1、隨著遙感應用逐漸趨向于定量化和精確化，高光譜解混作為高光譜遙感影像處理的關鍵技術之一，日益引起國內(nèi)外學者的廣泛關注。高光譜解混是指利用高光譜圖像將混合像元分解為幾種基本類型的地物光譜向量（端元），并求得這些基本地物所占比例（豐度）的技術。高光譜解混性能的提高，不僅有利于高光譜應用的發(fā)展，如地物的分類和識別、圖像的解譯和可視化、圖像的增強和壓縮等，也對地質(zhì)勘探、農(nóng)業(yè)監(jiān)測和軍事偵查等具有重要意義。
　　本文對高光譜解混的研究現(xiàn)狀進行總

2、結與分析，并提出了兩種新的非線性解混算法:
　　(1)基于NNSAE-BP的高光譜解混
　　結合非負稀疏自編碼器(NNSAE)在挖掘數(shù)據(jù)內(nèi)在結構、提取特征方面的優(yōu)勢，提出了一種基于NNSAE-BP的非線性高光譜解混模型。該模型的實現(xiàn)步驟包括兩個階段:解混模型的監(jiān)督式學習階段和高光譜數(shù)據(jù)的非線性解混階段。最終將高光譜解混的問題轉化為基于NNSAE編碼模塊的高光譜特征提取、以及基于BP神經(jīng)網(wǎng)絡豐度預測模塊的端元豐度預測。

3、　　在基于NNSAE編碼模塊的高光譜特征提取模型學習中，針對編碼模塊表示層節(jié)點的優(yōu)選，提出了一種基于Otsu的編碼模塊表示層節(jié)點自適應選取算法，有效降低了模型計算的復雜度;利用BP神經(jīng)網(wǎng)絡采用小批量梯度下降法實現(xiàn)回歸分析，并在目標函數(shù)中引入L2權重衰減項，防止過擬合。
　　通過在真實高光譜數(shù)據(jù)庫上的實驗證明，該方法有效地提高了解混性能。
　　(2)基于SSC-rNMF的高光譜解混
　　從盲源分離角度出發(fā)，以非負矩陣分解

4、(NMF)理論作為研究工具，同時引入端元的L2正則約束和豐度的L1/2正則約束，提出了一種基于平滑和稀疏約束的魯棒非負矩陣分解(SSC-rNMF)方法。
　　基于SSC-rNMF的解混方法是非監(jiān)督式的，所需的先驗信息僅為端元個數(shù);采用塊坐標下降法以乘法迭代的方式，實現(xiàn)高光譜圖像的低秩分解;并引入符合高光譜解混特性的正則化，減小矩陣分解的解空間。不同于NMF，SSC-rNMF算法通過對非負的異常項進行乘法迭代計算，使其描述非線性因素