对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法(Robust minimum volume based algorithm with automatically estimatin...对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法(Robust minimum volume based algorithm with automatically estimating regularization parameters for hyperspectral unmixing,RMVHU).本算法通过引入负数惩罚正则项,替换了同类算法中的丰度非负性约束(Non-negativity constraint,ANC),使算法对图像中的噪声与异常值具有更强的鲁棒性;采用循环最小化方法,将非凸优化问题分解为凸优化子问题,然后应用交替方向乘子法解决随着像素点个数增大带来的求解困难问题;对于正则项系数,本算法提出了一种自适应调整策略,提高了算法的收敛性,并且通过定性分析,说明了该调整方法的合理性.将算法应用于合成数据与实际数据,实验结果表明,与同类算法相比,本文提出的算法能够取得更为优秀的效果.展开更多
基于稀疏的高光谱解混方法作为一类流行的解混方法可以获得较为理想的解混结果。但现有字典裁剪方法只通过一种字典裁剪来得到光谱库子集,会导致得到的光谱库子集不够准确。为提高解混的精度,提出将光谱信息散度和光谱角制图相减作为两...基于稀疏的高光谱解混方法作为一类流行的解混方法可以获得较为理想的解混结果。但现有字典裁剪方法只通过一种字典裁剪来得到光谱库子集,会导致得到的光谱库子集不够准确。为提高解混的精度,提出将光谱信息散度和光谱角制图相减作为两次字典裁剪方法(Spectral Information Divergence minus Spectral Angle Mapping,SS)。两次字典裁剪较一重字典裁剪进一步降低光谱特征不匹配对解混精度的影响,可改善稀疏解混的性能。该文将提出的SS与光谱信息散度、光谱角制图、鲁棒的多重信号分类4种字典裁剪方法用在联合稀疏块低秩解混算法中以来证明两次字典裁剪方法的有效性。展开更多
文摘对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法(Robust minimum volume based algorithm with automatically estimating regularization parameters for hyperspectral unmixing,RMVHU).本算法通过引入负数惩罚正则项,替换了同类算法中的丰度非负性约束(Non-negativity constraint,ANC),使算法对图像中的噪声与异常值具有更强的鲁棒性;采用循环最小化方法,将非凸优化问题分解为凸优化子问题,然后应用交替方向乘子法解决随着像素点个数增大带来的求解困难问题;对于正则项系数,本算法提出了一种自适应调整策略,提高了算法的收敛性,并且通过定性分析,说明了该调整方法的合理性.将算法应用于合成数据与实际数据,实验结果表明,与同类算法相比,本文提出的算法能够取得更为优秀的效果.
文摘基于稀疏的高光谱解混方法作为一类流行的解混方法可以获得较为理想的解混结果。但现有字典裁剪方法只通过一种字典裁剪来得到光谱库子集,会导致得到的光谱库子集不够准确。为提高解混的精度,提出将光谱信息散度和光谱角制图相减作为两次字典裁剪方法(Spectral Information Divergence minus Spectral Angle Mapping,SS)。两次字典裁剪较一重字典裁剪进一步降低光谱特征不匹配对解混精度的影响,可改善稀疏解混的性能。该文将提出的SS与光谱信息散度、光谱角制图、鲁棒的多重信号分类4种字典裁剪方法用在联合稀疏块低秩解混算法中以来证明两次字典裁剪方法的有效性。
