修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

13 条数据
?? 中文（中国） ▾

  • 利用非负矩阵分解和误差校正的遥感图像云去除方法

    摘要： 在光学遥感平台的成像过程中，云层是传感器有效观测不可避免的障碍。为恢复被云层及其伴随阴影遮蔽的原始信息，本文提出了一种非负矩阵分解（NMF）与误差校正方法（S-NMF-EC）。首先，基于时空非局部滤波数据融合模型（STNLFFM），利用参考图像和两幅及以上低分辨率图像获取无云融合参考图像；其次，基于NMF利用该无云参考图像去除云污染图像中的云层覆盖；最后通过误差校正进一步优化去云结果。值得注意的是，S-NMF-EC无需云检测步骤，且能最大限度保留云污染图像中的无云信息。通过模拟与真实数据实验验证了所提S-NMF-EC方法的有效性。与其他去云方法相比，结果表明S-NMF-EC在视觉效果和定量指标（相关系数≥0.99）上均能有效去除厚云、薄云及阴影。

    关键词： 非负矩阵分解，多时相，光学遥感影像，误差校正，云去除

    更新于2025-09-23 15:23:52

  • [2018年第三届IEEE信号与图像处理国际会议（ICSIP）- 中国深圳（2018.7.13-2018.7.15）] 2018年第三届IEEE信号与图像处理国际会议（ICSIP）- 高光谱解混的鲁棒非负局部坐标分解

    摘要： 近年来，非负矩阵分解（NMF）在高光谱解混（HU）领域日益受到关注。由于NMF理论具有非凸特性，其对初始值和各类噪声较为敏感。为获得更精确、鲁棒的解混模型，本文提出一种名为鲁棒非负局部坐标分解（RNLCF）的新方法。该方法在融合经典NMF函数与相关熵诱导度量NMF函数的复合损失函数中引入局部坐标约束。针对RNLCF的求解，我们开发了乘法更新规则。合成数据与真实数据的实验结果表明，相较于代表性方法，RNLCF具有显著有效性。

    关键词： 局部坐标，相关熵诱导度量，高光谱解混（HU），非负矩阵分解（NMF）

    更新于2025-09-23 15:22:29

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于<tex>$\ell_{q}$</tex>正则化的盲非线性高光谱解混方法

    摘要： 高光谱解混包括估计高光谱图像中纯净物质的光谱（端元）及其对应的丰度。本文提出了一种盲非线性高光谱解混算法。该算法利用lq正则化器促进稀疏的丰度图谱，并假设光谱是按照广义双线性模型的扩展版本（称为Fan模型）进行混合的。该算法使用模拟和真实的高光谱数据进行评估。

    关键词： 非负矩阵分解、光谱解混、双线性模型、高光谱图像

    更新于2025-09-23 15:22:29

  • 基于非凸稀疏性与非局部平滑性的盲高光谱解混

    摘要： 盲高光谱解混（HU）作为高光谱数据利用的关键技术，旨在将混合像素分解为若干组分材料及其对应丰度权重的集合。近年来，基于非负矩阵分解（NMF）的方法在该任务中日益流行并取得良好效果。现有研究主要探索了丰度的两种特性——稀疏性与结构平滑性，证实其对盲解混具有重要作用。然而先前方法均未考虑自然高光谱图像（HSI）的另一关键特性——非局部平滑性，即大区域中相似像元块共享相近的平滑结构。借鉴其他任务的先验经验，这种结构反映了高光谱图像的内在配置规律，有望显著提升解混性能。 本文首次将非局部总变分（NLTV）正则项引入高光谱图像建模，通过充分挖掘其内在结构进一步推广为非局部高光谱TV（NLHTV）以适配盲解混任务。结合表征丰度图稀疏性的非凸对数和正则项，我们分别构建了NLTV/NLHTV正则化NMF模型与对数和正则化NMF模型（NLTV-LSRNMF/NLHTV-LSRNMF）?；诮惶嬗呕呗裕ˋOS）和乘子交替方向法（ADMM），设计了高效求解算法。在仿真与真实高光谱数据集上的大量实验验证了所提方法较其他竞争方案在盲解混任务中的优越性。

    关键词： 对数和惩罚、非负矩阵分解、非局部全变分正则化、盲解混、高光谱成像

    更新于2025-09-23 15:22:29

  • 用于MALDI成像应用的监督非负矩阵分解方法

    摘要： 动机：非负矩阵分解（NMF）是获取非负数据矩阵低秩近似值的常用工具，在机器学习领域应用广泛，例如用于支持高维分类任务中的特征提取。传统形式的NMF属于无监督方法，即在计算NMF时不使用训练数据的类别标签。然而，将分类标签纳入NMF算法能够有针对性地引导其提取与区分相应类别相关的数据模式。该方法特别适用于临床应用中质谱成像（MSI）数据的分析，例如肿瘤分型与分类——这些都属于病理学中最具挑战性的任务。因此，我们研究了通过NMF方法从MSI数据中提取肿瘤特异性光谱模式的算法。 结果：本文通过在NMF成本函数中添加适当的监督惩罚项，将先验类别标签纳入其中。基于MALDI成像数据集的数值实验表明，相较于其他标准方法，新型监督式NMF方法能显著提升分类准确率与稳定性。

    关键词： 基质辅助激光解吸电离成像、肿瘤分型、非负矩阵分解、质谱成像、监督学习

    更新于2025-09-23 15:21:01

  • [2019年IEEE第八届先进光电子学与激光国际会议(CAOL) - 保加利亚索佐波尔(2019.9.6-2019.9.8)] 2019年IEEE第八届先进光电子学与激光国际会议(CAOL) - 用于高功率激光装置中波前畸变补偿的宽口径可变形反射镜

    摘要： 本文研究了确定性盲源分离问题，提出了一种融合独立向量分析（IVA）与非负矩阵分解（NMF）的新方法。IVA作为前沿技术能利用混合信号中声源的统计独立性，且已有高效优化方案。但由于IVA的声源模型基于球形多元分布，无法捕捉音高乐器声等特定频谱结构（如谐波结构）。为此，我们在IVA中引入NMF分解作为声源模型来捕获频谱结构。该方法公式推导源自传统多通道NMF（MNMF），揭示了MNMF与IVA的关联。通过IVA和单通道NMF的更新规则即可优化本方法。实验结果表明，在分离精度和收敛速度方面，本方法较IVA和MNMF更具优势。

    关键词： 确定性、独立向量分析、盲源分离、非负矩阵分解

    更新于2025-09-23 15:19:57

  • 一种高效的大规模拉曼显微光谱数据分析定量高光谱图像解混方法

    摘要： 振动显微光谱是一种强大的光学工具，可为众多化学和生物医学应用提供无创、无标记的化学特异性成像。然而拉曼显微光谱产生的高光谱图像通常包含数千个离散像素点，每个像素点都具有上千个波数对应的独立拉曼光谱，因此需要合适的图像解混计算方法来提取图像生化成分的非负空间浓度分布及相应的非负光谱特征。本文提出一种新型高效的大规模拉曼显微光谱数据分析方法——定量高光谱图像解混技术(Q-HIU)。该方法通过三个步骤实现多组拉曼高光谱图像的同步分析：(i) 结合创新性自动分裂相关技术的奇异值分解，可自主过滤数据中空间与光谱无关的噪声；(ii) 采用新开发的底部高斯拟合算法稳健去除荧光背景；(iii) 高效的定量无监督/半监督非负矩阵分解方法，能在无先验信息或仅已知部分样本成分的情况下，严格提取样本生化成分的非负空间浓度图谱与光谱特征。相比现有先进方法，本方案在人工数据和真实实验数据验证中均能以数量级缩短的计算时间获得显著更精确的结果。我们将Q-HIU应用于人体动脉粥样硬化主动脉组织的大规模拉曼高光谱图像分析，结果表明该方法能有效提取并量化包含高低浓度化合物的组织生化组成。除胆固醇/胆固醇酯、甘油三酯和羟基磷灰石晶体等动脉粥样硬化典型标志物外，Q-HIU还识别出与主动脉组织斑块病变共定位的氧化修饰脂质显著富集区，可能反映这些区域持续存在的炎症和氧化损伤（进而促进疾病病理进程）。对于病变组织中的微量化学成分，Q-HIU能从含3%噪声和94%荧光背景干扰的原始拉曼强度矩阵中，检测到相对平均拉曼浓度低至0.09%的羟基磷灰石和0.04%的β-胡萝卜素特征信号。

    关键词： 基线校正、生化定量、高光谱图像分析、多元曲线分辨、非负矩阵分解、拉曼光谱

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于相对属性的解混

    摘要： 某一类别混合像素的丰度可理解为获取该类别纯代表物的相对评分，而非以"1或0"这类绝对离散值进行分类。这与计算机视觉中的相对属性学习（RAL）问题相契合。RAL采用"相对属性"概念，通过基于rankSVM框架的排序学习问题获得评分，来描述对象对某类别的归属程度。为利用数据样本间乃至混合像素间的信息，首次提出基于相对属性的解混方法（RAU），该方法用相对属性描述混合像素丰度作为某类别的相对纯度，并通过rankSVM学习丰度。利用报道的核原型分析（KAA）解混方法生成的原型体构建rankSVM训练比较集来处理混合数据样本，同时通过KAA获得的同义光谱构建比较集以解决光谱变异问题。在合成与真实高光谱混合图像上的实验均表明，该方法对混合像素分析具有潜在价值。

    关键词： 相对属性、光谱解混、高光谱图像、非负矩阵分解、光谱可变性

    更新于2025-09-10 09:29:36

  • 基于双约束多层非负矩阵分解的高光谱解混方法

    摘要： 高光谱解混（HU）是指将整幅高光谱图像分解为一组端元及其对应丰度分数的过程。非负矩阵分解（NMF）因其简单高效而被广泛应用于高光谱解混。由于传统NMF存在较大的解空间，学界也发展了许多NMF扩展方法。另一方面，多层结构在学习数据表征方面展现出显著优势。受此启发，本文在多层NMF结构中引入稀疏性和几何结构约束，提出了一种用于高光谱解混的双约束多层NMF（DCMLNMF）方法。该多层NMF结构通过迭代将目标矩阵分解为多个层级获得。为提升解混性能，每层均引入丰度矩阵的稀疏性约束项和图正则化项。此外，还进一步提出基于Nesterov最优梯度法的逐层优化方法来解决多因子NMF问题?；诤铣墒莺驼媸凳莸氖笛榻峁砻?，该方法优于多种现有先进算法。

    关键词： 稀疏性约束、高光谱解混、图正则化、多层结构、非负矩阵分解

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 用于稳健高光谱解混的约束非负矩阵分解

    摘要： 高光谱解混（HU）是高光谱图像（HSI）分析的关键步骤。实际高光谱数据中常存在特定波段的异常波动，这类干扰可视为稀疏噪声。此类污染会严重破坏高光谱图像质量，导致解混过程面临额外困难。然而现有解混方法往往忽略稀疏噪声的影响，从而降低了解混任务的鲁棒性与准确性。为此，我们提出一种考虑噪声污染的新型解混模型。通过在非负矩阵分解（NMF）中设计并施加考虑噪声稀疏性、端元特性及丰度特性的约束条件，该方法能有效抑制稀疏噪声，获得更鲁棒精确的解混结果。我们在合成与真实高光谱数据上进行了充分实验，结果表明所提方法较现有先进方法具有显著优势。

    关键词： 稀疏噪声，高光谱解混，非负矩阵分解，鲁棒性，约束

    更新于2025-09-10 09:29:36