散射项约束非负矩阵分解的高光谱图像解混

陈善学，董桓宇，陈雯雯

(1.重庆邮电大学 通信与信息工程学院,重庆 400065；2.重庆邮电大学 移动通信技术重庆市重点实验室,重庆 400065)

0 引 言

高光谱图像具有较高的空间分辨率与丰富的光谱信息的特点使其在多个领域有着卓越的表现，例如在军事、环境、海洋、地理、农业等领域，高光谱遥感技术都发挥着重要的作用，因此，高光谱技术的研究在国防、生产、生活中显得极为重要。尤其高光谱图像解混技术，其对地物成分和光谱特性的体现，使其成为高光谱技术研究的新秀和宠儿，成为高光谱遥感技术研究最为重要的内容之一。

由于高光谱图像具有丰富的光谱信息和空间特征，使得解混方法蓬勃发展。端元提取算法主要有纯像元指数法(pixel purity index, PPI)[1]，最大体积法N-Finder[2]，顶点成分分析(vertex component analysis, VCA)[3]，正交基算法(orthogonal bases algorithm, OBA)[4]，曲线成分分析(curvilinear component analysis, CCA)[5]等，丰度估计较常用的算法是全约束最小二乘法(fully constrained least squares, FCLS)[6-7]。

文献[8]和文献[9]分别详细地总结了国内外基于线性模型和非线性模型的高光谱图像解混的研究情况，并针对近几年的研究成果提出了问题与展望。约束非负矩阵分解是高光谱解混算法中的一个热点：文献[10]提出最小体积约束非负矩阵分解(minimum volume constrained nonnegative matrix factorization,MVC-NMF),用最小体积项(minimum volume term)作为目标函数的约束条件，构成新的目标函数，这一算法被后来的一些研究人员进一步研究改进[11-12]。文献[13-14]进行了关于L1/2稀疏性约束非负矩阵分解(L1/2-NMF)和平滑性约束非负矩阵分解(smoothness constraint nonnegative matrix factorization, CNMF)的研究。近年来国内外越来越多的研究人员关注于约束非负矩阵分解的算法研究。……