.png){kind=icon}
返回
Superpixel-Based Autoencoder-Like Nonnegative Tensor Factorization for Hyperspectral Unmixing
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3602210.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱解混对于推动遥感（RS）应用具有重要意义，旨在从观测到的高光谱图像（HSI）中提取纯净材料的谱线（称为端元）及其比例（称为分数丰度）。非负矩阵分解（NMF）是高光谱解混的一种流行技术；然而，它无法有效保留HSI的空间和光谱相关性，也无法充分表征光谱变异性。为克服这些局限性，我们提出了一种新颖的基于超像素的类自编码器非负张量分解（SANTF）模型用于高光谱解混。具体而言，受自编码器架构的启发，构建了一个类自编码器非负张量分解（ANTF）模型，以直接将高光谱数据投影到丰度空间。为进一步利用局部空间信息，将超像素策略整合到ANTF框架中，从而构建了SANTF模型。注意，超像素立方体是联合分解的，而非以平均值表示。同时，每个超像素立方体生成一个端元矩阵以捕捉光谱变异性。随后，设计了一个鲁棒的双加权端元（rDWE）约束，以自适应地获取共识端元矩阵。此外，采用张量核范数（TNN）约束以增强丰度张量的低秩特性。在合成和真实HSI数据集上的实验结果，与几种解混方法对比表明，所提出的SANTF方法能够实现更优的解混性能。
Keyword:
Autoencoder
endmember constraint
hyperspectral unmixing
nonnegative tensor factorization (NTF)
superpixel
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
uDAS: An Untied Denoising Autoencoder With Sparsity for Spectral UnmixinguDAS: 一种用于频谱分解的稀疏性去噪自动编码器
PREAI
分享收藏Hyperspectral Unmixing Using Double Reweighted Sparse Regression and Total Variation基于双重加权稀疏回归和总变异的高光谱解混
PREAI
分享收藏A General Loss-Based Nonnegative Matrix Factorization for Hyperspectral Unmixing用于高光谱分解的一般基于损失的非负矩阵分解
PREAI
分享收藏AE-RED: A Hyperspectral Unmixing Framework Powered by Deep Autoencoder and Regularization by DenoisingAe-red: 由深度自动编码器和去噪正则化提供动力的高光谱分解框架
OAAI
OAAI分享收藏
查看更多内容