基于压缩感知和非负矩阵分解理论的高光谱混合像元分解

Hyperspectral imagery unmixing plays an important role in remotely sensed image processing. In this project, a variational model for blind hyperspectral imagery unmixing based on compressive sensing (CS) and nonnegative matrix factorization (NMF) will be proposed. First, we will use some bases to generate the compressed hyperspectral data, then we will build an energy model to compute the endmembers and their abundance in a pixel directly. The model is constrained by the total variation term and a sparsity measure function to keep the piecewise constant and the sparseness of abundance. The alternative minimization algorithm will be studied in order to compute the unmixed endmembers and their abundance fastly. We will conduct extensive numerical experiments to demonstrate the feasibility and efficiency of the proposed approach, using both synthetic and real data. The method will be very valuable in mineral prospecting, terrain identification, environmental monitoring, and so on.

混合像元分解在高光谱遥感领域扮演着重要角色。项目针对目前的混合像元分解方法精度差、复杂度高等特点，结合压缩感知和非负矩阵分解理论，试图提出一种新的盲混合像元分解变分模型，该模型利用一组基对数据进行压缩，再进行像元分解，以避免大数据量带来的数据高复杂度问题。在基的选取上，项目将探讨不同基，如DCT、 Gabor等的性质，以得到最佳压缩效果。考虑到端元丰度的分段常数和稀疏特性，我们将用全变分和稀疏性度量函数来约束模型。在分析模型稳定性的基础上，项目会进一步研究快速有效的迭代算法求取端元和丰度。在模型和算法的验证方面，项目采用野外实测、卫星遥感等多源数据对方法的稳定性和精确性进行考查。混合像元分解方法的研究，对于矿物勘探、地形识别、环境监控等方面都有非常重要的理论意义和应用价值。

混合像元分解在高光谱遥感领域扮演着重要角色。本项目针对目前的混合像元分解方法精度差、复杂度高等特点，提出了系列快速有效的高光谱影像混合像元分解模型计算法。基于压缩感知稀疏编码理论，探索了新的先验信息来构建数学模型，并基于变量分裂和交替迭代优化实现了快速求解，提高了丰度估计的效果，为精确的定量遥感应用提供基础服务。这三种模型和算法适应遥感影像处理精确性、适时性和鲁棒性的要求；我们在大量模拟数据集和真实数据集上对我们的模型与算法进行了全面验证、分析与应用示范。本项目的研究，对于矿物勘探、地形识别、环境监控等方面都有非常重要的理论意义和应用价值。.项目研究进展顺利，在理论研究方面，围绕 1) 高光谱图像的稀疏表示研究； 2) 盲混合像元分解的变分模型研究； 3）混合像元分解模型的快速算法研究； 4）混合像元分解模型及其算法的验证等4个方向展开了重点研究。在理论方法上取得了多项突破，圆满完成了各项研究任务，实现了预期研究目标。在研究成果方面，课题组成员已出版学术论文9篇（SCI论文7篇，SCIE论文1篇），包含1篇CCFA类论文。 在学术合作与交流方面，邀请国内外学者交流访问2人次。在人才培养方面，培养博士研究生5人、硕士研究生5人。