赵春晖，成宝芝，杨伟超

(哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001)

高光谱遥感数据是通过高光谱遥感测量仪器定量获取的，是由数十至数百个波长在0.3～2.5μm之间的窄波段(波段宽度小于10 nm)形成的像元组成，可以提供几乎连续的地物光谱曲线[1]，这些地物光谱曲线相比于多光谱来说更全面反映了成像的目标特征.但是，由于遥感仪器中使用的传感器空间分辨率受到技术条件的限制和观测的地物情况的复杂性，使得高光谱图像存在着混合像元的情况.如果把混合像元作为纯像元进行分类、目标探测等应用研究，结果会有很大的误差.这使高光谱解混问题成为近年来遥感领域的一个研究热点.目前，利用非负矩阵分解进行高光谱解混得到充分关注，Miao等[2]提出的最小体积约束的非负矩阵分解(minimum volume constrained nonnegative matrix factorization， MVC-NMF)算法;Alexis Huck 等［3］提出的结合最小离差约束的非负矩阵分解(minimum dispersion constrained nonnegative matrix factorization，MIDINMF)算法;Jia S等［4］提出的基于稀疏性和分段平滑性约束的非负矩阵分解;YU Yue等［5］提出的采用最小距离约束的非负矩阵分解(minimum distance constrained nonnegative matrix factorization，MDNMF)算法，吴波等［6］提出的基于端元约束的非负矩阵分解(constrained nonnegative matrix factorization，CNMF)算法.由于高光谱数据的复杂性，这些改进的约束非负矩阵分解算法都有一定的局限性.

本文通过对高光谱混合像元含有的端元光谱的光谱特性和丰度分布特性的深入分析，提出了一个新的约束非负矩阵分解算法，即以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小为约束条件的非负……