论文部分内容阅读
高光谱遥感图像拥有数十甚至数百个波段,具有较高的光谱分辨率,被广泛应用于农业、环境、勘测等领域。但受传感器空间分辨率的限制,一个像元可能对应着多种地物,被称之混合像元。混合像元的存在不仅影响了遥感图像的分类精度和目标探测效果,而且是遥感技术向定量化深入发展的重要障碍,混合像元分解技术应运而生。混合像元分解就是把一个混合像元分解成一系列的地物(端元)和这些地物在该像元中所占的比例(丰度)。非负矩阵分解(Nonnegative Matrix Factorization,NMF)就是把一个较高维且非负的矩阵分解成两个较低维数的非负矩阵的乘积形式。由于其与线性光谱混合模型一致,近来成为高光谱混合像元分解领域的一大研究热点。但NMF的求解易陷局部极小,为了克服该缺点,具有几何意义的约束加入目标函数中。本文在NMF模型的基础上,考虑了数据内在流形,基于图构造流形约束项,提出了两种基于流形约束的高光谱图像混合像元分解算法。具体工作如下:1.针对现有的基于流形约束的NMF混合像元分解算法未能有效利用高光谱图像实际场景中像元之间的空间结构信息,本文提出了一种基于超像素的流形稀疏正则NMF混合像元分解算法(MRS-NMF)。该算法利用超像素构建光谱空间信息流形正则,同时结合了端元分布具有稀疏性的特点,把稀疏约束加入到了目标函数中。最后用乘法更新准则来求解目标函数。实验结果表明MRS-NMF算法相对当前其他算法能获得更好的混合像元分解结果。2.针对大多数基于NMF混合像元分解算法忽略了端元之间的几何关系,本文引进了端元稀疏图结构来模拟端元之间的关系,提出了一种基于端元丰度图稀疏正则的NMF混合像元分解算法(EAGSNMF)。该算法在考虑高光谱数据端元分布稀疏特性的同时揭示了端元和丰度的本质几何结构。最后仿真和真实场景实验结果表明EAGSNMF算法相对当前其他算法能获得更好的混合像元分解结果。