基于空谱初始化的非负矩阵光谱混合像元盲分解

doi:10.11873/j.issn.1004-0323.2018.2.0216

遥感技术与应用

2018, Vol. 33

Issue (2): 216-226 DOI: 10.11873/j.issn.1004-0323.2018.2.0216

高光谱专栏

基于空谱初始化的非负矩阵光谱混合像元盲分解

郭宇柏^1，2，卓莉^1，2，陶海燕^1，2，曹晶晶^1，2，王芳^3

(1.中山大学地理科学与规划学院，广东省城市化与地理环境空间模拟重点实验室，广东广州 510275；
2.中山大学地理科学与规划学院，综合地理信息研究中心，广东广州 510275；3.广州大学地理科学学院，广东广州 510006)

Spatial-Spectral Preprocessing based on Nonnegative Matrix Factorization to Unmix Hyperspectral Data

Guo Yubo^1，2，Zhuo Li^1，2，Tao Haiyan^1，2，Cao Jingjing^1，2，Wang Fang^3

(1.Guangdong Provincial Key Laboratory of Urbanization and Geo\|simulation，School ofGeography and Planning，Sun Yat\|sen University，Guangzhou，510275,China;2.Center of Integrated Geographic Information Analysis，School of Geography and Planning，Sun Yat-sen University，Guangzhou，510275,China;3.School of Geographical Sciences，Guangzhou University，Guangzhou，510275,China)

全文: PDF(8298 KB)

摘要：

混合像元分解是提高遥感监测能力的有效方法之一，因此一直以来是遥感领域的重要研究内容。非负矩阵盲分解(Non-negative Matrix Factorization，NMF)方法无需监督选择端元，无需假定纯像元存在，且能同步获取优化的端元光谱与端元丰度，从而为先验知识不足、高度混合场景下的混合像元分解提供了不错的选择，因此成为高光谱混合像元分解方法的重要分支之一。但NMF易陷入局部最优，若直接应用于混合像元解混难以获取稳定的最优解，从而影响了NMF在光谱混合分解的推广应用。针对这一问题，提出一种利用空谱预处理 (SSPP)改进NMF的混合像元分解方法(SSPP-NMF)。首先利用SSPP算法结合空间和光谱信息筛选出合理有效的数据子集；然后用NMF算法对筛选出的数据子集进行混合像元分解，获取具有空间均匀性和光谱纯净性的端元光谱；最后基于上一步获取端元光谱利用非负最小二乘法(NNLS)获取整个研究区的最终端元丰度。为检验该方法的有效性和适用性，分别采用模拟仿真数据和真实遥感影像分析了SSPP对NMF的改善效果，并与ATGP-NMF、MVC-NMF两种基于初始化改进NMF的方法进行了比较分析，结果表明:相比ATGP-NMF、MVC-NMF而言，SSPP算法更能有效抑制噪声的影响，明显地提高NMF分解效果，并且具有较高的时间效率。

关键词： 高光谱遥感; 盲分解; 空谱初始化; 非负矩阵分解

Abstract: Non-negative Matrix Factorization (NMF)method of blind spectral unmixing can obtain the spectrum and abundance of the endmember by synchronous optimization，without supervising the selection of endmember.Therefore，NMF has been developed rapidly in the application of hyperspectral unmixing.However，traditional blind spectral unmixing NMF method tends to fall into the local optimum and it is difficult to obtain a stable optimal solution.In this paper，we propose an improved Non-negative Matrix Factorization (NMF)method based on Spatial\|Spectal Preprocessing for spectral unmixing of hyperspectral data (SSPP-NMF).First，the SSPP algorithm is used to combine spatial and spectral information to select reasonable and effective dataset.Then，the NMF algorithm is used to unmix this dataset to obtain the final optimized endmember spectrum.Finally，the Non\|Negative Least Squares (NNLS)method is used to obtain the final abundance of the whole study area.The validity and applicability of the proposed method were analyzed based on a set of synthetic hyperspectral data and real hyperspectral images；and then the results were compared with that from three algorithms including the existing NMF algorithm，MVC\|NMF algorithm and ATGP-NMF algorithm.Results show that compared with ATGP-NMF and MVC-NMF，the SSPP algorithm can effectively suppress the influence of noise，significantly improve the performance of the NMF method of blind spectral unmixing algorithm.

Key words: Hyperspectral remote sensing Blind unmixing Spatial-Spectral Preprocessing(SSPP) Non-negative Matrix Factorization (NMF)

收稿日期: 2017-06-15 出版日期: 2018-05-15

TP 75

基金资助: 国家自然科学基金面上项目(41371499)，广东省自然科学基金项目(2015A030313505)，广东省高校科技创新项目(2014KTSCX088)。

作者简介: 郭宇柏(1992-)，男，广东广州人，硕士研究生，主要从事城市遥感研究。E-mail：guoybo@qq.com。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	郭宇柏
	卓莉
	陶海燕
	曹晶晶
	王芳

引用本文:

郭宇柏，卓莉，陶海燕，曹晶晶，王芳. 基于空谱初始化的非负矩阵光谱混合像元盲分解[J]. 遥感技术与应用, 2018, 33(2): 216-226.

Guo Yubo，Zhuo Li，Tao Haiyan，Cao Jingjing，Wang Fang. Spatial-Spectral Preprocessing based on Nonnegative Matrix Factorization to Unmix Hyperspectral Data. Remote Sensing Technology and Application, 2018, 33(2): 216-226.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2018.2.0216 或 http://www.rsta.ac.cn/CN/Y2018/V33/I2/216

[1]	秦振涛，杨茹，张靖，杨武年. 基于聚类结构自适应稀疏表示的高光谱遥感图像修复研究[J]. 遥感技术与应用, 2018, 33(2): 212-215.
[2]	吴兴，张霞，孙雪剑，张立福，戚文超. SPARK卫星高光谱数据辐射质量评价[J]. 遥感技术与应用, 2018, 33(2): 233-240.
[3]	刘慧珺，苏红军，赵-波. 基于改进萤火虫算法的高光谱遥感多特征优化方法[J]. 遥感技术与应用, 2018, 33(1): 110-118.
[4]	唐超,邵龙义. 高光谱遥感地物目标识别算法及其在岩性特征提取中的应用[J]. 遥感技术与应用, 2017, 32(4): 691-697.
[5]	苏红军，赵波. 基于共形几何代数的高光谱遥感波段选择方法[J]. 遥感技术与应用, 2017, 32(3): 539-545.
[6]	史飞飞,高小红，杨灵玉，何林华，贾伟. 基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究[J]. 遥感技术与应用, 2017, 32(2): 206-217.
[7]	朱济帅,尹作霞,谭琨,王雪,李二珠,杜培军. 基于空间邻域信息的高光谱遥感影像半监督协同训练[J]. 遥感技术与应用, 2016, 31(6): 1122-1130.
[8]	张霞,戚文超,孙伟超. 基于数学形态滤波的植被光谱去噪方法研究[J]. 遥感技术与应用, 2016, 31(5): 846-854.
[9]	王茂芝,徐文皙,王璐,郭科. 高光谱遥感影像端元提取算法研究进展及分类[J]. 遥感技术与应用, 2015, 30(4): 616-625.
[10]	贺军亮,张淑媛,查勇,蒋建军. 高光谱遥感反演土壤重金属含量研究进展[J]. 遥感技术与应用, 2015, 30(3): 407-412.
[11]	崔艳荣,何彬彬,张瑛,李蔓. 非负矩阵分解融合高光谱和多光谱数据[J]. 遥感技术与应用, 2015, 30(1): 82-91.
[12]	钱进,罗鼎. 基于成对约束半监督降维的高光谱遥感影像特征提取[J]. 遥感技术与应用, 2014, 29(4): 681-688.
[13]	周子勇. 高光谱遥感油气勘探进展[J]. 遥感技术与应用, 2014, 29(2): 352-36.
[14]	吕晓凯,李传荣,马灵玲,苑馨方,李晓辉. 一种基于物理机理的高光谱遥感图像真彩色校正模型[J]. 遥感技术与应用, 2013, 28(3): 467-473.
[15]	曹晶晶,卓莉,王芳,陶海燕. 盲信号分离技术在高光谱混合像元分解中的应用[J]. 遥感技术与应用, 2013, 28(3): 488-495.

Viewed

Full text

Abstract

Cited

Shared

Discussed