用于高光谱图像解混的空谱重加权稀疏多层非负矩阵分解OA北大核心CSTPCD

针对多层非负矩阵分解不能充分利用高光谱遥感图像的空间-光谱特征,以及高光谱图像中普遍存在的噪声问题,本文提出一种新的空间-光谱重加权的稀疏多层非负矩阵分解的解混算法。首先,采用子空间聚类算法构建高光谱图像的空间特征空间权重。其次,使用超像素分割算法对高光谱图像进行超像素分割,并计算超像素之间的相似度,使用KMEANS++算法对超像素进行聚类,接着在超像素内部计算像素级相似度,以此构建出光谱权重。将空间权重和光谱权重融合,融合之后的空间-光谱权重用于表征高光谱图像的空间-光谱信息。然后,使用SUnSAL算法计算稀疏降噪权重,可以有效降低噪声对解混性能的影响。最后,通过L14范数对模型的端元和丰度进行约束,以提升模型的解混性能。与五种解混算法的实验结果进行对比,所提算法在合成数据集上计算所得的平均光谱角距离和均方根误差均为最优,在Jasper Ridge和Cuprite两个真实数据集上也取得良好的解混结果。所提算法在各个数据集上的端元估计误差降低1.49%~4.68%,丰度估计误差降低1.83%~4.18%。