端元约束下的高光谱混合像元非负矩阵分解

提出一种端元约束条件下的非负矩阵分解方法来自动反演混合像元组分。以端元光谱之间的差距为约束条件,使得目标函数综合了影像的分解误差和端元光谱的影响,并以最大后验概率方法导出了限制性非负矩阵分解的迭代算法。成像光谱数据实验结果表明该方法能够自动提取影像的端元光谱矩阵与组分信息,且分解精度比IEA方法高。     

利用稳健非负矩阵分解实现无监督高光谱解混

目的 基于非负矩阵分解的高光谱图像无监督解混算法普遍存在着目标函数对噪声敏感、在低信噪比条件下端元提取和丰度估计性能不佳的缺点。因此,提出一种基于稳健非负矩阵分解的高光谱图像混合像元分解算法。方法 首先在传统基于非负矩阵分解的解混算法基础上,对目标函数加以改进,用更加稳健的L₁范数作为重建误差项,提高算法对噪声的适应能力,得到新的无监督解混目标函数。针对新目标函数的非凸特性,利用梯度下降法对端元矩阵和丰度矩阵交替迭代求解,进而完成优化求解,得到端元和丰度估计值。结果 分别利用模拟和真实高光谱数据,对算法性能进行定性和定量分析。在模拟数据集中,将本文算法与具有代表性的5种无监督解混算法进行比较,相比于对比算法中最优者,本文算法在典型信噪比20 dB下,光谱角距离（spectral angle distance,SAD）增大了10.5%,信号重构误差（signal to reconstruction error,SRE）减小了9.3%;在真实数据集中,利用光谱库中的地物光谱特征验证本文算法端元提取质量,并利用真实地物分布定性分析丰度估计结果。结论 提出的基于稳健非负矩阵分解的高光谱无监督解混算法,在低信噪比条件下,能够获得较好的端元提取和丰度估计精度,解混效果更好。     

光谱重建约束非负矩阵分解的高光谱与全色图像融合

基于光谱重建约束的非负矩阵分解,提出了一种高光谱与全色图像的有效解混方法.首先在高光谱图像的非负矩阵分解中引入光谱重建误差最小化的正则项,通过多目标寻优寻找最佳的正则项参数,以鼓励分解的光谱特征矩阵包含更真实的光谱特征;然后对全色图像进行非负矩阵分解,以获得描述图像细节的丰度矩阵;最后利用光谱特征矩阵和丰度矩阵重建得到...     

非负矩阵分解融合高光谱和多光谱数据

由于光谱分辨率和空间分辨率的制约以及物理条件的限制,高光谱数据具有很高的光谱分辨率而其空间分辨率却很低。因此,一般高光谱数据的空间分辨率往往低于仅有几个波段的多光谱数据的空间分辨率。高光谱数据和多光谱数据的融合可以得到同时具有高空间分辨率和高光谱分辨率的数据,进而应用于更高空间分辨率下地物的识别和分类。非负矩阵分解(Nonnegative Matrix Factorization)算法用于实现低空间分辨率高光谱数据和高空间分辨率多光谱数据的融合。首先利用顶点成分分析法VCA(Vertex Component Analysis)分解高光谱数据,得到初始的端元波谱矩阵和端元丰度矩阵;然后用非负矩阵分解算法交替地对高光谱数据和多光谱数据进行分解,得到高光谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。在每一步非负矩阵分解过程中,数据之间的传感器观测模型用于分解矩阵的初始化。AVIRIS和HJ-1A数据实验结果分析表明:非负矩阵分解算法有效提高了高光谱数据的所有波长范围内波段数据的空间分辨率,而高精度的融合结果可用于地物的目标识别和分类。     

基于Fan模型非负矩阵分解的光谱解混并行计算

基于FAN模型的广义非负矩阵分解是一种非纯像元假设下有效的高光谱图像非线性光谱解混算法。针对基于FAN模型的广义非负矩阵分解算法的快速实现问题,基于CUDA编程模型与存储器模型设计并行优化,对优化后算法的串行与并行部分进行任务分配与线程映射,设计合理的核函数实现各关键步骤。通过真实高光谱数据的光谱解混实验,结果表明CUDA并行优化后的算法相比串行算法,能达到较高的加速比,验证了其有效性。     

非监督正交子空间投影的高光谱混合像元自动分解

利用混合像元线性分解技术处理高光谱影像，以获取研究区域中同一像元的不同组份是遥感应用的主要目的之一。近年来，研究者们发展了一种正交子空间投影技术(0SP)，用来探测感兴趣目标，进一步可以用来分解混合像元，然而应用这种方法分解混合像元的缺陷是需要有研究区域的先验信息，这就制约了它在这方面的应用。为此针对这种不足，提出一种非监督的正交子空间投影(UOSP)技术，用来自动获取影像端元光谱，同时进行混合像元分解。并用成像光谱数据(PHI)实例测试了这个方法，结果表明该方法自动获取的端元比较合理，且分解混合像元精度较高。     

盲信号分离技术在高光谱混合像元分解中的应用

盲信号分离(BSS)是现代信号处理的一种前沿基础技术,近年来在高光谱混合像元分解领域展示了很好的应用前景。通过比较系统地介绍独立成分分析(ICA)、非负矩阵分解(NMF)、复杂度分析(CA)和稀疏成分分析(SCA) 4种BSS方法的基本原理、基本概念及数学模型,重点阐述4种方法在高光谱混合像元分解中的应用现状及各自的优缺点,旨在进一步探讨BSS技术应用于高光谱混合像元分解面临的挑战与存在的潜力。     

基于稀疏和正交约束非负矩阵分解的高光谱解混

针对基于非负矩阵分解（NMF）的高光谱解混存在的容易陷入局部极小值和受初始值影响较大的问题，提出一种稀疏和正交约束相结合的NMF的线性解混算法SONMF。首先，从传统的基于NMF的高光谱线性解混方法出发，分析高光谱数据本身的理化特性；然后，结合丰度的稀疏性和端元的独立性两个方面，将稀疏非负矩阵分解（SNMF）和正交非负矩阵分解（ONMF）两种方法结合应用到高光谱解混当中。模拟数据和真实数据实验表明，相比顶点成分分析法（VCA）、SNMF和ONMF这三种参考解混算法，所提算法提高了线性解混的性能；其中，评价指标光谱角距离（SAD）降低了0.012~0.145。SONMF能够结合两种约束条件的优势，弥补传统基于NMF线性解混方法对高光谱数据表达的不足，取得较好的效果。     

基于快速非负矩阵分解和RBF网络的高光谱图像分类算法

提出一种处理AVIRIs高光谱图像数据的计算机分类算法。首先采用投影梯度（Projected Gradient）改进的非负矩阵分解（NMF）方法对高光谱数据进行特征提取,大大降低了分解过程中两个子迭代问题的时间复杂度,而后利用径向基函数神经网络（RBFNN）分类器对提取结果进行分类。结果表明,与传统NMF和主成分分析相比,PGNMF—RBF算法消耗时间最少,分类精度最高,6类地物的分类精度达到83．34％。该算法在保留非负矩阵分解明确物理意义的基础上,获得了更快的分解速度和更高的分类精度,在高光谱图像分类领域具有较大的应用潜力。     

基于改进SAM的高光谱影像混合像元分解算法研究

将传统遥感图像分类方法中的光谱角度制图法(Spectral Angle Mapping-SAM)加以变换,改进为一种符合全约束条件下的高光谱遥感图像的混合像元分解模型.新算法在端元丰度比例满足全约束的条件下,通过逼近的方法寻找一种端元丰度的比例组合,使测试光谱与目标光谱的广义夹角最小,从而认为该比例组合就是混合像元分解...     

Max-margin non-negative matrix factorization with flexible spatial constraints based on factor analysis

Non-negative matrix factorization (NMF) is a popular feature encoding method for image understanding due to its non-negative properties in representation, but the learnt basis images are not always local due to the lack of explicit constraints in its objective. Various algebraic or geometric local constraints are hence proposed to shape the behaviour of the original NMF. Such constraints are usually rigid in the sense that they have to be specified beforehand instead of learning from the data. In this paper, we propose a flexible spatial constraint method for NMF learning based on factor analysis. Particularly, to learn the local spatial structure of the images, we apply a series of transformations such as orthogonal rotation and thresholding to the factor loading matrix obtained through factor analysis. Then we map the transformed loading matrix into a Laplacian matrix and incorporate this into a max-margin non-negative matrix factorization framework as a penalty term, aiming to learn a representation space which is non-negative, discriminative and localstructure- preserving. We verify the feasibility and effectiveness of the proposed method on several real world datasets with encouraging results.     

非负矩阵分解降维的入侵检测方法

直接对高维网络连接数据进行处理会出现维数灾难问题,因此,需要对其进行维数约简。非负矩阵分解不仅能对高维数据进行降维,而且使矩阵在分解后的所有分量均为非负值,符合网络连接数据的语义特征。将其应用到入侵检测中,把高维数据投影到低维可视空间上,用散点来表示网络连接记录,通过观察散点所处位置来判断其所属类别,实现入侵检测的可视化。实验验证了这种入侵检测方法的有效性。     

基于核非负分解的人脸图像特征提取与分类

针对非负矩阵分解算法在样本维数过高情况下收敛效果差的问题,提出了一种核矩阵非负分解算法。通过核映射方法获得表征样本间相似度的核矩阵,以减小样本类内散度,增大样本类间散度,从而改善样本内部噪声干扰,提高样本间的线性可分度;再将核矩阵在非负条件约束下分解为基向量及其加权系数矩阵,用系数矩阵作为原样本特征。经人脸图像特征提取与分类实验验证,新算法可更好地提取高维人脸图像的低维特征,提高分类正确率。     

基于CVX和非负矩阵分解的图像融合研究

图像融合的目的是把来自多传感器图像的互补信息合并成一幅新的图像,以便更好的获取图像的综合信息.基于非负矩阵分解算法的原理,将非负矩阵分解应用到图像融合中,并提出将凸线性规划系统和Matlab相结合,解决非负矩阵分解算法中的最优化问题,使程序变得简单易懂.利用非负矩阵分解算法得到的融合图像包含了源图像的整体特征,实验结果表明,该方法优于其它图像融合方法.     

基于非负矩阵分解的群组推荐算法

近年来,随着媒介技术的快速发展,人们成组活动的现象逐渐增多,群组推荐系统也逐渐受到关注。现有的群组推荐系统往往将不同的成员视为同质对象,忽视了成员专业背景和项目固有属性之间的关系,无法真正地解决融合过程中的偏好冲突问题。为此,提出一种基于非负矩阵分解的群组推荐算法,通过非负矩阵分解将群组评分信息分解为用户矩阵和项目矩阵,针对2个矩阵分别利用隶属度和专业度权值计算得到项目隶属度矩阵和成员专业度矩阵,并由此获得各成员在不同项目上的贡献度来构建群组偏好模型。实验结果表明,所提算法在不同群组规模和组内相似度的情况下依然具有较高的推荐准确度。     

单形体体积最小化的差分进化光谱解混算法

目的 光谱解混是高光谱遥感图像处理的核心技术。当图像不满足纯像元假设条件时,传统算法难以适用,基于(单形体)体积最小化方法提供了一种有效的解决途径。然而这是一个复杂的约束最优化问题,更由于图像噪声等不确定性因素的存在,导致算法容易陷入局部解。方法 引入一种群智能优化技术-差分进化算法(DE),借助其较强的全局搜索能力以及优越的处理高维度问题的能力,并通过对问题编码,提出了一种体积最小化的差分进化(VolMin-DE)光谱解混算法。结果 模拟数据和真实数据实验的结果表明,与现有算法相比,该算法在15端元时精度(光谱角距离)可提高7.8%,当端元数目少于15个时,其精度普遍可以提高15%以上,特别是10端元时精度可以提高41.3%;在20~50 dB的噪声范围内,精度变化在1.9~3.2(单位:角度)之间,传统算法在2.2~3.5之间,表明该算法具有相对较好的噪声鲁棒性。结论 本文算法适用于具有纯像元以及不存在纯像元(建议最大纯度不低于0.8)这两种情况的高光谱遥感图像,并可在原始光谱维度进行光谱解混,从而避免降维所带来的累计误差,因此具有更好的适应范围和应用前景。     

丰富图像标签的正则化非负矩阵分解方法

目的 随着Web2.0技术的进步,以用户生成内容为中心的社交网站蓬勃发展,也使得基于图像标签的图像检索技术越来越重要。但是,由于用户标注时的随意性和个性化,导致用户提交的图像标签不够完备,降低了图像检索的准确性。方法 针对这一问题,提出一种正则化的非负矩阵分解方法来丰富图像欠完备的标签,提高图像标签的完备性。利用非负矩阵分解的方法将原始的标签-图像矩阵投影到潜在的低秩空间里消除噪声,同时利用图像的类内视觉离散度作为正则化项提高消除噪声、丰富标签的效果。结果 利用从社交网站Flickr上下载的大量社交图像进行对比实验,验证了本文方法对丰富图像标签的有效性。通过对比目前流行的优化算法,本文算法获得较高的性能提升,算法平均准确度提高了12.3%。结论 将图像类内视觉离散度作为正则化项的非负矩阵分解算法,能较好地丰富社交图像的标签,解决网络图像标签的欠完备问题。     

基于光谱信息散度与光谱角匹配的高光谱解混算法

针对采用线性逆卷积(LD)算法进行端元初选过程中,端元子集中存在相似端元光谱,影响解混精度的问题,提出了一种基于光谱信息散度(SID)与光谱角匹配(SAM)算法的端元子集优选光谱解混算法。通过在端元进行二次选择时,采用以光谱信息散度和光谱角(SID-SA)混合法准则作为最相似端元选择的判据,去除相似端元,降低相似端元对解混精度的影响。实验结果表明,基于SID与SAM的高光谱解混算法将重构影像的均方根误差(RMSE)降低到0.0104,该方法比传统方法提高了端元的选择精度,减少了丰度估计误差,误差分布更加均匀。