基于非負矩陣分解的高光譜圖像混合像元分解方法研究.pdf

1、與傳統(tǒng)圖像相比，高光譜圖像擁有幾十甚至幾百個波段，這些波段提供了豐富的地物光譜信息。然而由于高光譜成像儀空間分辨率的限制，在實際的高光譜遙感圖像中，一個像元對應的實際地物可能是若干種物質的混合，即構成了“混合像元”?；旌舷裨纸獾哪康氖前选盎旌舷裨狈纸獬筛鞣N物質的光譜向量（端元）和它們對應所占的比例（豐度）?；旌舷裨纸饽軌颢@取亞像元信息，為高光譜圖像后續(xù)的分析與處理提供了基礎。
　　非負矩陣分解(Nonnegative Mat

2、rix Factorization，NMF)即把一個非負矩陣分解成另外兩個非負矩陣的乘積，其分解模型和高光譜圖像混合像元的分解模型相似，可以用來解決高光譜混合像元分解問題。本文利用高光譜圖像的物理以及地理特性，在非負矩陣分解模型的基礎上，增加了有效的正則約束項，并優(yōu)化了求解方法。本文的主要工作如下:
　　1.針對隨機初始化端元和豐度矩陣時迭代求解速度慢，且結果易陷入局部極小等問題，我們采用了VCA-FCLS算法作為端元和豐度的初始

3、化方法。VCA算法雖然只有在純像元存在時才能夠提取出端元，但使用該算法的結果可以有一個較優(yōu)的初始值，從而可以加快收斂速度并使結果避免陷入局部極小值。
　　2.針對傳統(tǒng)非負矩陣分解算法依賴迭代初始值和對噪聲的魯棒性能差等問題，我們提出了基于稀疏和最小體積約束的非負矩陣分解(SMVCNMF)的混合像元分解算法。該方法利用了高光譜遙感圖像豐度的稀疏性和端元所構成的單形體的體積特性，將豐度的稀疏性和端元所構成單形體體積的最小化約束作為正則

4、項加入到非負矩陣分解目標函數(shù)中。實驗結果表明，所提出的方法能夠避免陷入局部最小值，同時具有良好的收斂性和魯棒性。
　　3.針對常規(guī)約束非負矩陣分解算法未能有效利用光譜空間信息等問題，我們提出了改進的基于光譜空間信息約束的非負矩陣分解(ASSNMF)算法。該方法充分挖掘了光譜的空間信息，將光譜空間信息加入了到非負矩陣分解中來，并且優(yōu)化了目標函數(shù)中的稀疏約束項。實驗結果表明，改進后的方法有效地提高了混合像元分解的精度，同時也加快了算法