Para o problema de desmistura não linear de imagens hiperespectrais de sensoriamento remoto, propõe-se um algoritmo de fatoração matricial não negativa multi-núcleo com regularização multi-grafo (MGMKNMF), que constrói termos de regularização multi-grafo no espaço multi-núcleo e, com base nisso, constrói a função objetivo MGMKNMF que inclui termos de regularização multi-grafo no espaço multi-núcleo, regularização de pesos multi-núcleo e regularização de pesos multi-grafo. O MGMKNMF pode atualizar os pesos dos núcleos e dos grafos durante o processo de aprendizagem dos endmembers e abundâncias, construindo o grafo dos dados de entrada com precisão em um espaço multi-núcleo adequado, resolvendo o problema da escolha dos parâmetros dos pesos dos grafos e dos núcleos. Em comparação com o KNMF de núcleo único, o multi-núcleo pode determinar um espaço de núcleo mais adequado; comparado com o GNMF de um único grafo, o multi-grafo é mais preciso e confiável. Os resultados experimentais em dois conjuntos de dados reais e dois conjuntos de dados simulados mostram que o algoritmo MGMKNMF é eficaz. Em comparação com GNMF, KNMF de núcleo não puro, KNMF não negativa esparsa de núcleo, desmistura espectral não linear baseada em poda de dicionário de núcleo e algoritmo de fatoração matricial não negativa multi-núcleo com regularização multi-grafo, o algoritmo MGMKNMF proposto alcança os melhores valores médios de distância angular espectral (SAD) nos conjuntos de dados reais Cuprite e Jasper Ridge, sendo 0.0921 e 0.0970 respectivamente; nos conjuntos de dados simulados HAPKE e modelo bilinear generalizado, alcança os melhores SAD médios, 0.1375 e 0.1456 respectivamente, com os melhores valores de raiz do erro quadrático médio, 0.0506 e 0.0570 respectivamente.

desmistura;fatoração matricial não negativa multi-núcleo com regularização multi-grafo;regularização;imagens hiperespectrais