基于局部空间信息的自适应局域提取稀疏非负矩阵分解

高光谱分解的目的是从中获取末端成员特征及其相应的丰度图高度混合的高光谱图像。 非负矩阵分解(NMF)是一种广泛使用的光谱方法因为在高光谱图像中没有纯像素的情况下它可以获得更好的性能,所以可以进行混合。 然而, 基于非负矩阵分解的许多方法很少考虑局部和局部空间信息。 非本地的。 为了将空间和光谱信息结合在一起以提高解混精度,自适应基于端元提取的具有空间局部信息(ASNMF)的稀疏非负矩阵分解为本文提出。 超像素分割将获得光谱上相似的许多有意义的区域与空间相邻。 在每个超像素上自适应提取端成员以生成端成员集。 初始化末端成员集,ASNMF可以使用稀疏非负矩阵自适应地获得最终末端成员因式分解。 在合成和真实场景图像上的实验均表明了该方法在高光谱解混中的有效性。