基于非负矩阵分解的高光谱遥感影像半监督解混研究

Mixed pixels are common in hyperspectral remote sensing image,which is a bottleneck problem for the application of hyperspectral remote sensing image. Unmixing approaches based on non-negative matrix factorization are mainly runned by the assumption of ground objective and the exploration of datasets, which will lead a low matching degree between the actual surface and the estimated results. To solve this problem, this project will combine the semi-supervised mind with NMF model to add the real ground information into unmixing process. Specifically, for 3 real ground information cases ("partial pixel categories”,"partial endmember spectra" and "spectral library"), 3 kinds of semi-supervised NMF based model ——"weighting NMF", "incomplete NMF" and "redundant NMF" are explored. This research can give an satisfied solution for the problem in current unmixing approaches, which have great value in many fields such as mineral analysis, military reconnaissance and so on.

混合像元普遍存在于高光谱遥感影像中，是制约高光谱遥感影像高精度解译的瓶颈问题。针对非负矩阵解混模型中地物特征假设模式和数据挖掘模式导致的解译结果与地表实际情况不相符的问题，本项目将地表真实信息引入混合像元分解，基于非负矩阵分解理论，结合半监督思想，深入研究基于非负阵分解的高光谱遥感影像半监督解混问题。具体地，针对三类真实地表信息“部分像元类别”、“部分端元光谱”和“光谱库”，研究三类半监督非负矩阵分解解混模型——“加权非负矩阵分解”、“不完全非负矩阵分解”和“冗余非负矩阵分解”。 该研究成果能够弥补目前混合像元分解地物特征假设模式和数据挖掘模式的不足，使混合像元分解结果更符合真实地表情况，在矿产分析以及军事侦察等领域具有重要的实际应用价值。

项目将半监督思想引入到非负矩阵分解的光谱解混中，将地表真实信息视为已知信息，将没有真实信息的数据集像元、待求解的端元光谱和组分丰度视为未知信息，将已知信息和未知信息合理组织并融入非负矩阵分解，具体针对“已知部分像元类别”和“已知部分端元光谱”两种情况进行研究，提出了两种半监督非负矩阵分解模型。通过增加可靠的地面信息，进一步地提高混合像元分解的精度，使混合像元分解理论更加具有普适性，与地表真实情况更加一致，增强其鲁棒性、可靠性和适用性。项目的研究成果可为高光谱遥感在环境监测、灾害评估等领域的应用提供理论和方法支撑，尤其适合具备真实地表信息的城市调查、矿产分析以及军事侦察等领域，具有重要的实际应用价值。此外，由于混合像元分解精度易受高光谱影像质量的影响，为此项目开展了高光谱影像预处理（噪声去除）方面的研究，提出了两种高光谱去噪模型。与经典高光谱遥感影像去噪方法相比，项目提出的去噪模型具有效率高且去噪精度好的特点，其研究成果可为卫星影像基础产品生产提供算法支撑，具有较重要的应用价值。