黄 伟，伍飞扬，孙 乐

1.郑州轻工业大学计算机与通信工程学院，河南郑州450001

2.南京信息工程大学计算机与软件学院，江苏南京210044

高光谱图像（hyperspectral image, HSI）是由数十甚至上百个连续波段（通常小于10 nm）图像组成的三维数据立方体，其波段范围涵盖400∼2 500 nm，每个像元可以看成是连续的光谱曲线[1].由于具有丰富的空间光谱信息，高光谱遥感已在诸多领域中获得了广泛应用[2]，如矿物勘探、环境监测、城市规划、食品安全、军事目标识别等.然而，受成像元件和复杂环境的影响，高光谱图像的空间分辨率普遍较低，图像中大部分像元包含多种地物的反射信息，使图像存在混合像元的现象[3].图像处理时通常采用光谱解混的方法，即通过反演图像中的端元及其对应的丰度系数来解决混合像元问题，可见解混是高光谱遥感图像后续应用的一个重要基础.

高光谱解混可分为线性光谱解混[4]与非线性光谱解混[5].与非线性光谱解混模型相比，线性光谱解混模型具有简单、高效以及物理意义明确的优点，该模型假设高光谱图像中的每个像元光谱都由端元光谱线性组合而成.传统的基于线性混合模型（linear mixture model,LMM）的解混方法首先进行端元提取[6]，然后进行丰度估计[7]或者两者同时进行[8].

早期的线性光谱解混模型主要有几何方法与统计学方法[3]，这些方法尽管只需高光谱图像数据少量的先验知识，但要假设场景中包含纯净的像元（即“端元存在假设”），如顶点成分分析方法（vertex compoent analysis, VCA）.然而，受空间……