王 伞, 王立国, 王丽凤

(哈尔滨工程大学 信息与通信工程学院, 哈尔滨 150001)

0 引 言

高光谱遥感技术广泛应用于环境监测、精准农业、林业监测和矿产勘探等领域[1]。由于成像传感器的空间分辨率有限,观察到的像元常由多种类型的地物组成,这种像元称为混合像元。高光谱解混合旨在估计混合像元中的纯光谱信号(端元)和相应比例(丰度)[2]。在高光谱解混研究中应用最广泛的光谱混合模型为线性混合模型(Linear sectral mixing model, LSMM),其中混合像元的反射率等于其相应的丰度和端元线性加权组合。利用LSMM,基于几何、统计和稀疏的高光谱解混方法逐步发展起来[3]。随着美国地质调查局(United States Geological Survey, USGS)光谱库的广泛使用,基于稀疏的高光谱解混方法已成为研究热点。高光谱稀疏解混方法旨在找到一个光谱库的最佳子集对高光谱图像的混合像元进行建模[4]。文献[5]首次采用l1范式来诱导丰度的稀疏性,提出了基于变量分裂和增广拉格朗日的稀疏解混算法(Sparse unmixing by variable splitting and augmented Lagrangian, SUnSAL)。为了结合空间信息,文献[6]将全变分(Total variation, TV)正则项引入SUnSAL,提出了SUnSAL-TV算法。TV正则化揭示了空间均质性,即两个相邻像元中含有同类端元的丰度相似。文献[7]通过将TV正则化和加权非局部低秩张量正则化引入到协作稀疏变分增广拉格朗日解混方法[8](Collaborative SUnSAL, CLSUnSAL),提出了一种加权非局部低秩张量稀疏解混方法(Weighted nonlocal low-rank tensor decomposition method for sparse unmixing, WNLTDSU),同时利用了局部空间平滑性、全局稀疏性和非局部低阶性。SUnSAL-TV、CLSUnSAL和WNLTDSU假设一个端元代表一种类型的材料,忽略了端元光谱可变性。解决这个问题的一个更为理想的方法是引入群稀疏性;即光谱库被组织成多个端元群,每个端元群代表一种类型的地物。……