基于谱线形状与信息量差异的高光谱 解混NMF初始化方法
  • 【DOI】

    10.6046/gtzyyg.2017.04.17

  • 【摘要】

    在高光谱像元解混应用中,好的端元光谱矩阵初始化方法对于提高盲信号分解精度具有重要意义.针对空间分辨率较高的高光谱数据,提出了一种新的面向非负矩阵分解(non-negative matrix factorization,NMF)的初始化方法.该方法通过计算像元在谱线形状和信息量差异等方面的参数,利用像元谱线峭度、KL散度和光谱角等参量,从众多混合像元中识别出纯像元;并分辨出不同类型纯像元(或类纯像元... 展开>>在高光谱像元解混应用中,好的端元光谱矩阵初始化方法对于提高盲信号分解精度具有重要意义.针对空间分辨率较高的高光谱数据,提出了一种新的面向非负矩阵分解(non-negative matrix factorization,NMF)的初始化方法.该方法通过计算像元在谱线形状和信息量差异等方面的参数,利用像元谱线峭度、KL散度和光谱角等参量,从众多混合像元中识别出纯像元;并分辨出不同类型纯像元(或类纯像元)之间的差别,从中选择最适合代表每一类型端元的纯像元(或类纯像元)作为算法的初值像元,完成端元矩阵的初始化.将此方法分别用于模拟数据和真实数据的实验结果表明,该方法能够明显提高高光谱混合数据的NMF精度,相比其他常用初始化方法具有更好的效果. 收起<<

  • 【作者】

    袁德有  袁林 

  • 【作者单位】

    南阳理工学院数学与统计学院/南阳理工学院经济管理学院

  • 【刊期】

    国土资源遥感 ISTIC PKU 2017年4期

  • 【关键词】

    初始化  盲信号分解  非负矩阵分解(NMF)  谱线形状  信息量差异  initialization  blind signal separation  non-negative matrix factorization( NMF)  spectral shape  in-formation dissimilarity 

  • 【基金项目】

    河南省高等学校重点科研项目"Smith正规型在有限域上有理点个数中的应用"