基于图拉普拉斯正则化的柯西非负矩阵分解高光谱解混
摘要
基于欧氏距离标准的非负矩阵分解（NMF）在面对含有噪声和异常像元污染的高光谱图像时，容易造成解混的失败。为了抑制噪声或异常像元的影响，采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱图像内在的丰度结构，因此为保证原始高光谱内部数据不被破坏，将图拉普拉斯约束引入模型中。同时，为提高丰度矩阵的稀疏性，提高解混性能，引入重加权稀疏约束项，提出基于图拉普拉斯正则化的柯西非负矩阵（CNMF-GLR）分解的算法。考虑到图拉普拉斯约束对邻域选择的需求，使用局部邻域加权的方法，通过矩形窗结构来确定局部邻域。在模拟数据集和真实数据集上使用相同初始化条件与其他经典算法进行比较，结果表明，所提算法具有更好的鲁棒性和解混性能。
引用本文（GB/T 7714）
陈善学 Chen Shanxue, 许少华 Xu Shaohua. 基于图拉普拉斯正则化的柯西非负矩阵分解高光谱解混[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。