高光谱遥感技术具有强大的地物探测能力.然而,其空间分辨率低的特点导致光谱图像中存在大量的混合像元,该现象阻碍了高光谱技术的应用和发展.针对米级以下的高光谱图像,线性混合模型能够很好地为混合像元建模.由于其物理上的可释性以及数学上的可操作性,作为光谱解混基础的线性混合模型受到了广泛关注,为高光谱图像的混合像元解混问题提供了重要的解决思路.然而,由于观测噪声、环境条件、端元变异性和数据集大小等情况的存在,线性解混依然是一个具有挑战性的不适定的逆问题.通过整理近五年的文献资料,分别从非负矩阵分解、原型分析、贝叶斯方法以及稀疏解混四个方面介绍线性解混数学模型的发展现状以及面临的问题.

丰度估计(AE)是从高光谱图像中识别地物的关键预处理技术.鉴于线性混合模型的可解释性以及数学上的可操作性,带约束的线性回归技术在丰度矩阵估计中备受关注.目前,这类方法存在的缺陷是其拟合过程中仅仅考虑到估计数据与真实数据之间的拟合误差,忽略了估计数据的结构与真实数据的结构之间的相似性信息.因此,提出了融合结构信息的线性回归模型,并应用于稀疏低秩丰度矩阵估计领域.首先,通过增加结构信息改进传统的带约束的线性回归模型,并经数学理论证明了增加结构信息的模型较传统模型更加有效；其次,应用该方法改进稀疏低秩丰度估计的数学模型；最后,采用交替乘子法(ADMM)技术求解新模型.实验结果表明,融入结构信息的稀疏低秩丰度估计算法能够有效地提高仿真数据和实际高光谱数据的丰度估计的估计精度,改善其抗噪性能.

本文主要研究了图像去雾技术以提高由于雾霾影响而导致的失真图像的主客观质量。对基于暗通道先验和大气散射模型的去雾算法进行了改进, 设计了新的天空区域计算和透射率阈值确定方法, 通过增强结果图的对比度和调整亮度, 进一步降低了算法的失真。还通过对图像加雾, 分别从主观质量评价和以结构相似度作为客观标准的客观评价两方面, 用数理统计方法比较了各个相关算法的性能。实验表明, 所提算法有效地降低了图像的失真(评价分最高), 使去雾图像有较高的主观质量(总体评价分并列最高)。