Spectral weighted sparse unmixing of hyperspectral images based on framelet transform

XU Chenguang; XU Hongyu; YU Chunyan; DENG Chengzhi

doi:10.37188/OPE.20233109.1404

您当前的位置：

首页 >

文章列表页 >

Spectral weighted sparse unmixing of hyperspectral images based on framelet transform

Information Sciences | 更新时间：2026-09-12

- Spectral weighted sparse unmixing of hyperspectral images based on framelet transform
- Optics and Precision Engineering Vol. 31, Issue 9, Pages: 1404-1417(2023)
- 作者机构：
  
  南昌工程学院江西省水信息协同感知与智能处理重点实验室，江西南昌 330099
- 作者简介：
- 基金信息：
- DOI：10.37188/OPE.20233109.1404
  CLC： TP751.1
- Received：18 May 2022，
  
  Revised：2022-07-08，
  
  Published：10 May 2023
- 稿件说明：
移动端阅览
徐晨光,徐洪雨,郁春艳等.Framelet变换高光谱图像光谱加权稀疏解混[J].光学精密工程,2023,31(09):1404-1417.

XU Chenguang,XU Hongyu,YU Chunyan,et al.Spectral weighted sparse unmixing of hyperspectral images based on framelet transform[J].Optics and Precision Engineering,2023,31(09):1404-1417.
徐晨光,徐洪雨,郁春艳等.Framelet变换高光谱图像光谱加权稀疏解混[J].光学精密工程,2023,31(09):1404-1417. DOI： 10.37188/OPE.20233109.1404.

XU Chenguang,XU Hongyu,YU Chunyan,et al.Spectral weighted sparse unmixing of hyperspectral images based on framelet transform[J].Optics and Precision Engineering,2023,31(09):1404-1417. DOI： 10.37188/OPE.20233109.1404.

摘要

空域中高光谱数据由于信息过于分散，

冗余过多，且易受噪声的影响，其特征提取难度较大。为了提高高光谱图像解混的鲁棒性和稀疏性，提出了一种framelet变换高光谱图像光谱加权稀疏解混方法。介绍了高光谱稀疏解混和framelet变换方法的理论知识，接着利用framelet变换对高光谱图像解混建模，并且在该模型上加入变换域光谱加权稀疏正则项，提出framelet变换的高光谱图像光谱加权稀疏解混模型。最后，利用交替方向乘子法对模型进行求解。实验结果表明：信号与重建误差比（SRE）提高12.4%~1 045%，丰度重构正确率（

）保持在16%的误差内。与其他相关稀疏解混方法相比，本文提出的算法具有良好的抗噪性和稀疏性能，获得了更好的解混结果。

Abstract

Hyperspectral sparse unmixing methods have attracted considerable attention， and most current sparse unmixing methods are implemented in the spatial domain； however， the hyperspectral data used by these methods complicate feature extraction owing to scattered information， redundancy， and noisy spatial signals. To improve the robustness and sparsity of the unmixing results of hyperspectral images， a spectral-weighted sparse unmixing method of hyperspectral images based on the framelet transform （SFSU） is proposed. First， we introduce the theoretical knowledge of hyperspectral sparse unmixing and the framelet transform. Following this， we develop a hyperspectral image unmixing model based on the framelet transform using this theory. In this model， a spectral-weighted sparse regularization term is added to construct the SFSU. Finally， to solve the SFSU model， an alternating direction method of multipliers is presented. According to the experimental results， the signal-to-reconstruction error ratio is found to increase by 12.4%-1 045%， and the probability of success （

） remains within 16% error. The proposed model demonstrates better anti-noise and sparse performance compared with other related sparse unmixing methods and yields better unmixing results.

关键词

Keywords

references

KESHAVA N ， MUSTARD J F . Spectral unmixing ［J］. IEEE Signal Processing Magazine ， 2002 ， 19 （ 1 ）： 44 - 57 . doi: 10.1109/79.974727 http://dx.doi.org/10.1109/79.974727

徐晨光，张绍泉，李璠，等 . 高光谱遥感图像光谱加权稀疏解混算法分析和比较［J］. 南昌工程学院学报， 2020 ， 39 （ 6 ）： 87 - 93 .

XU CH G ， ZHANG SH Q ， LI F ， et al . Analysis and comparison of spectral weighted sparse unmixing algorithms of hyperspectral remote sensing images ［J］. Journal of Nanchang Institute of Technology ， 2020 ， 39 （ 6 ）： 87 - 93 . （in Chinese）

BOARDMAN J W . Automating spectral unmixing of AVIRIS data using convex geometry concepts ［C］. Proc. of AVIRIS ， 1993 ： 11 - 14 .

张少磊，付光远，汪洪桥，等 . 基于向量总变差约束局部光谱解混的高光谱图像超分辨［J］. 光学精密工程， 2019 ， 27 （ 12 ）： 2683 - 2692 . doi: 10.3788/ope.20192712.2683 http://dx.doi.org/10.3788/ope.20192712.2683

ZHANG SH L ， FU G Y ， WANG H Q ， et al . Total-variation-regularized local spectral unmixing for hyperspectral image super-resolution ［J］. Opt. Precision Eng. ， 2019 ， 27 （ 12 ）： 2683 - 2692 . （in Chinese） . doi: 10.3788/ope.20192712.2683 http://dx.doi.org/10.3788/ope.20192712.2683

张绍泉，黄志浩，邓承志，等 . 光谱加权协同稀疏和全变差正则化高光谱图像解混［J］. 电子学报， 2020 ， 48 （ 12 ）： 2453 - 2461 . doi: 10.3969/j.issn.0372-2112.2020.12.022 http://dx.doi.org/10.3969/j.issn.0372-2112.2020.12.022

ZHANG SH Q ， HUANG ZH H ， DENG CH ZH ， et al . Spectral reweighted collaborative sparsity and total variation based hyperspectral unmixing method ［J］. Acta Electronica Sinica ， 2020 ， 48 （ 12 ）： 2453 - 2461 . （in Chinese） . doi: 10.3969/j.issn.0372-2112.2020.12.022 http://dx.doi.org/10.3969/j.issn.0372-2112.2020.12.022

BHATT J S ， JOSHI M V . Deep learning in hyperspectral unmixing： a review ［C］. IGARSS 2020 - 2020 IEEEInternational Geoscience and Remote Sensing Symposium . 262，2020 ， Waikoloa ， HI， USA . IEEE ， 2021 ： 2189 - 2192 . doi: 10.1109/igarss39084.2020.9324546 http://dx.doi.org/10.1109/igarss39084.2020.9324546

LI C ， LI J ， SUI C H ， et al . Spatial-spectral nonlinear hyperspectral unmixing under complex noise ［J］. IEEE Sensors Journal ， 2022 ， 22 （ 5 ）： 4338 - 4346 . doi: 10.1109/jsen.2022.3143852 http://dx.doi.org/10.1109/jsen.2022.3143852

贾麒，廖守亿，张作宇，等 . 重加权稀疏非负矩阵分解的高光谱解混［J］. 红外与激光工程， 2020 ， 49 （ S2 ）： 283 - 299 .

JIA Q ， LIAO SH Y ， ZHANG Z Y ， et al . Reweighted sparse nonnegative matrix decomposition for hyperspectral unmixing ［J］. Infrared and Laser Engineering ， 2020 ， 49 （ S2 ）： 283 - 299 . （in Chinese）

徐晨光，邓承志，朱华生 . 近似稀疏约束的多层非负矩阵分解高光谱解混［J］. 红外与激光工程， 2018 ， 47 （ 11 ）： 265 - 273 . doi: 10.3788/irla201847.1117010 http://dx.doi.org/10.3788/irla201847.1117010

XU CH G ， DENG CH ZH ， ZHU H SH . Approximate sparse regularized multilayer NMF for hyperspectral unmixing ［J］. Infrared and Laser Engineering ， 2018 ， 47 （ 11 ）： 265 - 273 . （in Chinese） . doi: 10.3788/irla201847.1117010 http://dx.doi.org/10.3788/irla201847.1117010

IORDACHE M D ， PLAZA A ， BIOUCAS-DIAS J . On the use of spectral libraries to perform sparse unmixing of hyperspectral data ［C］. 2010 2nd Workshop on Hyperspectral Image and Signal Processing： Evolution in Remote Sensing . 1416，2010 ， Reykjavik ， Iceland . IEEE ， 2010 ： 1 - 4 . doi: 10.1109/whispers.2010.5594888 http://dx.doi.org/10.1109/whispers.2010.5594888

WANG P ， SHEN X ， NI K ， et al . Hyperspectral sparse unmixing based on multiple dictionary pruning ［J］. International Journal of Remote Sensing ， 2022 ， 43 （ 7 ）： 2712 - 2734 . doi: 10.1080/01431161.2022.2068358 http://dx.doi.org/10.1080/01431161.2022.2068358

BIOUCAS-DIAS J M ， FIGUEIREDO M A T . Alternating direction algorithms for constrained sparse regression： application to hyperspectral unmixing ［C］. 2010 2nd Workshop on Hyperspectral Image and Signal Processing： Evolution in Remote Sensing . 1416，2010 ， Reykjavik ， Iceland . IEEE ， 2010 ： 1 - 4 . doi: 10.1109/whispers.2010.5594963 http://dx.doi.org/10.1109/whispers.2010.5594963

IORDACHE M D ， BIOUCAS-DIAS J M ， PLAZA A . Collaborative sparse regression for hyperspectral unmixing ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2014 ， 52 （ 1 ）： 341 - 354 . doi: 10.1109/tgrs.2013.2240001 http://dx.doi.org/10.1109/tgrs.2013.2240001

ZHENG C Y ， LI H ， WANG Q ， et al . Reweighted sparse regression for hyperspectral unmixing ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2016 ， 54 （ 1 ）： 479 - 488 . doi: 10.1109/tgrs.2015.2459763 http://dx.doi.org/10.1109/tgrs.2015.2459763

李忠伟，张浩，王雷全，等 . 融合空谱-梯度特征的深度高光谱图像去噪［J］. 光学精密工程， 2022 ， 30 （ 5 ）： 615 - 629 . doi: 10.37188/ope.2021.0485 http://dx.doi.org/10.37188/ope.2021.0485

LI ZH W ， ZHANG H ， WANG L Q ， et al . Deep hyperspectral image denoising by fusing space spectrum-gradient features ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 5 ）： 615 - 629 . （in Chinese） . doi: 10.37188/ope.2021.0485 http://dx.doi.org/10.37188/ope.2021.0485

XU C G ， WU Z M ， LI F ， et al . Spectral-spatial joint sparsity unmixing of hyperspectral images based on framelet transform ［J］. Infrared Physics & Technology ， 2021 ， 112 ： 103564 . doi: 10.1016/j.infrared.2020.103564 http://dx.doi.org/10.1016/j.infrared.2020.103564

RAPIN J ， BOBIN J ， LARUE A ， et al . NMF with sparse regularizations in transformed domains ［J］. SIAM Journal on Imaging Sciences ， 2014 ， 7 （ 4 ）： 2020 - 2047 . doi: 10.1137/140952314 http://dx.doi.org/10.1137/140952314

ZHANG G X ， XU Y Y ， FANG F M . Framelet-based sparse unmixing of hyperspectral images ［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society ， 2016 ， 25 （ 4 ）： 1516 - 1529 . doi: 10.1109/tip.2016.2523345 http://dx.doi.org/10.1109/tip.2016.2523345

CAI J F ， CHAN R H ， SHEN Z W . A framelet-based image inpainting algorithm ［J］. Applied and Computational Harmonic Analysis ， 2008 ， 24 （ 2 ）： 131 - 149 . doi: 10.1016/j.acha.2007.10.002 http://dx.doi.org/10.1016/j.acha.2007.10.002

JIANG T X ， HUANG T Z ， ZHAO X L ， et al . Matrix factorization for low-rank tensor completion using framelet prior ［J］. Information Sciences ， 2018 ， 436/437 ： 403 - 417 . doi: 10.1016/j.ins.2018.01.035 http://dx.doi.org/10.1016/j.ins.2018.01.035

WANG R ， LI H C ， LIAO W Z ， et al . Double reweighted sparse regression for hyperspectral unmixing ［C］. 2016 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. 1015，2016 ， Beijing， China. IEEE ， 2016 ： 6986 - 6989 . doi: 10.1109/igarss.2016.7730822 http://dx.doi.org/10.1109/igarss.2016.7730822

刘敬，李青妍，刘逸 . 基于核加权类对准则的高光谱影像特征提取［J］. 光学精密工程， 2021 ， 29 （ 6 ）： 1397 - 1405 . doi: 10.37188/OPE.20212906.1397 http://dx.doi.org/10.37188/OPE.20212906.1397

LIU J ， LI Q Y ， LIU Y . Spectral feature extraction of hyperspectral remote sensing images based on kernel class pair-weighted criterion ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 6 ）： 1397 - 1405 . （in Chinese） . doi: 10.37188/OPE.20212906.1397 http://dx.doi.org/10.37188/OPE.20212906.1397

RASTI B ， KOIRALA B ， SCHEUNDERS P ， et al . UnDIP： hyperspectral unmixing using deep image prior ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2022 ， 60 ： 1 - 15 . doi: 10.1109/tgrs.2021.3067802 http://dx.doi.org/10.1109/tgrs.2021.3067802

Views

1913

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Coupling error modeling and correction of angular and translational stages in fiber coupling systems

Review of Mamba-based methods for remote sensing image super-resolution

Automatic measurement for buried nano-hole structures in photonic crystal lasers

6-DoF pose estimation and real-time system for complex articulated objects

Simultaneous stress-strain measurement using digital speckle pattern interferometry

Related Author

No data

Related Institution

No data

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China Postal code：130033
Tel：0431-86176855 Email：gxjmgc@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰