研究目的
开发一种盲非线性高光谱解混算法,该算法通过采用lq正则化器促进稀疏性并利用Fan模型进行光谱混合来估计端元和丰度。
研究成果
提出的FAq算法通过利用稀疏性促进和Fan模型,有效实现了盲非线性高光谱解混。在模拟数据中,该算法以更低的SAD和MSE指标优于现有方法;在真实数据上则展现出具有竞争力的结果,重建误差更低。采用lq和l2正则化有助于稳健估计,表明其在复杂场景中具有改进解混效果的潜力,不过后续工作可扩展至自动r参数估计及其他非线性模型。
研究不足
该算法假设端元数量(r)是先验已知的,但在实际应用中这一条件未必总能满足。它专为双线性混合设计,可能无法处理高阶非线性或其他类型的混合情况。其性能依赖于准确的参数调优(例如使用EBIC),且对于大型数据集而言计算复杂度可能较高。
1:实验设计与方法选择:
该算法采用循环下降(CD)方法进行最小化处理,基于广义双线性模型(Fan模型),结合lq正则化器实现稀疏性约束,以及l2正则化器处理交互系数。
2:样本选择与数据来源:
模拟数据生成参数为P=1024像素、r=3个端元(源自USGS光谱库150个光谱特征)、M=222个光谱波段,包含50%线性混合与50%双线性混合并添加高斯噪声;真实数据来自加州莫菲特场地的AVIRIS高光谱影像,选取50×50子图像(含r=3个端元:土壤、水体、植被),去除噪声波段后保留181个光谱波段。
3:实验设备与材料清单:
高光谱传感器(如真实数据采用的AVIRIS)、算法实现的计算工具。
4:实验流程与操作步骤:
通过顶点成分分析(VCA)初始化端元,采用非负回归估计丰度值,利用带指定更新规则的CD算法迭代更新交互系数、丰度及端元,施加非负性与和为1的约束条件,并通过EBIC方法调参(r、hS、λ)。
5:数据分析方法:
采用光谱角距离(SAD)评估端元估计效果,以均方误差(MSE)衡量丰度与交互系数,用重建误差(RE)评估图像保真度;对比方法包括VCA+FCLS、VCA+GBM、L1/2-NMF。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容