空间局部信息增强的自适应稀疏非负矩阵分解方法

"这篇论文提出了一种新的高光谱图像解混方法——基于局部空间信息的自适应局域提取稀疏非负矩阵分解(ASNMF)。这种方法旨在提高高光谱图像分解的精度，通过结合空间和光谱信息来识别末端成员特征及其对应的丰度图。非负矩阵分解(NMF)是高光谱图像处理中的常用技术，尤其在缺乏纯像素的情况下表现优秀。然而，传统的NMF方法往往忽略了局部和非局部的空间信息。为此，论文提出了超像素分割策略，将图像划分为光谱相似的区域，并在每个超像素上自适应地提取末端成员，生成末端成员集。这个末端成员集作为初始值，用于ASNMF算法进行稀疏非负矩阵的自适应分解，从而得到更准确的末端成员和丰度图。实验结果在合成和实际场景图像上验证了该方法的有效性。" 这篇研究聚焦于高光谱图像解混问题，高光谱图像由于其丰富的光谱信息，常被用于遥感、环境监测等领域。非负矩阵分解(NMF)是解决高光谱图像混合像素问题的一种常用技术，它的核心思想是将图像数据矩阵分解为两个非负矩阵，一个代表末端成员（物质的光谱特性），另一个代表这些成员的丰度分布。然而，单纯依赖NMF可能无法充分捕捉到图像的空间结构信息。 论文提出的ASNMF方法引入了空间局部信息，首先通过超像素分割将高光谱图像划分为多个光谱一致的区域。超像素技术能够提供更好的空间连贯性和光谱一致性，有助于捕捉局部空间特征。然后，在每个超像素内自适应地提取末端成员，构建出更符合实际场景的末端成员集。这一步的创新在于，它考虑了局部空间信息，使得末端成员的提取更加准确和适应性。 接下来，ASNMF算法利用这个自适应提取的末端成员集，进行稀疏非负矩阵的分解。稀疏性约束可以剔除噪声和不必要的成分，提高解混结果的纯净度。自适应的过程则允许算法根据数据本身的特点调整分解过程，进一步提升精度。 实验证明，这种结合了空间信息的自适应方法在高光谱图像解混任务上表现优越，无论是对合成图像还是实际遥感图像，都能得到更准确的末端成员和丰度估计，从而提高了图像分析和解释的准确性。这种方法对于提升高光谱图像处理的性能，尤其是在复杂场景下，具有重要的理论价值和应用前景。