Graph Regularized Nonnegative Matrix Factorizationfor Hyperspectral Data Unmixing
محل انتشار: هفتمین کنفرانس ماشین بینایی و پردازش تصویر ایران
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,455
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMVIP07_058
تاریخ نمایه سازی: 28 مرداد 1391
چکیده مقاله:
Spectral unmixing is an important tool inhyperspectral data analysis for estimating endmembers andabundance fractions in a mixed pixel. This paper examines theapplicability of a recently developed algorithm called graphregularized nonnegative matrix factorization (GNMF) for thisaim. The proposed approach exploits the intrinsic geometricalstructure of the data besides considering positivity and fulladditivity constraints. Simulated data based on the measuredspectral signatures, is used for evaluating the proposedalgorithm. Results in terms of abundance angle distance (AAD)and spectral angle distance (SAD) show that this method caneffectively unmix hyperspectral data.
کلیدواژه ها:
Hyperspectral Imagery ، Linear Mixing Model(LMM) ، Spectral Unmixing ، Graph Regularized NonnegativeMatrix Factorization (GNMF)
نویسندگان
Roozbeh Rajabi
Faculty of Electrical and Computer EngineeringTarbiat Modares University (TMU)Tehran, Iran
Mahdi Khodadadzadeh
Faculty of Electrical and Computer EngineeringTarbiat Modares University (TMU)Tehran, Iran
Hassan Ghassemian
Faculty of Electrical and Computer EngineeringTarbiat Modares University (TMU)Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :