研究目的
通过将非局部平滑性和稀疏性先验引入非负矩阵分解模型，将高光谱图像中的混合像素分解为组成物质及其分数丰度。
研究成果
所提出的NLTV-LSRNMF和NLHTV-LSRNMF模型有效融合了非局部平滑性与稀疏性先验，在盲高光谱解混任务中优于现有最优方法。未来工作应聚焦于更优的初始化策略及更多正则项的探索。
研究不足
这些模型具有非凸性且对初始化敏感；在强噪声或初始猜测不佳的情况下，性能可能会下降。参数选择（如λ、τ、ρ）需要通过实验调整，且计算复杂度会随着搜索窗口的增大而增加。
1：实验设计与方法选择：
本研究采用非负矩阵分解（NMF）并附加稀疏性正则化项（对数和惩罚）与非局部平滑性约束（NLTV和NLHTV）。设计基于交替优化策略（AOS）和交替方向乘子法（ADMM）的优化算法求解模型。
2：样本选择与数据来源：
使用美国地质调查局光谱库生成的模拟数据立方体（DC1和DC2），以及真实高光谱数据集（HYDICE Urban和AVIRIS Cuprite）。
3：实验设备与材料清单：
高光谱传感器（HYDICE和AVIRIS）、用于算法实现的MATLAB软件。
4：实验流程与操作步骤：
初始化端元与丰度，应用所提算法进行估计，并通过均方根误差（RMSE）、光谱角距离（SAD）和相对误差（REL）等指标评估模拟与真实数据的性能。
5：数据分析方法：
采用相对Frobenius误差（REL）、光谱角距离（SAD）和均方根误差（RMSE）评估性能。
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-
MATLAB
2014b
MathWorks
Software used for implementing and running the algorithms and experiments.
-
HYDICE
Hyperspectral sensor used to capture the Urban dataset.
-
AVIRIS
Hyperspectral sensor used to capture the Cuprite dataset.
-
USGS Spectral Library
USGS
Digital spectral library used for generating simulated data and reference endmembers.
-
登录查看剩余2件设备及参数对照表
查看全部
