真实数据仿真实验及分析的OMP高光谱稀疏解混算法

为了验证提出的改进算法在实际应用中的有效性，采用真实印第安纳州农田数据进行仿真实验。从选择玉米、小麦、大豆等3类地物的混合像素构成混合像素矩阵，根据地物光谱信息生成端元光谱库。OMP及其改进稀疏解混算法对应得到的端元丰度RMSE值及平均丰RMSE值。真实高光谱图像仿真实验结果可以看出，FDOMP改进算法明显地提高了稀疏解混的精确度，证明了该算法在高光谱数据实际应用中的有效性。改进算法在模拟数据和真实数据仿真实验中，都明显改善了解混效果，这也说明了DOMP算法与丰度全约束思想相结合的FDOMP算法，在稀疏解混算法中具有实际应用价值。

稀疏解混算法得到的端元3丰度图对比。通过FDOMP稀疏解混算法得到的丰度图比OMP算法更接近真实丰度分布。从OMP算法与DOMP算法得到的丰度图效果相近，DOMP 效果略好。而NDOMP算法与FDOMP算法丰度图效果相近，并且明显优于OMP算法，算法解混得到的端元3的RMSE值是相对应的，RMSE值小的丰度图更接近真实丰度图，对农作物的分辨能力更强。

实验所用真实高光谱数据混合像素的丰度误差，横轴表示丰度的RMSE值，纵轴表示像素数。由于RMSE值越小，说明混合像索反演得到的丰度越接近真实值。FDOMP算法的RMSE值在0.1以下的像素数更多，即正确反演的混合像素数更多。通过比较正确反演的像素数，可以直观地看到FDOMP稀疏解混算法得到的丰度系数准确度更高。从正确反演像素数的角度验证了改进算法应用于稀疏解混的有效性，并再次证明了FDOMP算法提高了农田高光谱数据农作物的分辨能力。