基于非负自编码器及非负矩阵分解的高光谱解混的任务书.docx

基于非负自编码器及非负矩阵分解的高光谱解混的任务书
任务书
一、任务背景
高光谱影像技术在农业、环境、地质、气象等多个领域中有广泛的应用。而高光谱影像中常常存在混合像元（MixedPixels），这对于后续的数据分析和应用会带来极大的困难。因此，实现高光谱解混一直是高光谱影像处理的一个重要研究领域。
目前，高光谱影像解混主要使用的方法是基于线性或非线性的混合模型。线性混合模型包括最常见的光谱未混合模型（SpectralUnmixing）和AbundanceEstimation。非线性混合模型相比线性混合模型，具有更好的适用性和准确性。因此，本次任务将以非线性解混为研究主要内容，旨在提出一种高效、准确的高光谱影像解混方法。
二、任务内容
本次任务的主要内容是基于非负自编码器及非负矩阵分解的高光谱影像解混。具体任务内容包括：
1.阅读相关文献，了解非负自编码器及非负矩阵分解的原理和应用。
2.寻找合适的高光谱数据集，并进行预处理。
3.建立非负自编码器或非负矩阵分解模型，并对模型进行训练。
4.采用实验数据进行模型验证和结果分析，比较本次任务提出的方法与其他方法之间的性能差异。
5.撰写实验报告，详细记录实验过程以及结果分析。
三、任务要求
1.本次任务需要熟悉Python编程语言，熟悉数据处理和机器学习相关算法。
2.实验数据的获取、预处理、模型的建立、调参以及实验结果的分析均需自主实现。
3.实验报告需要详细记录实验过程、结果分析和结论。
4.实验结果需要与其他方法进行比较，分析本次任务提出的方法的优缺点。
5.实验报告需要具备清晰的逻辑性和表达能力。
四、参考文献
1.Zhang,Q.,Yang,Y.,Han,L.,&Zhang,X.(2018).Spectralunmixingofhyperspectraldatabasedonnon-negativematrixfactorizationandsparserepresentation.JournalofAppliedRemoteSensing,12(2),025007.
2.Yu,Z.,&Zhang,B.(2019).Hyperspectralimageunmixingusingnon-negativematrixfactorizationwithgeometricconstraints.RemoteSensing,11(10),1168.
3.Ruzieh,H.,&Mallet,C.(2017).Non-negativematrixfactorizationforhyperspectraldataanalysis:areview.IEEETransactionsonGeoscienceandRemoteSensing,56(5),2765-2781.