基于非负矩阵分解的高光谱遥感图像混合像元分解

传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提...     

数据约简化的高光谱影像端元提取

提出一种利用图像的空间结构信息在特征空间中设计大小适宜的超球,将单形体的顶点分隔在超球外部,剔除超球内部的数据,只保留超球外部的少量数据参与端元提取算法。经过分析,该方法可以大大减少端元提取算法的运算量。通过实验对比,用相关端元提取算法对简化后的数据进行端元提取的结果精度很高,与简化前数据的端元提取结果吻合。     

近似稀疏约束的多层非负矩阵分解高光谱解混

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前,主要采用L0或L1范数作为稀疏度量。L0稀疏性好,但求解困难;L1求解方便,但稀疏性差。提出一种近似稀疏模型,并将其引入到多层非负矩阵分解（AL0-MLNMF）的高光谱解混中,将观测矩阵进行多层次稀疏分解,提高非负矩阵分解高光谱解混的精度,提升算法的收敛性。仿真数据和真实数据实验表明:该算法能够避免陷入局部极值,提高非负矩阵分解高光谱解混性能,算法精度上比其他几种算法都有较大的提升效果,RMSE降低0.001~1.676 7,SAD降低0.002~0.244 3。     

一种改进的基于自动形态学的端元提取算法

自动形态学端元提取（AMEE）算法中的形态学算子在纯像元集中分布的区域无法得到正确的结果。现有膨胀操作在每个结构元素内只能提取一个候选端元,会造成重要像元丢失。为了解决这些问题,采用改进的形态学算子和结构元素对AMEE算法进行了改进。首先引入参考光谱向量的概念构建了改进的形态学算子,并给出了形态学离心率指数新的计算方法,然后利用偶数大小、改进的结构元素,从每个结构元素内选出4个候选端元,最后对改进的基于自动形态学的端元提取算法进行了分析和实验验证。结果表明,改进的方法能从纯像元集中分布的区域获得正确的候选端元,并在一定程度上避免膨胀过程中的信息遗失,从而能够有效地提升端元提取的精度和像元解混的效果。     

基于高精度端元的混合像元线性分解模型研究

从理论上阐述了混合像元的产生机理和混合像元线性分解模型,研制了一套地面成像光谱实验系统,直接获取了高精度的端元光谱数据,通过像元合并的方式构造混合像元,针对不同丰度的非立体空间混合像元端元,分析了根据线性分解模型加权计算得到的光谱与实际混合光谱的误差,进而论证了线性分解模型的精度.     

非负矩阵集分解

非负矩阵分解(Nonnegative Matrix Factorization,NMF)是一种新近被提出的方法,它以非线性的方式实现对非负多元数据的纯加性、局部化、线性和低维描述。NMF可使数据中的潜在结构、特征或模式变得清晰,因此它作为一种有效的特征提取手段已被成功应用在许多领域的研究中。但是,NMF 的处理对象本质上是向量,用NMF处理数据矩阵集时要先将被处理矩阵集中的矩阵逐一矢量化,这常使对应的学习问题成为典型的小样本问题,从而使NMF结果的描述力不强、推广性差。为克服这两个问题,并保留NMF的好的特性,该文提出了非负矩阵集分解(Nonnegative Matrix-Set Factorization,NMSF),不同于NMF处理数据矩阵的矢量化结果,NMSF直接处理数据矩阵本身。理论分析显示：处理数据矩阵集时,NMSF会比NMF描述力强、推广性好。为了说明NMSF如何实现,也为了能对NMSF的性能做实验验证,构造了NMSF实现方式之一的基于双线性型的NMSF(Bilinear Form-Based NMSF,BFBNMSF)算法。BFBNMSF和NMF的比较实验结果支持了理论分析的结论。需要指出,更佳的描述力和更好的推广性意味着NMSF比NMF更善于抓住数据矩阵的本质特征。     

改进的非负矩阵分解在基因表达数据中的应用

对非负矩阵分解算法的发展历史做了简要综述,并介绍了非负矩阵分解算法的基本原理,及一种改进的非负矩阵分解算法,并将此方法应用于一组阿尔茨海默症微阵列数据的聚类中,将此结果与传统的非负矩阵分解算法进行了比较,证明了算法的有效性.     

全变差稀疏约束深度非负矩阵分解高光谱遥感影像解混方法

传统非负矩阵分解方法仅基于单层线性模型,现有的深度非负矩阵分解模型忽略了地物光谱的实际混合物理过程,仅从数学理论考虑深度分解。对此,文中从光谱混合的物理过程出发,综合非负矩阵分解和深度学习,将光谱混合过程进行反向建模,并充分考虑丰度的稀疏性和空间平滑性,构建了用于高光谱遥感影像解混的面向端元矩阵的全变差稀疏约束深度非负矩阵分解模型。通过模拟实验和真实实验,将文中所提方法与5种解混方法进行对比。结果表明,相较于面向丰度的深度非负矩阵分解算法,文中所提方法的平均光谱角距离和均方根误差均有所降低,取得了最佳解混结果。     

不完全非负矩阵分解的加速算法

非负矩阵分解(NMF)已成为数据分析与处理的一种日益流行的方法.当数据矩阵不完全时,可用加权非负矩阵分解(WNMF)来分解矩阵.但是在WNMF算法中,对于给定的搜索方向,步长的选取一般来说不是最优的.本文研究了不完全非负矩阵分解(INMF)问题,提出了加速算法(AINMF).首先,将INMF问题转化为交替地求解两个非负...     

基于体积和稀疏约束的高光谱混合像元分解算法

针对传统非负矩阵分解法中解空间较大、存在大量局部极小值的问题,提出了一种基于单形体体积和丰度稀疏性约束的非负矩阵分解法（Volume and Sparseness Constrained NMF,VSC-NMF）。该方法首先使用顶点成分分析法对高光谱图像进行端元提取,将其作为端元矩阵的初始值,可达到加速算法收敛的目的;然后,在目标函数中加入单形体体积最小化约束和丰度稀疏性约束,从而实现对混合像元进行较好的分解。实验结果表明,该方法不仅能有效地克服传统非负矩阵分解法的缺陷,而且能估计出精确的端元和对应的丰度,获得满意的解混效果,尤其适用于稀疏度较高的高光谱图像。     

基于测地线距离和正交投影的端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素,制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构,提出一种基于测地线距离的正交投影端元提取算法,将测地线距离引入端元单体提取过程,利用正交投影方法逐个提取端元。为了降低测地线距离计算量,在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明,该方法能够表征光谱数据中非线性因素,端元提取结果优于传统自动目标生成端元提取方法。     

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。     

基于流形正则化非负矩阵分解的高光谱数据降维

采用基于流形正则化非负矩阵分解(MR-NMF)的高 光谱数据降维方法。新方 法通过构建样本的近邻图描述数据几何结构,然后将其作为正则项加入NMF的目标函 数中进行组合优化。在真实的高光谱数据集HYDICE上进行的实验结果表明,新方法能 够提高高光谱图像分类的精度。     

基于非负矩阵分解的彩色图像质量评价方法

针对稀疏表示的图像质量评价模型都基于灰度图像,缺少颜色信息,该文提出一种基于非负矩阵分解(NMF)的全参考彩色图像质量评价方法。首先,从自然彩色图像中随机采样,得到训练样本,利用非负矩阵分解,训练得到特征基矩阵,并经过Schmidt正交化,构建特征提取矩阵;其次,根据视觉显著性模型,利用最大视觉显著性和显著性差值两步骤选取视觉重要区域;最后,利用特征提取矩阵,得到低维的特征向量,并最终得到彩色图像质量评价值。实验结果表明,该文方法在LIVE, CSIQ和TID2008 3个图像质量评价库上有很好的表现。3个图像库的平均结果显示,该文方法的综合表现优于所有对比方法。这表明该文方法与主观感知有更好的关联度。     

改进非负矩阵分解的神经网络人脸识别

为了提高人脸识别正确率,提出基于改进非负矩阵分解的神经网络人脸识别算法。首先利用改进的非负矩阵分解对人脸图像进行特征提取,提高非负矩阵分解速度。接着将提取出的特征信息作为神经网络学习入口进行特征训练,由于神经网络在学习过程中,容易出现局部最小值且收敛速度慢等问题,为此采用改进的遗传算法对神经网络进行优化处理,获得最终的人脸识别结果。实验结果表明:利用改进的非负矩阵分解方法能够降低神经网络的分类训练负荷量和运算量,提高人脸识别识别率。通过和各种方法比较可知,本方法的人脸识别率都较高。本方法人脸特征分解速度快,提高了神经网络训练前期精度和收敛速度,使得人脸识别正确率高。当特征向量个数达到40以上时,人脸识别正确率保持95%以上。     

基于非负矩阵分解的TerraSAR与SPOT5影像融合

合成孔径雷达具有全天候、全天时的优势,能够提供高分辨的目标图像,而多光谱遥感影像能够提供丰富的光谱信息,将两种不同影像进行融合,综合两者的优势信息可以得到质量更高、信息更丰富的图像。提出了基于非负矩阵分解算法的融合算法对SAR影像和多光谱遥感影像进行融合。通过对比研究,提出的融合算法在目视判读以及客观评价指标上和传统融合算法相比,都有较明显的改善,尤其是在细节表现力和光谱保持度方面优势显著。     

基于Gram行列式的快速端元提取方法

高光谱图像端元提取往往涉及到高维空间中单形体体积的计算,使用无需降维的体积公式能够避免信息损失,但却具有极大的计算复杂度。针对这一缺点进行了研究,提出了基于Gram行列式快速的端元提取算法。该算法不需要计算单形体体积,而是利用了体积公式的递推关系,大大降低了计算复杂度。模拟和真实数据试验表明,该算法在保证高精度端元提取的同时,具有极快的端元提取速度。