高分系列卫星的发射和无人机高光谱技术的发展， 高光谱可用数据进一步扩展。 为了提升高光谱数据的精细利用价值， 高光谱影像混合像元解混成为当前至关重要的任务。 随着人工智能技术的快速发展， 深度学习理论被引入遥感图像处理领域。 自编码网络具有较强的特征提取能力， 已经开始应用于高光谱影像解混方面。 以自编码网络为基础对其结构进行改进， 提出一种深度堆栈自编码网络（DSAE）用于高光谱图像解混研究。 该网络包含两个部分: 端元识别网络（EDSAE）和丰度求解的网络（ADSAE）。 首先， 通过添加批标准化处理、 稀疏约束、 “和为一”约束以及删除网络偏置项构建EDSAE网络， 开展非监督训练进行高光谱影像端元识别。 其次， 将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强， 生成多元混合的带有丰度标签的模拟高光谱数据集。 最后， 在堆栈自编码网络基础上， 设置最后一层自编码器的激活函数为Softmax函数， 构建监督训练网络ADSAE， 把模拟数据集作为训练数据， 高光谱影像作为测试数据， 求取真实高光谱影像的丰度矩阵。 对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验， 基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。 结果表明: 对3组真实的高光谱影像开展解混， DSAE方法在端元提取方面相比于其他5种方法， 具有最优精度; 在丰度求解方面， 基于HAPKE模型生成的模拟数据集， 利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵， 相比于LINEAR模型和FCLS方法， 均具有最优的丰度反演结果。 DSAE方法具有较好的稳定性和鲁棒性， 为高光谱影像定量研究提供了新的思路。

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统端元提取算法忽略了高光谱图像中地物空间分布相关性与非线性结构，制约了端元提取算法的精度。针对高光谱图像的空间关系与非线性结构，提出一种基于同质区分割的非线性端元提取算法。使用超像素分割方法将图像分割为若干同质区，利用流形学习构造高光谱图像数据的非线性结构，最后在同质区内提取端元并利用聚类方法优选端元。模拟和真实图像数据实验表明，该算法能够保证高光谱数据的非线性结构，端元提取结果优于其他传统线性端元提取方法，在低信噪比的情况下，可以保持较好的端元提取结果。

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素, 制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构, 提出一种基于测地线距离的正交投影端元提取算法, 将测地线距离引入端元单体提取过程, 利用正交投影方法逐个提取端元。为了降低测地线距离计算量, 在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明, 该方法能够表征光谱数据中非线性因素, 端元提取结果优于传统自动目标生成端元提取方法。

高光谱图像有效压缩对于实现实时传输具有重要意义。本文将光谱线性分解应用于高光谱图像的高效压缩中，根据高光谱图像的线性混合模型，将高光谱数据分解为端元与丰度的乘积，编码端对端元与丰度进行必要的数据处理，然后分别进行JPEG-LS无损压缩，形成输出码流数据。解码端利用最终解码后的端元与丰度相乘来重建原始图像，探讨了量化步长对率失真性能的影响。仿真实验结果表明，该方法能够取得一定的压缩性能。

自然界中岩石一般是由多种矿物集合而成的紧致混合物, 由于高光谱传感器低空间分辨率的特征, 获得的高光谱数据多为矿物组分的综合反映。 受噪声干扰以及矿物复杂的混合机理等因素影响, 高光谱端元识别和定量分析成为目前研究的热点与难点。 基于深度学习理论, 对原始自编码结构进行改进, 提出了一种改进的堆栈稀疏自编码的矿物高光谱端元识别方法（stacked sparse autoencoders, SSAE）, 为高光谱解混提供新的思路。 首先, 根据矿物混合光谱的特点, 对原始自编码结构进行三点改进: 第一, 去掉自编码神经网络的偏置项（bias）; 第二, 在隐藏层激活函数之前添加批归一化（batch normalization, BN）层, 最后一层输出层使用Relu激活函数; 第三, 用光谱角函数（ＬSAD）代替均方误差（ＬMSE）作为目标函数。 SSAE法通过梯度下降方式对目标函数进行优化求解获取神经网络参数。 然后, 利用Hapke模型建立不同矿物组合和不同质量分数的两个模拟数据集, 数据集共包括高岭石、 叶腊石、 蒙脱石、 绿泥石、 白云母、 方解石、 赤铁矿、 白云石、 钾长石和褐铁矿10种常见矿物光谱。 最后, 利用SSAE方法对模拟数据集进行端元提取测试, 测试结果与网络结构改进过程中产生的6种情况以及顶点成分分析法（VCA）和基于最小体积的变元切分增量拉格朗日单形体识别算法（SISAL）提取结果进行比较。 实验证明, 本研究提供的是一种盲端元识别方法, 改进后的SSAE神经网络端元提取精度比未完成改进前有明显提升。 SSAE法可以成功识别两个模拟数据集所有的端元, 光谱角距离（spectral angle distance, SAD）的平均误差分别为0.0597和0.0344, 与VCA法提取精度差异较小, 均优于SISAL法的识别结果。 SSAE法为矿物高光谱解混提供了新的方向, 对高光谱遥感的地质应用和高光谱遥感定量分析研究具有较好的促进作用。

混合像元的存在是制约高光谱遥感应用精度的主要原因, 因此必须进行高光谱解混合。端元提取作为高光谱解混合的关键, 往往易受噪声和异常点的干扰。为了提高端元提取精度, 针对高光谱端元提取提出了一种空谱联合的预处理方法。首先, 定义了新概念光谱纯度指数, 主要用于预估高光谱图像中每个像元的光谱纯度; 其次, 给出了基于光谱纯度指数的空间去冗余方法, 利用真实地物的空间分布连续性, 判断和移除高光谱图像中冗余像元, 最终形成精简的候选端元集。实验结果表明: 采用提出的预处理方法后, 对于模拟高光谱图像, 提取的端元与原始端元之间夹角平均减少了9022 3°, 候选端元数量少于原始像元数量的10%。该预处理方法不仅有效消除了噪声和异常点的干扰, 提高了端元提取精度, 且大幅降低了时间复杂度。

针对传统单端元提取方法不能描述端元变异、限制混合像元分解精度的缺点, 提出一种基于像元纯净指数的多端元提取算法（Multiple Endmember Extraction Algorithm Based on Pixel Purity Index, PPI-MEE）。首先将图像划分为不重叠的图像块, 并分别利用改进的PPI算法提取候选端元集, 然后利用候选端元的邻域像元光谱信息对候选端元进行优化和精选。最后, 对优化精选后的端元集分类得到每类地物的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明, 提出的多端元提取策略具有表征遥感图像中端元光谱变异的能力, 能够提高端元提取精度和混合像元分解精度。

光谱解混可以有效提升高光谱图像的利用效率。非负矩阵分解(NMF)常用于寻找非负数据的线性表示,可以有效解决混合像元问题。基于丰度的稀疏性和图像局部不变性提出一种高光谱解混算法。对丰度采取稀疏性约束和基于拉普拉斯矩阵的图正则项约束,构造了一个新的目标函数,端元和丰度在经过若干次迭代后取得了较好的解混合结果。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明所提算法具有良好的解混性能。

为了解决传统N-FINDR算法降维时破坏像元光谱曲线的物理意义这个问题, 采用波段选择方法中的最佳指数法代替特征提取, 改进N-FINDR算法的降维方式; 利用模拟和真实高光谱数据进行实验, 分别用改进的N-FINDR算法与其它两种算法提取端元, 并用全约束最小二乘法解混。结果表明, 改进的N-FINDR算法的解混精度更高, 用时更少。用波段选择代替特征提取改进降维方式, 保留了光谱曲线的物理意义, 在N-FINDR算法中是可行的。