一种稀疏约束的图正则化非负矩阵光谱解混方法
甘玉泉1,2, 刘伟华1, 冯向朋1, 于涛1, 胡炳樑1, 汶德胜1

A Sparse Constrained Graph Regularized Nonnegative Matrix Factorization Algorithm for Hyperspectral Unmixing
GAN Yu-quan1,2, LIU Wei-hua1, FENG Xiang-peng1, YU Tao1, HU Bing-liang1, WEN De-sheng1
几种方法的(a) rms SAD和(b) rms AAD的对比 实验2(SNR影响分析实验): 本实验目的是评估噪声对算法的影响程度。 实验选择相同的端元数目和不同程度信噪比的情况下, 来对算法进行分析。 此实验中, 端元数目 P =5, 信噪比分别为15, 20, 25, 30, 35, 40和45 dB的高斯噪声加入了合成数据。 其中, 合成数据的生成方法与实验1中相同, 参数设置也与实验1中相同。 从 图4 (a)中可以看出, VCA-FCLS的端元提取效果优于NMF方法, 同时, GLNMF和EAGLNMF方法的端元提取精度比VCA-FCLS更高。 EAGLNMF方法所获得的 rms SAD值最小, 其端元提取精度比GLNMF方法稍好。 从 图4 (b)中可以看出, VCA-FCLS的丰度估计效果优于NMF方法, 同时, GLNMF和EAGLNMF方法的丰度估计效果比VCA-FCLS更准确。 EAGLNMF方法所获得的 rms AAD值最小, 其丰度估计结果比GLNMF方法稍好。