一种基于Sinkhorn距离的盲高光谱解混模型的构建方法

摘要

本发明公开一种基于Sinkhorn距离的盲高光谱解混模型的构建方法，利用EarthMover’sDistance(EMD)代替欧氏距离，克服噪声影响；通过熵正则约束将EMD改进为Sinkhorn距离，建模不同特征维度之间的关系，从而保证特征间的相关性；基于流形学习理论，引入图正则项以保持数据间局部几何结构。本发明通过构建基于Sinkhorn距离的解混框架来解决传统欧氏距离易受噪声影响、忽略图像空间中的相关性特征的问题。模型根据EMD对不同维度特征之间的关系不敏感的特点，将Sinkhorn距离作为度量误差的标准，对不同维度上的特征能够分别进行有效建模，特征间的相关性被充分开发利用。采用拉格朗日函数法及KKT条件定量评估所提出模型的解混性能，证明了该解混模型的可行性及优越性。