV项造成的过平滑现象，所得解混结果也最接近真实的丰度图.表2和3分别给出了5种算法的SRE和RMSE值，可以看出本文方法的解混结果最好.

【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]基于丰度约束核非负矩阵分解的高光谱图像非线性解混[J]. 智通祥,杨斌,王斌.  复旦学报(自然科学版). 2018(04)
[3]高光谱遥感图像非线性解混研究综述[J]. 杨斌,王斌.  红外与毫米波学报. 2017(02)



本文编号：3564588