重加权稀疏和全变差约束下的深度非负矩阵分解高光谱解混

近年来,非负矩阵分解NMF (Nonnegative Matrix Factorization)由于其简单有效的特点,已被广泛应用于解混.由于传统的NMF只有单层结构,不能获取隐藏层的信息,其解混效果受到制约,为了研究影像的深度空谱特征,本文在深度NMF结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解(RSDNMF-TV)算法.首先,使用深度NMF模型代替传统单层NMF模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差.其次,由于丰度矩阵是稀疏的,本文在深度NMF模型中加入重加权稀疏正则化项,其权值则根据丰度矩阵自适应更新.最后,进一步引入全变差正则化项,以利用空间信息并促进丰度图的分段平滑性.论文采用梯度下降法推导出乘性迭代规则,为验证所提出的RSDNMF-TV算法的有效性,利用模拟数据集、Cuprite数据集以及高分五号数据集进行实验,并与其他经典方法作对比,结果发现本方法具有更好的解混效果,同时具有一定的去噪能力.