《表5 PPNM混合模拟数据实验结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《高分五号高光谱图像自编码网络非线性解混》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

LSMM、GBM和PPNM混合模拟数据的丰度和重构误差实验结果如表3、表4和表5所示，表6为不同模拟数据的端元光谱角距离结果。从本实验的实验结果可以看出，VCA-FM方法在不同信噪比的情况下RMSE和RE值最大，说明相比于其他方法，VCA-FM方法的非线性分解精度不高。在信噪比较小的情况下，VCA-GBM、VCA-PPNM和VCA-MLM方法可以得到比VCA-FM和VCA-KHype方法更加准确的丰度结果。而在信噪比较大的情况下，VCA-KHype方法能够得到比VCA-GBM、VCA-PPNM和VCA-MLM方法更准确的丰度结果，但是所对应的重构误差偏大。相比于传统的非线性分解方法，NAE方法可以得到较小的RMSE和SAD值，说明该方法在端元提取和丰度反演方面具有优于传统方法的特点，并且具有一定的鲁棒性。由于神经网络具有处理非线性问题的优势，NAE方法能够获得更加准确的重构图像，从而提升对端元和丰度求解的精度。图4为不同迭代次数下NAE方法和ENAE方法的重构误差曲线图，右侧为收敛后的细节图。可以看出，随着迭代次数的增加，NAE方法和ENAE方法所得到的重构误差都能趋于一个定值，并且ENAE方法稳定后的重构误差总是小于NAE方法所得到的重构误差。这是因为ENAE方法考虑了端元与虚拟端元间的共线性作用，并引入了L2范数正则项限制了解集的搜索空间和降低了解集的自由度，从而使得解集更加平滑，重构误差更加接近原点。因此，在不同信噪比的情况下，ENAE方法都能够得到比NAE方法更加准确的端元和丰度结果，证明了ENAE方法的鲁棒性。