摘要
高光谱遥感技术包含着丰富的空间信息和光谱信息，被广泛应用于环境检测、军事侦察等多个领域.但是，由于高光谱传感器空间分辨率低，地物信息又较为复杂，高光谱图像中的每个像元通常为包含多种地物信息的“混合像元”，这就很大程度上降低了地物辨别和分类的精度，为遥感图像的定量分析带来了诸多困难.近年来，非负矩阵分解(NMF)以其简单有效性，被广泛应用于高光谱解混.本文主要对基于高光谱解混的NMF方法进行了研究，并提出了一种新的高光谱解混模型.具体内容如下: 为了获得更精确的端元提取和丰度估计效果，基于高光谱数据具有组结构和丰度矩阵具有稀疏性的特点，本文将空间组稀疏和L1/2范数作为正则项添加到了标准的NMF中，提出了带有空间组稀疏和L1/2正则的非负矩阵分解(Spatial Group Sparsity and L1/2 Regularized Nonnegative Matrix Factorization for Hyper-spectral Unmixing,GROUP-L1/2-NMF)模型.其中自适应超像元空间组由改进的简单线性迭代聚类算法(SLIC)生成.针对模型的非光滑非凸性，引入了一种光滑活跃集的算法(PAO-PG-SASPG)进行模型求解，以得到更好的解混效果. 为验证该方法的有效性，本文在合成数据集和真实数据集上分别进行了数值实验，并与常见的有效算法进行对比，实验结果证明，GROUP-L1/2-NMF在端元评估和丰度估计上都更具有优势性.由于初始点对高光谱解混结果影响较大，因此在数值实验中本文采用VCA-FCLS方法获取初始点，与随机初始点相比，该方法解混结果更加稳定.
NETL