L<sub>1</sub>稀疏正则化的高光谱混合像元分解算法比较

邓承志; 张绍泉; 汪胜前; 田伟; 朱华生; 胡赛凤

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

L₁稀疏正则化的高光谱混合像元分解算法比较

邓承志, 张绍泉, 汪胜前, 田伟, 朱华生, 胡赛凤

文章导航 > 红外与激光工程 > 2015 > 44(3): 1092-1097

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[J]. 红外与激光工程, 2015, 44(3): 1092-1097.

引用本文:

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[J]. 红外与激光工程, 2015, 44(3): 1092-1097.

Deng Chengzhi, Zhang Shaoquan, Wang Shengqian, Tian Wei, Zhu Huasheng, Hu Saifeng. Hyperspectral unmixing algorithm based on L1 regularization[J]. Infrared and Laser Engineering, 2015, 44(3): 1092-1097.

Citation:

Deng Chengzhi, Zhang Shaoquan, Wang Shengqian, Tian Wei, Zhu Huasheng, Hu Saifeng. Hyperspectral unmixing algorithm based on L₁ regularization[J]. Infrared and Laser Engineering, 2015, 44(3): 1092-1097.

L₁稀疏正则化的高光谱混合像元分解算法比较

1.
南昌工程学院信息工程学院,江西南昌330099

基金项目:

国家自然科学基金(61162022,61362036);江西省自然科学基金(20132BAB201021);江西省科技落地计划(KJLD12098);江西省教育厅科技项目(GJJ12632)

详细信息

作者简介:
邓承志(1980-),男,副教授,博士,主要从事.感影像处理方面的研究.Email:dengchengzhi@126.com

中图分类号: TP753

Hyperspectral unmixing algorithm based on L₁ regularization

1.
Department of Information Engineering,Nanchang Institute of Technology,Nanchang 330099,China

摘要: 基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点.主要研究了L1正则化的高光谱混合像元分解算法.首先分析了L1正则化的三种解混模型,即无约束、非负约束和全约束模型;然后给出了三种模型对应的数值求解算法;最后,采用模拟的和真实的高光谱数据进行实验,比较了三种高光谱混合像元分解算法的效果.实验结果表明:三种模型均具有很好的高光谱混合像元分解精度(SRE),其中全约束模型最好,非负约束模型次之,无约束模型最差;全约束模型在信噪比低和端元数多的情况下,仍然获得较高的SRE.
- 高光谱 /
- 混合像元分解 /
- 稀疏性 /
- 增广拉格朗日
Abstract: Hyperspectral unmixing based on sparsity is a research hotspot in recent years. This paper studies the hyperspectral unmixing algorithms based on L1 regularization. First we analyzed three unmixing models, including unconstrained model, non-negative constraint model and full-constrained model. And then the corresponding algorithms are presented. In the end, both simulated and real hyperspectral data sets are used to compare and evaluate the proposed three hyperspectral unmixing algorithms. Experimental results demonstrate that three models all have good high-precision. The full constrained model achieves the best unmixing precision(SRE). The non-negative constrained model is better. And the unconstrained model is worst. In particular, the fully constrained model achieves the higher SRE under the low signal to noise ratio and a large amount of endmembers situation.
- hyperspectral /
- unmixing /
- sparsity /
- augmented Lagrangian

[1]
[2]	Dias J M, Plaza A, Nicolas D. Hyperspectral unmixing overview: geometrical, statistical, and sparse regression-based approaches [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(2): 354-379.
[3]	Nirmal K, Mustard J F. Spectral unmixing [J]. IEEE Signal Processing Magazine, 2002, 19(1): 44-57.
[4]
[5]
[6]	Iordache M D, Dias J, Plaza A． Umixing sparse hyperspectral mixtures[C]//First IEEE GRSS Workshop on Hyperspectral Image and Signal Processing, 2009, 4: 85-88．
[7]	Iordache M, Bioucas-Dias J M, Plaza A. Sparse unmixing of hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2014-2039.
[8]
[9]
[10]	Lu X Q, Wu H, Yuan Y. Manifold regularized sparse NMF for hyperspectral unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(5): 2815-2826.
[11]	Zhao X L, Wang F, Huang T Z. Deblurring and sparse unmixing for hyperspectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(7): 4045-4058.
[12]
[13]
[14]	Wu Zhebin, Wei Zhihui, Sun Le, et al. Hyperspectral unmixing based on iterative weighted L1 regularization[J]. Journal of Nanjing University of Science and Technology, 2011, 35(4): 431-435. (in Chinese) 吴泽彬, 韦志辉, 孙乐, 等. 基于迭代加权L1正则化的高光谱混合像元分解[J]. 南京理工大学学报, 2011, 35(4): 431-435.
[15]	Iordache M D, Dias J, Plaza A. Total variation spatial regularization for sparse hyperspectral unmixing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(11): 4484-4502.
[16]
[17]	Candes E J, Romberg J, Tao T. Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory, 2006, 52(2): 489-509.
[18]
[19]	Afonso M V, Dias J, Figueiredo M. Fast image recovery using variable splitting and constrained optimization[J]. IEEE Transactions on Image Processing, 2010, 19(9): 2345.

[1]	邓可望, 赵慧洁, 李娜, 蔡辉. 基于改进样本驱动的高光谱矿物识别模型压缩方法 . 红外与激光工程, 2022, 51(3): 20210252-1-20210252-9. doi: 10.3788/IRLA20210252
[2]	贺文静, 胡坚, 陈育伟, 潘苗苗, 朱运维, 何锐斌, 李传荣. 共孔径主被动高光谱三维成像实时处理框架 . 红外与激光工程, 2021, 50(2): 20200249-1-20200249-9. doi: 10.3788/IRLA20200249
[3]	王雷光, 耿若筝, 代沁伶, 王军, 郑晨, 付志涛. 高光谱-LiDAR 融合的条件随机场分类方法 . 红外与激光工程, 2021, 50(12): 20210112-1-20210112-12. doi: 10.3788/IRLA20210112
[4]	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
[5]	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
[6]	熊伟. “高分五号”卫星大气主要温室气体监测仪(特邀) . 红外与激光工程, 2019, 48(3): 303002-0303002(7). doi: 10.3788/IRLA201948.0303002
[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]	黄达, 黄树彩, 唐意东, 刘锦昌. 模糊识别算法在导弹尾焰光谱识别中的应用 . 红外与激光工程, 2018, 47(7): 704002-0704002(8). doi: 10.3788/IRLA201847.0704002
[9]	张爱武, 康孝岩. p值统计量建模独立性的高光谱波段选择方法 . 红外与激光工程, 2018, 47(9): 926005-0926005(9). doi: 10.3788/IRLA201847.0926005
[10]	范斌, 陈旭, 李碧岑, 赵艳华. “高分五号”卫星光学遥感载荷的技术创新 . 红外与激光工程, 2017, 46(1): 102002-0102002(7). doi: 10.3788/IRLA201746.0102002
[11]	汪家春, 赵大鹏, 杜香华, 王启超, 林志丹, 程立, 李志刚. 基于AOTF的高光谱偏振成像系统设计与实验 . 红外与激光工程, 2017, 46(1): 1136002-1136002(7). doi: 10.3788/IRLA201746.0138002
[12]	徐文斌, 陈伟力, 李军伟, 王广平, 武敬力. 采用长波红外高光谱偏振技术的目标探测实验 . 红外与激光工程, 2017, 46(5): 504005-0504005(7). doi: 10.3788/IRLA201746.0504005
[13]	梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉. 利用成像高光谱区分冬小麦白粉病与条锈病 . 红外与激光工程, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
[14]	梁栋, 杨勤英, 黄文江, 彭代亮, 赵晋陵, 黄林生, 张东彦, 宋晓宇. 基于小波变换与支持向量机回归的冬小麦叶面积指数估算 . 红外与激光工程, 2015, 44(1): 335-340.
[15]	高明辉, 郑玉权, 郭万存. 高光谱与高分辨率CO₂探测仪安装座结构设计 . 红外与激光工程, 2014, 43(12): 3973-3976.
[16]	王晓飞, 侯传龙, 阎秋静, 张钧萍, 汪爱华. 基于相关向量机的高光谱图像噪声评估算法 . 红外与激光工程, 2014, 43(12): 4159-4163.
[17]	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 . 红外与激光工程, 2014, 43(4): 1247-1254.
[18]	王艺婷, 黄世奇, 刘代志, 王百合. 一种新的基于目标检测的波段选择方法 . 红外与激光工程, 2013, 42(8): 2294-2298.
[19]	刘志刚, 卢云龙, 魏一苇. 有监督的高光谱图像伪装目标检测方法 . 红外与激光工程, 2013, 42(11): 3076-3081.
[20]	孟卫华, 倪国强, 高昆, 向静波, 项建胜. 红外高光谱成像的光谱聚焦 . 红外与激光工程, 2013, 42(3): 774-779.

点击查看大图

计量

文章访问数: 331
HTML全文浏览量: 38
PDF下载量: 152
被引次数: 0

L₁稀疏正则化的高光谱混合像元分解算法比较

1. 南昌工程学院信息工程学院,江西南昌330099

作者简介:
邓承志(1980-),男,副教授,博士,主要从事.感影像处理方面的研究.Email:dengchengzhi@126.com

收稿日期: 2014-07-08
修回日期: 2014-08-10

基金项目:

国家自然科学基金(61162022,61362036);江西省自然科学基金(20132BAB201021);江西省科技落地计划(KJLD12098);江西省教育厅科技项目(GJJ12632)

中图分类号: TP753

关键词:

摘要: 基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点.主要研究了L1正则化的高光谱混合像元分解算法.首先分析了L1正则化的三种解混模型,即无约束、非负约束和全约束模型;然后给出了三种模型对应的数值求解算法;最后,采用模拟的和真实的高光谱数据进行实验,比较了三种高光谱混合像元分解算法的效果.实验结果表明:三种模型均具有很好的高光谱混合像元分解精度(SRE),其中全约束模型最好,非负约束模型次之,无约束模型最差;全约束模型在信噪比低和端元数多的情况下,仍然获得较高的SRE.