重加权稀疏和全变差约束下的深度非负矩阵分解高光谱解混

发布时间：2024-03-01 18:49

　　近年来,非负矩阵分解NMF (Nonnegative Matrix Factorization)由于其简单有效的特点,已被广泛应用于解混。由于传统的NMF只有单层结构,不能获取隐藏层的信息,其解混效果受到制约,为了研究影像的深度空谱特征,本文在深度NMF结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解(RSDNMF-TV)算法。首先,使用深度NMF模型代替传统单层NMF模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差。其次,由于丰度矩阵是稀疏的,本文在深度NMF模型中加入重加权稀疏正则化项,其权值则根据丰度矩阵自适应更新。最后,进一步引入全变差正则化项,以利用空间信息并促进丰度图的分段平滑性。论文采用梯度下降法推导出乘性迭代规则,为验证所提出的RSDNMF-TV算法的有效性,利用模拟数据集、Cuprite数据集以及高分五号数据集进行实验,并与其他经典方法作对比,结果发现本方法具有更好的解混效果,同时具有一定的去噪能力。

【文章页数】：16 页

【部分图文】：

图3RSDNMF-TV在不同λ和β值下的SAD和RMSE

图2用于合成模拟数据的端元以及丰度4.1.2深度层数影响分析

图1RSDNMF-TV模型示意图

式中，SL∈?M×N，当l=1时，Al∈?B×M，当l>1时，Al∈?M×M。为了进一步利用先验信息，提高模型准确性，本文在上述深度NMF的模型基础上，增加了两项对丰度的约束。在真实影像中，大多数像素仅由其中的几个端元混合，而不是全部，因此从列的角度看，一个像素的丰度是稀疏的（Q....

图2用于合成模拟数据的端元以及丰度

对于所提出的方法，定义β=α/μ，参数λ和β分别调节稀疏约束和分段光滑度对算法的影响。在本实验中，先将SNR设为25dB，深度层数L设为3。研究参数λ和β对算法性能的影响。为了减少计算量，参考Wei等（2017）及Feng等（2018）研究将λ从有限集合{0.0001,0.00....

图4RSDNMF-TV在不同层数下的SAD和RMSE

为了分析算法结构的层数对RSDNMF-TV解混性能的影响，Zou等（2018）在相同的初始条件下，对不同的层数进行了实验，层数设置从1到10，每组实验均重复10次并取均值。从图4展示的实验结果可以看出，当层数从1增加到3时，SAD和RMSE均有较大下降，而当层数大于3之后时，SA....

本文编号：3915668