基于非負(fù)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(gè)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(shí)際的高光譜遙感圖像中，一個(gè)像元對(duì)應(yīng)的實(shí)際地物可能是若干種物質(zhì)的混合，即構(gòu)成了“混合像元”。混合像元分解的目的是把“混合像元”分解成各種物質(zhì)的光譜向量（端元）和它們對(duì)應(yīng)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(chǔ)。
　　非負(fù)矩陣分解(Nonnegative Mat

2、rix Factorization，NMF)即把一個(gè)非負(fù)矩陣分解成另外兩個(gè)非負(fù)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(lái)解決高光譜混合像元分解問(wèn)題。本文利用高光譜圖像的物理以及地理特性，在非負(fù)矩陣分解模型的基礎(chǔ)上，增加了有效的正則約束項(xiàng)，并優(yōu)化了求解方法。本文的主要工作如下:
　　1.針對(duì)隨機(jī)初始化端元和豐度矩陣時(shí)迭代求解速度慢，且結(jié)果易陷入局部極小等問(wèn)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(shí)才能夠提取出端元，但使用該算法的結(jié)果可以有一個(gè)較優(yōu)的初始值，從而可以加快收斂速度并使結(jié)果避免陷入局部極小值。
　　2.針對(duì)傳統(tǒng)非負(fù)矩陣分解算法依賴迭代初始值和對(duì)噪聲的魯棒性能差等問(wèn)題，我們提出了基于稀疏和最小體積約束的非負(fù)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(gòu)成的單形體的體積特性，將豐度的稀疏性和端元所構(gòu)成單形體體積的最小化約束作為正則

4、項(xiàng)加入到非負(fù)矩陣分解目標(biāo)函數(shù)中。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠避免陷入局部最小值，同時(shí)具有良好的收斂性和魯棒性。
　　3.針對(duì)常規(guī)約束非負(fù)矩陣分解算法未能有效利用光譜空間信息等問(wèn)題，我們提出了改進(jìn)的基于光譜空間信息約束的非負(fù)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(fù)矩陣分解中來(lái)，并且優(yōu)化了目標(biāo)函數(shù)中的稀疏約束項(xiàng)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的方法有效地提高了混合像元分解的精度，同時(shí)也加快了算法