留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于体积和稀疏约束的高光谱混合像元分解算法

魏一苇 黄世奇 王艺婷 卢云龙 刘代志

魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志. 基于体积和稀疏约束的高光谱混合像元分解算法[J]. 红外与激光工程, 2014, 43(4): 1247-1254.
引用本文: 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志. 基于体积和稀疏约束的高光谱混合像元分解算法[J]. 红外与激光工程, 2014, 43(4): 1247-1254.
Wei Yiwei, Huang Shiqi, Wang Yiting, Lu Yunlong, Liu Daizhi. Volume and sparseness constrained algorithm for hyperspectral unmixing[J]. Infrared and Laser Engineering, 2014, 43(4): 1247-1254.
Citation: Wei Yiwei, Huang Shiqi, Wang Yiting, Lu Yunlong, Liu Daizhi. Volume and sparseness constrained algorithm for hyperspectral unmixing[J]. Infrared and Laser Engineering, 2014, 43(4): 1247-1254.

基于体积和稀疏约束的高光谱混合像元分解算法

基金项目: 

国家自然科学基金(41174093)

详细信息
    作者简介:

    魏一苇(1985- ),女,硕士生,主要从事高光谱图像处理与应用方面的研究工作。Email:ddxy204@163.com;刘代志(1960- ),男,博士,教授,博士生导师,主要从事信号与信息处理、军事地球物理方面的研究工作。Email:daizhiliu@163.com

    魏一苇(1985- ),女,硕士生,主要从事高光谱图像处理与应用方面的研究工作。Email:ddxy204@163.com;刘代志(1960- ),男,博士,教授,博士生导师,主要从事信号与信息处理、军事地球物理方面的研究工作。Email:daizhiliu@163.com

  • 中图分类号: TP75

Volume and sparseness constrained algorithm for hyperspectral unmixing

  • 摘要: 针对传统非负矩阵分解法中解空间较大、存在大量局部极小值的问题,提出了一种基于单形体体积和丰度稀疏性约束的非负矩阵分解法(Volume and Sparseness Constrained NMF,VSC-NMF)。该方法首先使用顶点成分分析法对高光谱图像进行端元提取,将其作为端元矩阵的初始值,可达到加速算法收敛的目的;然后,在目标函数中加入单形体体积最小化约束和丰度稀疏性约束,从而实现对混合像元进行较好的分解。实验结果表明,该方法不仅能有效地克服传统非负矩阵分解法的缺陷,而且能估计出精确的端元和对应的丰度,获得满意的解混效果,尤其适用于稀疏度较高的高光谱图像。
  • [1]
    [2] Boardman J. Automating spectral unmixing of AVIRIS data using convex geometry concepts[C]//JPL Airborne Geoscience Workshop, JPL Publication 93-26, 1993, 1: 11-14.
    [3]
    [4] Winter M E. N-Find: an algorithm for fast autonomous spectral end member determination in hyperspectral data[C]// SPIE's International Sym-posium on Optical Science, Engineering, and Instrumentation. International Society for Optics and Photonics, 1999: 266-275.
    [5]
    [6] Nascimento J M P, Bioucas-Dias J M. Vertex component analysis: A fast algorithm to unmix hyperspectral data [J]. IEEE Transactions on Geo-science and Remote Sensing, 2005, 43(4): 898-910.
    [7] Bayliss J, Gualtieri J. A nalyzing hyperspectral data with independent component analysis [C]//26th AIPR Workshop: Exploiting New Image Sources and Sensors. International Society for Optics and Photonics, 1998: 133-143.
    [8]
    [9] Bioucas-Dias J M, Plaza A, Dobigeon N. Hyperspectral unmixing overview: geometrical, statis-tical and sparse regression-based approaches [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(2): 354-379.
    [10]
    [11] Yuan Liyin, Wang Jianyu. Optical design and test of a infrared hyperspectral imaging system[J]. Infrared and Laser Engineering, 2010, 39(6): 1075-1078. (in Chinese) 袁立银, 王建宇.红外高光谱成像系统光学设计及检测[J]. 红外与激光工程, 2010, 39(6): 1075-1078.
    [12]
    [13] Z hang Meng, Zhao Huijie. Analysis of the influence of hyper-spectral spectral resolution on the mineral recognition[J]. Infrared and Laser Engineering, 2006, 35: 493-498. (in Chinese) 张萌, 赵慧洁. 高光谱数据光谱分辨率对矿物识别的影响 分析[J]. 红外与激光工程, 2006, 35: 493-498.
    [14]
    [15]
    [16] Pan Banglong, Yi Weining. Geostatistics algorithm design on hyperspectral inversion of total phosphorus of lake [J]. Infrared and Laser Engineering, 2012, 41 (5): 1255-1260. (in Chinese) 潘邦龙, 易维宁. 湖泊水体高光谱遥感反演总磷的地统计 算法设计[J]. 红外与激光工程, 2012, 41(5): 1255-1260.
    [17] Lee D D, Seung H S. Algorithms for non-negative matrix factorization[J]. Advances in Neural Information Processing Systems, 2001, 13: 556-562.
    [18]
    [19] Chen Z, Cichocki A. Non-negative matrix factorization with temporal smoothness and/or spatial decorrelation constraints[J]. Laboratory for Advanced Brain Signal Processing, RIKEN, Tech Rep, 2005.
    [20]
    [21]
    [22] Li M, Qi H. End-member extraction from highly mixed data using minimum volume constrained nonnegative matrix factorization [J]. IEEE Tran-sactions on Geoscience and Remote Sensing, 2007, 45(3): 765-777.
    [23]
    [24] Jia S, Qian Y. Constrained nonnegative matrix factorization for hyperspectral unmixing [J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(1): 161-173.
    [25]
    [26] Qian Y, Jia S. Hyperspectral unmixing via L1/2 sparsity-constrained nonnegative matrix factori-zation [J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49 (11): 4282-4297.
    [27] Lee D D, Seung H S. Learning the parts of objects by nonnegative matrix factorization [J]. Nature, 1999, 401 (6755): 788-791.
    [28]
    [29]
    [30] Zhang Bing, Gao Lianru. Hyperspectral Image Classification and Target Detection [M]. Beijing: Science Press, 2011. (in Chinese) 张兵, 高连如. 高光谱图像分类与目标探测[M]. 北京: 科 学出版社, 2011.
    [31] Hoyer P O. Non-negative matrix factorization with sparseness constraints[J]. The Journal of Machine Learning Research, 2004, 5: 1457-1469.
  • [1] 贾麒, 廖守亿, 张作宇, 杨薪洁.  重加权稀疏非负矩阵分解的高光谱解混 . 红外与激光工程, 2020, 49(S2): 20200152-20200152. doi: 10.3788/IRLA20200152
    [2] 甘士忠, 肖志涛, 陈雷, 南瑞杰.  基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
    [3] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [4] 潘斌, 张宁, 史振威, 谢少彪.  基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
    [5] 王忠良, 冯文田, 粘永健.  结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
    [6] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [7] 徐晨光, 邓承志, 朱华生.  近似稀疏约束的多层非负矩阵分解高光谱解混 . 红外与激光工程, 2018, 47(11): 1117010-1117010(9). doi: 10.3788/IRLA201847.1117010
    [8] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [9] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [10] 吴静珠, 刘倩, 陈岩, 刘翠玲.  高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
    [11] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [12] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [13] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [14] 赵慧洁, 李明康, 李娜, 丁昊, 蔡辉.  一种基于改进子空间划分的波段选择方法 . 红外与激光工程, 2015, 44(10): 3155-3160.
    [15] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [16] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [17] 邓承志, 张绍泉, 汪胜前, 田伟, 朱华生, 胡赛凤.  L1稀疏正则化的高光谱混合像元分解算法比较 . 红外与激光工程, 2015, 44(3): 1092-1097.
    [18] 尹继豪, 孙建颖.  基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
    [19] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [20] 安振宇, 史振威.  基于sc-NMF的高光谱图像融合 . 红外与激光工程, 2013, 42(10): 2718-2723.
  • 加载中
计量
  • 文章访问数:  708
  • HTML全文浏览量:  37
  • PDF下载量:  251
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-08-10
  • 修回日期:  2013-09-25
  • 刊出日期:  2014-04-25

基于体积和稀疏约束的高光谱混合像元分解算法

    作者简介:

    魏一苇(1985- ),女,硕士生,主要从事高光谱图像处理与应用方面的研究工作。Email:ddxy204@163.com;刘代志(1960- ),男,博士,教授,博士生导师,主要从事信号与信息处理、军事地球物理方面的研究工作。Email:daizhiliu@163.com

    魏一苇(1985- ),女,硕士生,主要从事高光谱图像处理与应用方面的研究工作。Email:ddxy204@163.com;刘代志(1960- ),男,博士,教授,博士生导师,主要从事信号与信息处理、军事地球物理方面的研究工作。Email:daizhiliu@163.com

基金项目:

国家自然科学基金(41174093)

  • 中图分类号: TP75

摘要: 针对传统非负矩阵分解法中解空间较大、存在大量局部极小值的问题,提出了一种基于单形体体积和丰度稀疏性约束的非负矩阵分解法(Volume and Sparseness Constrained NMF,VSC-NMF)。该方法首先使用顶点成分分析法对高光谱图像进行端元提取,将其作为端元矩阵的初始值,可达到加速算法收敛的目的;然后,在目标函数中加入单形体体积最小化约束和丰度稀疏性约束,从而实现对混合像元进行较好的分解。实验结果表明,该方法不仅能有效地克服传统非负矩阵分解法的缺陷,而且能估计出精确的端元和对应的丰度,获得满意的解混效果,尤其适用于稀疏度较高的高光谱图像。

English Abstract

参考文献 (31)

目录

    /

    返回文章
    返回