当前位置:
X-MOL 学术
›
IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Multiple Clustering Guided Nonnegative Matrix Factorization for Hyperspectral Unmixing
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ( IF 5.5 ) Pub Date : 2020-01-01 , DOI: 10.1109/jstars.2020.3020541 Wenhong Wang , Yuntao Qian , Hongfu Liu
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ( IF 5.5 ) Pub Date : 2020-01-01 , DOI: 10.1109/jstars.2020.3020541 Wenhong Wang , Yuntao Qian , Hongfu Liu
Spectral unmixing is an important technique for quantitatively analyzing hyperspectral remote sensing images. Recently, constrained nonnegative matrix factorization (NMF) has been demonstrated to be a powerful tool for spectral unmixing. However, acquiring the problem-dependent prior knowledge and incorporating it into NMF as effective constraints is a challenging task. In this article, a multiple clustering guided NMF unmixing approach is proposed under a self-supervised framework, which has been used to effectively learn high-level semantic information from the data with a surrogate task in many applications. Specifically, in order to provide self-supervised information to guide the NMF-based unmixing model, multiple clustering is integrated into the optimization process of NMF. Moreover, by introducing interaction between each clustering and the unmixing procedure, more accurate proximate endmember signatures and proximate abundance distributions are expected to be acquired and used to impose self-supervised constraints on endmembers and abundances, respectively. Consequently, effective prior information about endmember signatures and abundance distributions is captured and simultaneously integrated into NMF as valuable constraints to promote unmixing performance. Experiments are conducted on both synthetic data and real hyperspectral images, and the superior performance of our method is shown by comparing it with several state-of-the-art algorithms.
中文翻译:
用于高光谱解混的多重聚类引导的非负矩阵分解
光谱解混是定量分析高光谱遥感影像的一项重要技术。最近,约束非负矩阵分解 (NMF) 已被证明是用于频谱解混的强大工具。然而,获取依赖于问题的先验知识并将其作为有效约束并入 NMF 是一项具有挑战性的任务。在本文中,在自监督框架下提出了一种多聚类引导的 NMF 解混方法,该方法已在许多应用中用于从具有代理任务的数据中有效地学习高级语义信息。具体来说,为了提供自监督信息来指导基于 NMF 的解混模型,将多重聚类集成到 NMF 的优化过程中。而且,通过在每个聚类和分解过程之间引入相互作用,预计将获得更准确的近端元特征和近端丰度分布,并分别用于对端元和丰度施加自我监督的约束。因此,关于端元特征和丰度分布的有效先验信息被捕获并同时集成到 NMF 中,作为促进分离性能的宝贵约束。对合成数据和真实高光谱图像进行了实验,并通过将其与几种最先进的算法进行比较来展示我们方法的优越性能。预计将获得更准确的近端元特征和近端丰度分布,并分别用于对端元和丰度施加自我监督的约束。因此,关于端元特征和丰度分布的有效先验信息被捕获并同时集成到 NMF 中,作为促进分离性能的宝贵约束。对合成数据和真实高光谱图像进行了实验,并通过将其与几种最先进的算法进行比较来展示我们方法的优越性能。预计将获得更准确的近端元特征和近端丰度分布,并分别用于对端元和丰度施加自我监督的约束。因此,关于端元特征和丰度分布的有效先验信息被捕获并同时集成到 NMF 中,作为促进分离性能的宝贵约束。对合成数据和真实高光谱图像进行了实验,并通过将其与几种最先进的算法进行比较来展示我们方法的优越性能。
更新日期:2020-01-01
中文翻译:
用于高光谱解混的多重聚类引导的非负矩阵分解
光谱解混是定量分析高光谱遥感影像的一项重要技术。最近,约束非负矩阵分解 (NMF) 已被证明是用于频谱解混的强大工具。然而,获取依赖于问题的先验知识并将其作为有效约束并入 NMF 是一项具有挑战性的任务。在本文中,在自监督框架下提出了一种多聚类引导的 NMF 解混方法,该方法已在许多应用中用于从具有代理任务的数据中有效地学习高级语义信息。具体来说,为了提供自监督信息来指导基于 NMF 的解混模型,将多重聚类集成到 NMF 的优化过程中。而且,通过在每个聚类和分解过程之间引入相互作用,预计将获得更准确的近端元特征和近端丰度分布,并分别用于对端元和丰度施加自我监督的约束。因此,关于端元特征和丰度分布的有效先验信息被捕获并同时集成到 NMF 中,作为促进分离性能的宝贵约束。对合成数据和真实高光谱图像进行了实验,并通过将其与几种最先进的算法进行比较来展示我们方法的优越性能。预计将获得更准确的近端元特征和近端丰度分布,并分别用于对端元和丰度施加自我监督的约束。因此,关于端元特征和丰度分布的有效先验信息被捕获并同时集成到 NMF 中,作为促进分离性能的宝贵约束。对合成数据和真实高光谱图像进行了实验,并通过将其与几种最先进的算法进行比较来展示我们方法的优越性能。预计将获得更准确的近端元特征和近端丰度分布,并分别用于对端元和丰度施加自我监督的约束。因此,关于端元特征和丰度分布的有效先验信息被捕获并同时集成到 NMF 中,作为促进分离性能的宝贵约束。对合成数据和真实高光谱图像进行了实验,并通过将其与几种最先进的算法进行比较来展示我们方法的优越性能。