基于非负张量分解的高光谱图像解混研究

In the case of hyperspectral image data with high dimensional characteristics, the traditional hyperspectral unmixing method of low-dimensional destroyed the original high-dimensional characteristics of the data. Based on this, we study the high-dimensional method for hyperspectral unmixing with nonnegative tensor decomposition (NTD). The concrete contents are as follows: (1) Using the NTD as the theoretical model, an adaptive rank selection method for NTD will be researched, the adaptive method is a data-driven method with Bayesian theory. (2) In order to better deal with the relationship between the end member and the group, and enhance the unmixing effect, NTD with elastic network regularization model for hyperspectral unmixing will be researched. (3) In order to improve the unmixing of large hyperspectral data, a distributed algorithm for NTD based on alternating direction method of multipliers (ADMM) model will be researched. The research of this project will enrich the theory of hyperspectral unmixing theory, which has important theoretical value. Meahwhile, the researchs of this project will extent the applications of NTD theory .

面对高维特性的高光谱图像数据，传统高光谱解混低维方法破坏了数据原有高维特性。基于此，本课题研究基于非负张量分解的高光谱解混的高维处理方法，具体内容如下：（1）以非负张量分解为理论模型，以贝叶斯法的数据驱动模式，研究非负张量分解算法中秩的自适应选取问题，以建立基于非负张量分解的高光谱解混模型。（2）为使非负张量分解在光谱稀疏解混过程中更好的处理端元成分个体与群之间的联系，建立高光谱图像解混的非负张量分解弹性网络正则化模型，以增强高解混效果。（3）为了提高大型数据的高光谱数据解混速度，研究基于分布式非负张量分解技术，导出一类基于ADMM模型的分布式求解算法。本项目的研究丰富了高光谱遥感图像解混理论，具有重要的理论意义；同时拓展了非负张量分解理论的应用。

高光谱数据的混合像元解混是个不适定问题，且高光谱数据在很多情况下存在高维、稀疏等特性。这些现实因素为高光谱解混的精度及稳定性带来了诸多挑战。本项目针对高光谱图像的高维和稀疏等现实特性问题，基于相关熵的度量距离理论、光谱空间结构信息以及流形域的非线性映射理论，提出了更为先进的光谱解混模型，并以此模型应用于水文监测领域。本课题理论贡献在于：（1）提出了基于局部坐标分解的矩阵分解算法，并推广到非负张量分解模型，应用于光谱解混，从而建立基于局部坐标分解的数据驱动的非负张量分解模型。（2）通过对光谱数据在结构上进行有目的的拆分，并利用拉格朗日模型进行算法的优化，课题组提出了局部协作稀疏回归正则法，该方法能够充分挖掘光谱图像的空间信息和光谱端元间的关系，从而使解混精度更加准确。（3）提出了基于海森的流形域非负矩阵（张量）解混模型，该模型能够挖掘光谱非线性混合信息以提高解混精度。在实际应用层面，本项目算法在玉田湖水文监测系统中已得到了初步应用。项目组成员共发表11篇论文，其中2篇SCI论文，EI论文8篇；在投2篇SCI论文；在该项目资助下，共培养2名硕士生。本研究的相关成果在水文监测、地质调查等领域具有很高的实际应用价值。