石悦,王宏琦,郭新毅
(1 中国科学院电子学研究所, 北京 100190; 2 中国科学院网络信息体系技术科技创新重点实验室, 北京 100190;3 中国科学院大学, 北京 100049; 4 国电联合动力技术有限公司, 北京 100039)(2018年11月12日收稿; 2019年3月18日收修改稿)
由于高光谱传感器空间分辨率的限制以及地物的复杂多样性,混合像元普遍存在于高光谱遥感图像中,因此混合像元分析受到越来越广泛的关注。线性混合模型(the linear mixture model,LMM)是国内外混合像元分解方法中应用最广泛且最简单的光谱混合模型。该模型把遥感影像的像元光谱看作是各种不同类型的纯像元(称为端元)光谱的线性组合。基于LMM的端元提取方法主要分为端元识别类方法和端元生成类方法。端元识别类方法包括纯像元指数法(pixel purity index, PPI)[1]、正交子空间投影法(orthogonal subspace projection, OSP)[2]、顶点成分分析法(vertex component analysis, VCA)[3]、高斯消元法(Gaussian elimination method,GEM)[4]、N-FINDR[5]、基于Gram行列式的快速端元提取算法(FGDA)[6]、单纯形生长算法(simplex generation algorithm, SGA)[7]和基于单形体的端元提取方法(simplex volume algorithm, SVA)[8]等。此种方法需要纯像元假设,即假设一个场景中每个端元至少有一个纯像元。端元生成类方法不需要纯像元假设,主要包括最小体积变换[9]、迭代约束端元法(iterated constrained endmember, ICE)[10]、稀疏优化ICE(sparse ICE, SPICE)[11]和几何优化模型(geometry optimization model, GOM)[12]等。
近年来,非负矩阵分解NMF(non-negative matrix factorization)的端元生成方法受到越来越多的关注。NMF端元生成方法可以同时估计出端元矩阵和丰度矩阵。Lee和Seung[13]证明NMF端元生成方法可利用乘式迭代高效快速地实现NMF目标函数的优化迭代。由于NMF目标函数是非凸的,NMF方法容易陷入局部极值[14]。为了缓解NMF方法固有的局部极值问题,通常采用增加约束来优化NMF端元生成方法。……