基于非負(fù)自編碼器及非負(fù)矩陣分解的高光譜解混.pdf

1、隨著遙感應(yīng)用逐漸趨向于定量化和精確化，高光譜解混作為高光譜遙感影像處理的關(guān)鍵技術(shù)之一，日益引起國內(nèi)外學(xué)者的廣泛關(guān)注。高光譜解混是指利用高光譜圖像將混合像元分解為幾種基本類型的地物光譜向量（端元），并求得這些基本地物所占比例（豐度）的技術(shù)。高光譜解混性能的提高，不僅有利于高光譜應(yīng)用的發(fā)展，如地物的分類和識(shí)別、圖像的解譯和可視化、圖像的增強(qiáng)和壓縮等，也對地質(zhì)勘探、農(nóng)業(yè)監(jiān)測和軍事偵查等具有重要意義。
　　本文對高光譜解混的研究現(xiàn)狀進(jìn)行總

2、結(jié)與分析，并提出了兩種新的非線性解混算法:
　　(1)基于NNSAE-BP的高光譜解混
　　結(jié)合非負(fù)稀疏自編碼器(NNSAE)在挖掘數(shù)據(jù)內(nèi)在結(jié)構(gòu)、提取特征方面的優(yōu)勢，提出了一種基于NNSAE-BP的非線性高光譜解混模型。該模型的實(shí)現(xiàn)步驟包括兩個(gè)階段:解混模型的監(jiān)督式學(xué)習(xí)階段和高光譜數(shù)據(jù)的非線性解混階段。最終將高光譜解混的問題轉(zhuǎn)化為基于NNSAE編碼模塊的高光譜特征提取、以及基于BP神經(jīng)網(wǎng)絡(luò)豐度預(yù)測模塊的端元豐度預(yù)測。

3、　　在基于NNSAE編碼模塊的高光譜特征提取模型學(xué)習(xí)中，針對編碼模塊表示層節(jié)點(diǎn)的優(yōu)選，提出了一種基于Otsu的編碼模塊表示層節(jié)點(diǎn)自適應(yīng)選取算法，有效降低了模型計(jì)算的復(fù)雜度;利用BP神經(jīng)網(wǎng)絡(luò)采用小批量梯度下降法實(shí)現(xiàn)回歸分析，并在目標(biāo)函數(shù)中引入L2權(quán)重衰減項(xiàng)，防止過擬合。
　　通過在真實(shí)高光譜數(shù)據(jù)庫上的實(shí)驗(yàn)證明，該方法有效地提高了解混性能。
　　(2)基于SSC-rNMF的高光譜解混
　　從盲源分離角度出發(fā)，以非負(fù)矩陣分解

4、(NMF)理論作為研究工具，同時(shí)引入端元的L2正則約束和豐度的L1/2正則約束，提出了一種基于平滑和稀疏約束的魯棒非負(fù)矩陣分解(SSC-rNMF)方法。
　　基于SSC-rNMF的解混方法是非監(jiān)督式的，所需的先驗(yàn)信息僅為端元個(gè)數(shù);采用塊坐標(biāo)下降法以乘法迭代的方式，實(shí)現(xiàn)高光譜圖像的低秩分解;并引入符合高光譜解混特性的正則化，減小矩陣分解的解空間。不同于NMF，SSC-rNMF算法通過對非負(fù)的異常項(xiàng)進(jìn)行乘法迭代計(jì)算，使其描述非線性因素