高光谱图像的贝叶斯非参数解混

基于离散多任务网络的高光谱混合像元分解

Hyperspectral Unmixing Based on Clustered Multitask Networks

Qom University of Technology（库姆理工大学）

高光谱遥感是数据处理领域的一个重要研究课题。大多数光谱分解算法都是采用线性混合模型来实现的。非负矩阵分解（NMF）及其发展被广泛用于SU问题中的签名和分数丰度估计。在NMF中加入稀疏性约束，并用$ L_ {q} $范数进行正则化.本文首先对高光谱图像进行模糊c-均值聚类，然后采用一种基于稀疏约束分布优化的新算法进行光谱解混。在所提出的算法中，一个网络，包括集群。高光谱图像中的每个像素都被认为是该网络中的一个节点。采用扩散LMS策略对算法进行优化，得到分数丰度和特征矩阵的更新方程。基于定义的性能指标的仿真结果表明，与其他方法相比，该算法在高光谱数据的光谱分解中具有优势。

2018-12-27cs.CV

基于GNMF方法和稀疏约束的高光谱数据解混

Hyperspectral Data Unmixing Using GNMF Method and Sparseness Constraint

Tarbiat Modares University（塔比亚特莫达雷斯大学）

由于高光谱传感器的低空间分辨率，高光谱图像包含混合像素。混合像素是包含多个不同材质（称为端元）的像素。混合像元中端元的存在百分比称为丰度分数。光谱解混问题是指将这些像元分解成一组端元和丰度分数。由于丰度分数的非负性约束，非负矩阵分解方法（NMF）被广泛用于解决光谱分解问题。本文采用带稀疏约束的图正则化（GNMF）方法对高光谱数据进行解混。该方法应用于AVIRIS Indian Pines数据集和USGS库的模拟数据，并基于AAD和SAD度量对结果进行量化。实验结果表明，该方法能更有效地对混合数据进行分解。

2013-06-29cs.CV

多层结构NMF在高光谱图像光谱分解中的应用

Multilayer Structured NMF for Spectral Unmixing of Hyperspectral Images

Tarbiat Modares University（塔比亚特·莫达雷斯大学）

高光谱数据分析中的挑战之一是混合像素的存在。混合像素是高光谱传感器空间分辨率低的结果。光谱解混方法将混合像元分解成一组端元和丰度分数。由于丰度分数值的非负性约束，基于NMF的方法非常适合这个问题。本文在线性混合框架下，利用多层NMF方法改进了高光谱数据混合光谱分解的NMF方法。本文对光谱特征和丰度分数矩阵进行了稀疏约束。所提出的算法进行评估，使用合成和真实数据集的光谱角和丰度角距离。实验结果表明，该算法优于其他先前提出的方法。

2015-06-04cs.CV

高光谱数据稀疏约束分布式混合分解

Sparsity Constrained Distributed Unmixing of Hyperspectral Data

Qom University of Technology（库姆理工大学）；Shiraz University（设拉子大学）

光谱解混是一种对遥感高光谱图像混合像元进行特征化的技术。大多数光谱分解算法都是基于线性混合模型的。在盲问题中，非负矩阵分解（NMF）及其发展被广泛应用于端元和分数丰度矩阵的估计。NMF中加入的约束之一是稀疏性，它通过Lq范数进行正则化。本文提出了一种基于分布式优化的混合光谱分解新算法。在该算法中，一个网络，包括单节点集群。高光谱图像中的每个像素被认为是该网络中的一个节点。采用扩散最小平均p幂（LMP）策略对稀疏约束分布式解混进行优化，得到了分数丰度和特征矩阵的更新方程。然后，针对不同的LMP功率和Lq范数值，对所提出的算法进行了分析。基于定义的性能指标的仿真结果表明，与其他方法相比，该算法在高光谱数据的光谱分解中具有优势。

2019-02-20cs.CV

稀疏约束下的高光谱数据分布式混合像元分解

Distributed Unmixing of Hyperspectral Data With Sparsity Constraint

Qom University of Technology（库姆理工大学）

光谱解混是高光谱遥感中的一个数据处理问题。SU问题中的一个重要挑战是如何准确地识别端元及其权重。非负矩阵分解（NMF）及其发展在SU问题中被广泛应用于盲问题中的特征矩阵和分数丰度矩阵的估计。其中一个约束是稀疏性约束，该约束通过L1/2范数进行正则化。本文提出了一种新的基于分布式优化的混合光谱分解算法。在所提出的算法中，一个网络，包括单节点集群已被采用。将高光谱图像中的每个像素作为网络中的一个节点。采用扩散LMS策略对稀疏约束下的分布式解混算法进行了优化，得到了分数丰度和特征矩阵的更新方程。基于定义的性能指标的仿真结果表明，与其他方法相比，该算法在高光谱数据的光谱分解中具有优势。实验结果表明，在信噪比为25 dB时，该方法的AAD和SAD分别比分布式解混提高了6%和27%。

2017-11-03cs.CV

RKHS中用于高光谱图像快速非线性分解的波段选择

Band selection in RKHS for fast nonlinear unmixing of hyperspectral images

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Université de Nice Sophia-Antipolis（尼斯索菲亚-安蒂波利斯大学）；CNRS（法国国家科学研究中心）；University of Toulouse（图卢兹大学）；IRIT-ENSEEIHT

由高光谱图像的获取过程产生的丰富的光谱带通常导致高计算成本。这种困难尤其出现在非线性解混方法中，非线性解混方法自然比线性解混方法更复杂。这种复杂性与完整频带集合内的信息的高冗余度相关联，使得频带选择算法的搜索相关。有了这项工作，我们提出了一个频带选择策略，在再生核希尔伯特空间，可以大大减少非线性解混技术所需的处理时间。仿真结果表明，复杂度降低了两个数量级，而不影响解混性能。

2015-03-06cs.CV

SMILE：一种用于高光谱解混的超分辨率引导多任务学习方法

SMILE: A Super-resolution Guided Multi-task Learning Method for Hyperspectral Unmixing

Nankai University（南开大学）

针对高光谱解混中直接整合超分辨率面临的任务亲和性未验证和收敛性无法保证的挑战，本文提出超分辨率引导的多任务学习方法SMILE，通过理论分析与设计共享及特定表示框架，在保证收敛性的同时提升了解混性能。

2025-09-14cs.CV

基于部分隶属特征Dirichlet分配的端元变率高光谱解混

Hyperspectral Unmixing with Endmember Variability using Partial Membership Latent Dirichlet Allocation

University of Missouri（密苏里大学）；University of Florida（佛罗里达大学）

研究了部分隶属度潜在狄利克雷分配（PM-LDA）在高光谱端元估计和光谱解混中的应用。PM-LDA提供了一个高光谱图像分析模型，该模型考虑了光谱变化，并通过使用基于超像素的文档来整合空间信息。在PM-LDA的应用中，我们采用正态组成模型，其中端元表示为正态分布以说明光谱变异性，比例向量建模为由Dirichlet分布控制的随机变量。狄利克雷分布的使用对比例值强制执行正性和和对一的限制。真实高光谱数据的算法结果表明，PM-LDA产生的端元分布，代表地面真相类及其相关的变化。

2016-09-12cs.CV

基于相关熵度量的高光谱稳健解混

Robust Hyperspectral Unmixing with Correntropy based Metric

Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）

高光谱解混是高光谱应用的关键步骤之一。在端元和丰度都未知的无监督工作环境中，高光谱解混问题已被证明是一项艰巨的任务。更重要的是，这个任务变得更具挑战性的情况下，频谱带退化的噪声。本文提出了一种鲁棒的非监督高光谱解混模型。具体来说，我们的模型是开发与相关熵为基础的度量，其中的非负约束端元和丰度施加保持物理意义。此外，稀疏事先明确制定约束的丰度分布的每个端元。为了解决我们的模型，一个半二次优化技术的开发，将原来复杂的优化问题转化为一个迭代重新加权稀疏约束的NMF。因此，我们的模型的优化可以自适应地分配小的权重到噪声带，并给予更多的重视，无噪声带。此外，通过稀疏性约束，我们的模型可以自然地生成稀疏丰度。合成和真实数据上的实验证明了我们的模型的有效性相比，相关的国家的最先进的混合模型。

2013-05-31cs.CV

一种低秩张量正则化方法在高光谱混合像元分解中的应用

A Low-rank Tensor Regularization Strategy for Hyperspectral Unmixing

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）

基于张量的方法最近出现了一个更自然和有效的配方，以解决高光谱成像中的许多问题。在高光谱解混（HU）中，丰度图上的低秩约束已被证明是一种正则化，它充分考虑了底层信号的多维结构。然而，对丰度图施加严格的低秩约束似乎是不够的，因为可能需要代表精细尺度丰度行为的重要信息可能被丢弃。本文介绍了一种新的低秩张量正则化，充分捕捉低秩结构的丰度图，而不妨碍解决方案的灵活性。仿真结果表明，所提出的正则化引入的额外的灵活性显着改善了解混结果。

2018-03-16cs.CV

基于多项混合核和端元不确定性的改进深谱卷积网络高光谱解混

Improved Deep Spectral Convolution Network For Hyperspectral Unmixing With Multinomial Mixture Kernel and Endmember Uncertainty

Middle East Technical University（中东技术大学）

在这项研究中，我们提出了一种新的框架，高光谱解混使用改进的深度光谱卷积网络（DSCN++）结合端元不确定性。DSCN++用于计算高级表示，并使用多项混合模型进一步建模以估计丰度图。在重建步骤中，一个新的可训练的不确定性项的基础上的非线性神经网络模型被引入端元不确定性提供鲁棒性。为了优化多项式模型的系数和不确定项，利用Wasserstein生成对抗网络（WGAN）来提高稳定性和捕获不确定性。在真实和合成数据集上进行了实验。实验结果表明，该方法在真实数据集上获得了最佳的高光谱解混性能。

2019-10-20cs.CV

用于HyperSpectral解混的深度谱卷积网络

Deep Spectral Convolution Network for HyperSpectral Unmixing

Middle East Technical University（中东技术大学）

本文提出了一种新的基于深度谱卷积网络（DSCN）的高光谱解混技术。特别是，三个重要的贡献，提出了整个文件。首先，用谱卷积代替全连接线性运算，以更深层次的网络结构从高光谱特征中提取局部光谱特征。第二，而不是批量归一化，我们提出了一个光谱归一化层，提高了过滤器的选择性，通过归一化他们的光谱响应。第三，我们介绍了两种融合配置，通过使用从先前的层计算的抽象表示产生理想的丰度图。在实验中，我们使用两个真实的数据集来评估我们的方法与其他基线技术的性能。实验结果表明，该方法优于基于均方根误差（RMSE）的基线。

2018-06-22cs.CV

使用自适应U-Net架构对无人机拍摄的农业图像进行高光谱解混

Hyperspectral Unmixing of Agricultural Images taken from UAV Using Adapted U-Net Architecture

Institute of Data Science and Digital Technologies, Vilnius University（维尔纽斯大学数据科学与数字技术研究所）

本文针对无人机高光谱农业图像解混问题，构建蓝莓田高光谱解混数据集，并提出基于U-Net的解混算法以提升解混精度。

2024-09-29cs.CVeess.IV

基于多层NMF的高光谱图像光谱解混

Spectral Unmixing of Hyperspectral Imagery using Multilayer NMF

Tarbiat Modares University（塔比阿特莫达勒斯大学）

由于高光谱传感器的空间分辨率较低，高光谱图像包含混合像素。光谱解混问题是指将混合像元分解为一组端元和丰度分数。由于丰度分数的非负性约束，非负矩阵分解（NMF）方法被广泛应用于光谱解混问题。在这封信中，我们提出了使用多层NMF（MLNMF）的高光谱解混的目的。在这种方法中，频谱特征矩阵可以被建模为稀疏矩阵的乘积。事实上，MLNMF在许多层中迭代地分解观测矩阵。在每一层中，我们应用稀疏约束的光谱特征矩阵以及丰度分数矩阵。以这种方式，签名矩阵可以被稀疏地分解，尽管它通常不是稀疏矩阵。该算法适用于合成和真实数据集。合成数据是基于来自USGS光谱库的端元生成的。AVIRIS Cuprite数据集已被用作评价拟议方法的真实数据集。实验结果基于SAD和AAD措施进行量化。结果表明，与以前提出的方法相比，多层方法可以更有效地解混数据。

2014-08-12cs.CV

技术报告：用于稀疏高光谱解混的快速多尺度空间正则化

Tech Report: A Fast Multiscale Spatial Regularization for Sparse Hyperspectral Unmixing

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；CNRS（法国国家科学研究中心）；OCA（蔚蓝海岸天文台）

从大型光谱库中提取高光谱稀疏解混被认为可以克服端元提取算法的局限性。这种策略通常会导致不适定的反问题，这可以从空间正则化策略中受益。虽然现有的空间正则化方法改善了问题条件并促进了分段光滑解，但它们导致了大的非光滑优化问题。因此，在解混问题中有效地引入空间上下文仍然是一个挑战，并且对于许多现实世界的应用是必要的。本文提出了一种新的多尺度空间正则化稀疏解混方法。该方法使用基于超像素的信号自适应空间多尺度分解，将解混问题分解为两个更简单的问题，一个在近似域中，另一个在原始域中。使用合成和真实数据的仿真结果表明，所提出的方法可以优于国家的最先进的全变分算法的计算时间与他们的非正规化的同行。

2018-10-25cs.CV

考虑光谱变化的高光谱解混的低秩张量模型

Low-Rank Tensor Modeling for Hyperspectral Unmixing Accounting for Spectral Variability

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Northeastern University（东北大学）；Catholic University of Pelotas（佩洛塔斯天主教大学）

传统的高光谱解混方法忽略了在典型高光谱图像（HI）中经常观察到的光谱特征的潜在变化，将这些错误建模误差传播到整个解混过程中。试图将材料谱建模为集合的成员或随机变量往往会导致严重不适定的解混问题。尽管参数模型已被提出通过混合模型的推广来处理端元变异性来克服这一缺点，但这些技术的成功取决于采用适当的正则化策略。此外，现有的方法未能充分探索自然的多维表示的HIs。最近，基于张量的策略认为低秩分解的高光谱图像作为一种替代方案，施加低维结构的标准和多时相解混问题的解决方案。然而，这些策略存在两个主要缺点：1）它们将解决方案限制在低秩张量上，这通常不能代表现实世界场景的复杂性; 2）它们缺乏保证端元和丰度将在各自的张量中正确分解。在这项工作中，我们提出了一个更灵活的方法，称为ULTRA-V，通过正则化，其严格性是由标量参数控制的低秩结构。仿真证明了优越的精度的方法相比，国家的最先进的解混算法，占光谱变异性。

2019-10-23cs.CV

用于高光谱分解评价的实验室创建的具有真值的数据集

A laboratory-created dataset with ground-truth for hyperspectral unmixing evaluation

Northwestern Polytechnical University（西北工业大学）；University of Calgary（卡尔加里大学）

光谱解混是高光谱数据处理中的一个重要而又具有挑战性的问题。这一主题已被广泛研究，并在文献中提出了各种解混算法。然而，缺乏公开可用的数据集与真值，使得它很难评估和比较的性能，在一个定量和客观的方式去混合算法。大多数现有的工作依赖于使用数值合成数据和直观的检查结果的实际数据。为了缓解这种困境，在这项研究中，我们在我们的实验室设计了几个实验场景，包括印刷棋盘，混合石英砂，和反射与垂直板。然后通过使用我们实验室的高光谱相机对这些场景进行成像来创建数据集，提供36个混合物，超过130，000个像素，256个波长波段，从400 nm到1000 nm。实验设置受到严格控制，以便知道纯材料的光谱特征和材料成分。据我们所知，该数据集是第一个公开可用的数据集，以系统的方式创建的真值光谱解混。一些典型的线性和非线性解混算法也进行了测试与此数据集，并导致有意义的结果。

2019-02-22cs.CV

高光谱数据混合光谱分解的并行多任务非负矩阵分解

Clustered Multitask Nonnegative Matrix Factorization for Spectral Unmixing of Hyperspectral Data

Qom University of Technology（库姆理工大学）；Shiraz University（设拉子大学）

提出了一种基于聚类多任务网络的高光谱图像混合光谱分解新算法。在该算法中，分簇网络。高光谱图像中的每个像素都被认为是该网络中的一个节点。网络中的节点使用模糊c均值聚类方法进行聚类。采用扩散最小均方策略对所提出的成本函数进行优化。为了评估所提出的方法，实验进行合成和真实数据集。基于光谱角距离、丰度角距离和重建误差度量的仿真结果表明了该算法与其他方法相比的优越性。

2019-05-16cs.CV

一种用于超光谱解混的深度平衡网络

A Deep Equilibrium Network for Hyperspectral Unmixing

Center for Applied Mathematics, KL-AAGDM Tianjin University（天津大学应用数学中心，KL-AAGDM）；School of Artificial Intelligence Northwestern Polytechnical University（西北工业大学人工智能学院）；National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology（空天地海一体化大数据应用技术国家工程实验室）

本文提出DEQ-Unmix网络，通过将混合物估计改造成深度平衡模型，实现高效常内存训练，利用可训练卷积网络捕捉光谱-空间信息，实验表明其在合成和真实数据集上表现优异。

2026-04-13cs.CV

一种基于数据的多尺度光谱分解模型

A Data Dependent Multiscale Model for Hyperspectral Unmixing With Spectral Variability

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Université Côte d’Azur（蔚蓝海岸大学）；Northeastern University（东北大学）；Catholic University of Pelotas（佩洛塔斯天主教大学）

高光谱图像中的光谱变化可能由环境、光照、大气和时间变化等因素引起。它的发生可能会导致传播的显着估计误差的解混过程中。为了解决这个问题，扩展的线性混合模型已被提出，导致大规模的非光滑不适定反问题。此外，用于获得有意义的结果的正则化策略已经在丰度解之间引入了相互依赖性，这进一步增加了所得到的优化问题的复杂性。在本文中，我们提出了一种新的数据相关的多尺度模型的高光谱分解占光谱变化。新方法通过使用基于超像素的多尺度变换将空间上下文信息结合到扩展线性混合模型的丰度中。所提出的方法的结果在一个快速的算法，解决了丰度估计问题，只有一次在每个规模在每次迭代。使用合成图像和真实图像的仿真结果比较了所提出的算法和其他最先进的解决方案在精度和执行时间方面的性能。

2020-01-22cs.CV

端到端材料提示的超光谱目标跟踪

End-to-End Unmixing with Material Prompts for Hyperspectral Object Tracking

School of Information and Communication Technology, Griffith University, Australia（信息与通信技术学院，格里菲斯大学，澳大利亚）；School of Engineering and Built Environment, Griffith University, Australia（工程与建筑环境学院，格里菲斯大学，澳大利亚）；School of Environment and Science, Griffith University, Australia（环境与科学学院，格里菲斯大学，澳大利亚）

本文提出了一种端到端的材料感知跟踪框架，通过联合优化材料分解和目标定位，利用加权目标导向的解混损失对齐材料表示与定位精度，以提升超光谱图像在外观模糊、光照变化和背景杂波下的跟踪鲁棒性。

2026-05-20cs.CV

一种用于多时相高光谱图像解混的Copula引导的时间依赖方法

A Copula-Guided Temporal Dependency Method for Multitemporal Hyperspectral Images Unmixing

本文提出了一种用于多时相高光谱图像解混的Copula引导的时间依赖方法（Cog-TD），通过构建数学模型与框架并设计关键模块显式建模时间依赖性，有效捕捉动态物质演化，实验验证了其有效性。

2025-09-14cs.CV

稀疏约束图正则化NMF用于高光谱数据混合光谱分解

Sparsity Constrained Graph Regularized NMF for Spectral Unmixing of Hyperspectral Data

由于高光谱传感器的空间分辨率较低，高光谱图像包含混合像素。混合像素是包含多个不同材质（称为端元）的像素。混合像元中端元的存在百分比称为丰度分数。光谱解混问题是指将这些像元分解成一组端元和丰度分数。由于丰度分数的非负性约束，非负矩阵分解方法（NMF）被广泛用于解决光谱分解问题。本文采用图正则化NMF（GNMF）方法结合稀疏约束对高光谱图像混合像元进行分解。该方法在保持数据几何结构的同时，将其表示在低维空间中。对于稀疏项，本文还采用了模拟退火算法中基于温度的自适应正则化参数。该算法适用于合成和真实数据集。合成数据是基于来自USGS光谱库的端元生成的。AVIRIS Cuprite数据集用作评价所提出方法的真实数据集。基于光谱角距离（SAD）和丰度角距离（AAD）测量结果进行量化。实验结果表明，该方法能更有效地对混合数据进行分解。特别是对于Cuprite数据集，所提出的方法的性能在SAD的均方根方面比VCA和稀疏NMF好大约10%。

2014-11-03cs.CV

一种用于高光谱解混的增强线性混合模型

An Augmented Linear Mixing Model to Address Spectral Variability for Hyperspectral Unmixing

German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich (TUM)（慕尼黑工业大学）；RIKEN（日本理化学研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；University of Iceland（冰岛大学）

从航空或卫星来源收集的高光谱图像不可避免地受到光谱变化的影响，这使得光谱分解难以准确估计丰度图。经典的解混模型，线性混合模型（LMM），通常无法有效地处理这个棘手的问题。为此，我们提出了一种新的光谱混合模型，称为增广线性混合模型（ALMM），以解决光谱的变化，通过应用数据驱动的学习策略在反问题的高光谱解混。所提出的方法对主要光谱可变性（即，比例因子）通过端元字典分别由照明或排版的变化产生。然后，它对由环境条件引起的其他光谱可变性（例如，局部温度和湿度，大气影响）和仪器配置（例如，传感器噪声）以及材料非线性混合效应。为了有效地运行数据驱动的学习策略，我们还提出了一个合理的先验知识的光谱变异字典，其原子被假定为低相干的光谱签名的端元，这导致了一个众所周知的低相干字典学习问题。因此，字典学习技术被嵌入到光谱分解的框架中，使得算法可以同时学习光谱变异字典和估计丰度图。在人工数据集和真实数据集上进行了大量的实验，与以往的最先进的方法相比，证明了该方法的优越性和有效性。

2018-10-29cs.CV

基于非负矩阵分解的高光谱混合像元分解方法综述

Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A Comprehensive Review

Southwest Jiaotong University（西南交通大学）；Mississippi State University（密西西比州立大学）；University of New South Wales（新南威尔士大学）；University of Extremadura（埃斯特雷马杜拉大学）

高光谱解混是从高光谱图像（HSI）中估计一组端元及其相应丰度的重要技术。非负矩阵分解（NMF）在解决这一问题中起着越来越重要的作用。在这篇文章中，我们提出了一个全面的调查基于NMF的方法提出的高光谱解混。以NMF模型为基线，我们展示了如何通过利用HSI的主要属性（例如，光谱、空间和结构信息）。我们将NMF的发展分为三个重要的方向：约束NMF、结构化NMF和广义NMF。最后通过实验验证了相关算法的有效性。最后，对未来的发展方向进行了总结，旨在为高光谱解混技术的发展提供指导和启示。

2022-05-20cs.CVeess.IV

基于数字表面模型的光照不变高光谱图像解混

Illumination invariant hyperspectral image unmixing based on a digital surface model

虽然已经开发了许多光谱分解模型来解决由可变入射照明引起的光谱变化，但光谱变化的机制仍然不清楚。提出了一种光照不变光谱分解模型（IISU）。IISU首次尝试使用辐射率高光谱数据和LiDAR衍生的数字表面模型（DSM），以便在物理上解释解混框架中的可变照明和阴影。入射角，天空因素，来自太阳的可见度从激光雷达衍生DSM支持明确的解释端元的变化，从辐射的角度来看，在解混过程中。提出的模型有效地解决了一个简单的优化过程。解混结果表明，其他国家的最先进的解混模型并不工作，特别是在阴影像素。另一方面，所提出的模型比现有模型更准确地估计丰度和阴影补偿反射率。

2020-07-23cs.CVeess.IV

高光谱解混：真值标注、数据集、基准性能和调查

Hyperspectral Unmixing: Ground Truth Labeling, Datasets, Benchmark Performances and Survey

高光谱解混（HU）是一个非常有用的和越来越流行的预处理步骤，为广泛的高光谱应用。然而，HU研究受到三个因素的限制：（a）高光谱图像的数量（b）大多数高光谱图像的地面实况没有在网上共享，这可能给研究人员评估其算法造成许多不必要的麻烦;（c）大多数最新方法的代码没有共享，这也可能拖延新方法的测试。因此，本文从以下三个方面对上述问题进行了研究：（1）作为一个深刻的贡献，我们提供了一个一般的标记方法的胡。有了它，我们标记了多达15个高光谱图像，提供了18个版本的地面实况。据我们所知，这是第一篇总结和分享HU多达15个高光谱图像及其18个地面实况版本的论文。观察到高光谱分类（HyC）比HU有更多的标准数据集（其地面真理通常是公开共享的），我们提出了一个有趣的方法来转换HyC数据集的HU研究。(2)为了进一步方便在不同条件下的HU方法的评估，我们审查和实现的算法，以产生一个复杂的合成高光谱图像。通过调整代码中的超参数，我们可以从四个角度验证HU方法。该代码也将在网络上共享。(3)为了提供一个标准的比较，我们回顾了多达10个最先进的HU算法，然后选择了5个最基准的HU算法，并在15个真实的高光谱数据集上进行了比较。实验结果具有一定的可重复性，实现的代码将在网络上共享。

2017-10-11cs.CV

Transformer引导的内容自适应图学习用于高光谱解混

Transformer-Guided Content-Adaptive Graph Learning for Hyperspectral Unmixing

School of Automation Engineering, Shanghai University of Electric Power（上海电力大学自动化工程学院）；School of Mechatronic Engineering and Automation, Shanghai University（上海大学机电工程与自动化学院）；School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院）

提出T-CAGU框架，结合Transformer捕获全局依赖和内容自适应图神经网络增强局部关系，通过多阶传播动态学习图结构并引入图残差机制，实现高光谱图像的高效解混。

2026-06-01cs.CV

Transformer for Multitemporal Hyperspectral Image Unmixing（面向多时相高光谱图像解混的Transformer）

Transformer for Multitemporal Hyperspectral Image Unmixing

College of Computer Science, Nankai University（南开大学计算机学院）；Haihe Lab（海河实验室）；School of Computer Science and Technology, Tiangong University（天津工业大学计算机科学与技术学院）；School of Astronautics, Beihang University（北京航空航天大学宇航学院）

针对多时相高光谱图像解混需跨阶段整合信息的挑战，提出含全局感知与变化增强模块的无监督MUFormer模型，经真实与合成数据集验证，显著提升了解混效果。

2024-07-15cs.CVeess.IV

基于深度确定性独立分量分析的高光谱解混

Deep Deterministic Independent Component Analysis for Hyperspectral Unmixing

University of Florida（佛罗里达大学）；UiT - The Arctic University of Norway（UiT-挪威北极大学）

我们开发了一种新的基于神经网络的独立分量分析（ICA）方法，通过直接最小化所有提取的组件之间的依赖。使用基于矩阵的R{é}nyi的$α$ -阶熵泛函，我们的网络可以直接通过随机梯度下降（SGD）进行优化，而无需任何变分近似或对抗训练。作为一个坚实的应用程序，我们评估我们的ICA在高光谱解混（HU）的问题，并驳斥了一个说法，即“\emph{ICA does not play a role in unmixing hyperspectral data}“，这是最初提出的\cite{nascimento2005does}。我们的DDICA代码和附加说明可在https://github.com/hongmingli1995/DDICA上找到。

2022-02-15cs.CVeess.IV

技术报告：作为最大团问题的高光谱图像非线性解混的波段选择

Technical Report: Band selection for nonlinear unmixing of hyperspectral images as a maximal clique problem

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；University of Nice Sophia-Antipolis（尼斯索菲亚-安蒂波利斯大学）；Lagrange Laboratory (CNRS, OCA)（拉格朗日实验室（法国国家科学研究中心、蔚蓝海岸天文台））；INRIA Sophia-Antipolis（法国国家信息与自动化研究所索菲亚-安蒂波利斯中心）

基于核的非线性混合模型已被应用于高光谱图像的混合光谱信息的解混时，发生在场景中的混合类型是太复杂或未知的。然而，这样的方法通常需要大小等于谱带数目的矩阵的求逆。减少这些方法的计算负荷在大规模应用中仍然是一个挑战。提出了一种再生核希尔伯特空间（RKHS）中的集中式频带选择方法。它基于相干性准则，该准则设置了表征解混模型的基核函数之间的相关性所允许的最大值。我们表明，所提出的BS方法是相当于解决最大团问题（MCP），即寻找最大的完全子图的图。此外，我们还设计了一种使用线性独立基的相干界来选择相干阈值和高斯核带宽的策略。仿真结果表明了该方法的有效性。

2016-09-19cs.CV

基于卷积自编码的高光谱图像盲解混

Convolutional Autoencoder for Blind Hyperspectral Image Unmixing

在遥感背景下，光谱分解是一种将混合像元分解为两个基本代表：端元和丰度的技术。提出了一种新的高光谱图像盲解混算法。所提出的架构由卷积层和自动编码器组成。编码器将通过卷积层产生的特征空间转换为潜在空间表示。然后，解码器从这些潜在特征重构在架构的输入处的单色图像的展开图像;并且顺序地馈送每个单频带图像。在实际高光谱数据上的实验结果表明，该算法在丰度估计方面优于现有的解混方法，在分别以RMSE和SAD为度量的端元提取方面也有较好的效果。

2020-11-18cs.CVeess.IV

基于插值尺度张量的端元变率参数化高光谱解混方法

Improved Hyperspectral Unmixing With Endmember Variability Parametrized Using an Interpolated Scaling Tensor

Federal University of Santa Catarina（圣卡塔琳娜联邦大学）

端元（EM）变异性对高光谱图像（HI）分析算法的性能有重要影响。最近，扩展的线性混合模型已被提出来考虑EM的光谱分解（SU）问题的变化。这些模型的直接使用导致了严重不适定的优化问题。不同的正则化策略已被认为是处理这个问题，但到目前为止，没有一贯利用多个纯像素的存在提供的信息，往往存在于HI。在这项工作中，我们建议将SU问题分解为两个问题的序列。首先，我们使用纯像素信息来估计表示光谱变化的缩放因子的插值张量。这是通过将谱可变性视为HI上的平滑函数并将标度张量的能量限制在低秩结构来完成的。之后，我们解决了一个矩阵分解问题，使用上一步中估计的变异性比例因子来估计分数丰度，这导致了一个明显更适定的问题。仿真结果证明了该策略的有效性.

2019-01-02cs.CV

用于环境高光谱解混的智能体多模态模型

Agentic Multimodal Models for Environmental Hyperspectral Unmixing

ISTI-CNR；IITiS-PAS

该研究提出一种基于大视觉语言模型的智能体框架，用于优化高光谱解混模块化 pipeline，在多个数据集上可一致改善解混效果，性能与端到端方法相当。

2026-09-02cs.CV

USP-Mamba：基于解混的光谱与结构提示的高光谱图像超分辨率方法

USP-Mamba: Unmixing-Derived Spectral and Structural Prompting for Hyperspectral Image Super-Resolution

本文针对现有Mamba模型用于高光谱图像超分辨率时破坏空间邻接性、未对齐图像固有特征的问题，提出USP-Mamba框架，通过解混光谱提示、结构提示及互补扫描，在多数据集上性能优于现有方法。

2026-08-04cs.CV

端元引导解混网络（EGU-Net）：一种用于自监督高光谱解混的通用深度学习框架

Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing

German Aerospace Center (DLR)（德国航空航天中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；The University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所先进智能项目中心）

在过去的几十年里，人们已经做出了巨大的努力，以提高性能的线性或非线性混合模型的高光谱解混，但他们的能力，同时概括各种光谱变异和提取物理意义的端元仍然是有限的，由于在数据拟合和重建的能力差和各种光谱变异的敏感性。受深度学习强大的学习能力的启发，本文试图通过充分考虑从高光谱图像中提取的端元的性质，开发一种通用的高光谱解混深度学习方法--端元引导解混网络（EGU-Net）。除了单独的自动编码器式架构之外，EGU-Net是一个双流连体深度网络，它从纯或接近纯的端元学习额外的网络，以通过共享网络参数和添加频谱有意义的约束（例如，非负性和和为一）朝向更准确和可解释的解混解决方案。此外，所得到的一般框架不仅限于逐像素的光谱解混，但也适用于空间信息建模与卷积算子的空间-光谱解混。在三个不同的数据集上进行的实验结果与对应于每种材料的丰度图的地面实况证明了EGU-Net的有效性和优越性，超过了最先进的解混算法。这些代码可从以下网站获得：https://github.com/danfenghong/IEEE_TNNLS_EGU-Net。

2021-05-21cs.CVeess.IV

基于聚类标记的解混引导空间-光谱Mamba用于超光谱图像分类

Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification

Department of Geomatics Engineering, University of Calgary（卡尔加里大学地理信息工程系）

本文提出一种基于聚类标记的解混引导空间-光谱Mamba模型，通过设计新的光谱解混网络、高效的Top-K标记选择策略及改进的Mamba模块，提升超光谱图像分类性能，并通过多任务学习框架同时学习端成员-丰度模式和分类标签。

2026-04-10cs.CV

EndNet：用于端元提取和高光谱解混的稀疏AutoEncoder网络

EndNet: Sparse AutoEncoder Network for Endmember Extraction and Hyperspectral Unmixing

TUBITAK Space Technologies Research Institute（土耳其科学技术研究理事会空间技术研究所）；Middle East Technical University（中东技术大学）

从多通道传感器获得的数据是解释各种遥感应用的环境的非常宝贵的资产。然而，低空间分辨率是以前的传感器的一个关键限制，并且由于它们的空间相互作用，场景的组成材料可以在不同的部分中混合。光谱解混是一种能够从高光谱数据中获取物质光谱特征及其分数的技术。在本文中，我们提出了一种新的端元提取和高光谱解混方案，所谓的\textit{EndNet}，这是基于一个两级自动编码器网络。通过引入附加层和投影度量（即，光谱角距离（SAD）而不是内积）来获得最优解。此外，我们提出了一种新的损失函数，它是由一个Kullback-Leibler发散项与SAD相似性和额外的惩罚条款，以提高估计的稀疏性。这些修改使我们能够为自编码器网络设置端元的共同属性，例如非线性和稀疏性。最后，由于基于随机梯度的方法，该方法对于大规模数据是可扩展的，并且可以在图形处理单元（GPU）上加速。为了证明我们所提出的方法的优越性，我们进行了广泛的实验上几个知名的数据集。结果证实，所提出的方法大大提高了性能相比，在文献中的国家的最先进的技术。

2018-07-16cs.CV

考虑光谱变化的多时相高光谱图像在线解混

Online Unmixing of Multitemporal Hyperspectral Images accounting for Spectral Variability

University of Toulouse（图卢兹大学）；IRIT/INP-ENSEEIHT（图卢兹计算机科学研究所/国立高等电子技术、电子、计算机、水力学与电信学院）

高光谱解混的目的是确定组成高光谱图像的参考光谱特征及其在每个像素中的相对丰度分数。在实践中，由于不同的采集条件，所识别的签名可能在光谱上从一个图像到另一个图像而变化，从而引起可能显著的估计误差。在此背景下，高光谱分解的几个图像在同一地区获得了相当大的兴趣。实际上，这样的分析使得能够跟踪场景的端元并且表征对应的端元可变性。序列端元估计从一组高光谱图像相比，独立分析图像的方法，预计提供更好的性能。然而，高光谱数据的显著大小排除了使用批处理程序来联合估计高光谱图像序列的混合参数。假设每个基本成分存在于序列的至少一个图像中，我们建议执行在线高光谱解混占时间端元的变化。在线高光谱解混被制定为一个两阶段的随机程序，它可以使用随机近似求解。所提出的方法的性能进行评估合成和真实数据。与独立的解混算法的比较，最后说明了所提出的策略的兴趣。

2016-06-06cs.CVphysics.data-anstat.ME

像素到丰度转换：基于补丁 Transformer 的条件生成对抗网络用于高光谱解混

Pixel-to-Abundance Translation: Conditional Generative Adversarial Networks Based on Patch Transformer for Hyperspectral Unmixing

Xidian University（西安电子科技大学）

本文提出基于补丁 Transformer 的条件生成对抗网络 HyperGAN，将高光谱解混视为像素到丰度的模态转换，实现高效解混并取得优异实验结果。

2023-12-20cs.CVeess.IV

高光谱混合层次结构

Hyperspectral Unmixing Hierarchies

Department of Engineering Cybernetics, Norwegian University of Science and Technology（工程 cybernetics 部，挪威科学与技术大学）；Department of Biology, Norwegian University of Science and Technology（生物学部，挪威科学与技术大学）；Department of Automatic Control and Systems Engineering, University Politehnica Bucharest（自动控制与系统工程部，布加勒斯特理工大学）

本文提出基于深度非负矩阵分解的层次混合方法，通过二进制线性混合触觉层次结构（BLUTHs）解决高光谱图像混合问题，提升端成员识别和光谱对比度处理能力。

2026-04-18cs.CVeess.IV

通过ADMM的相关熵最大化-应用于鲁棒高光谱解混

Correntropy Maximization via ADMM - Application to Robust Hyperspectral Unmixing

Institut Charles Delaunay (CNRS), Université de Technologie de Troyes（特鲁瓦技术大学，夏尔·德洛内研究所（法国国家科学研究中心））；School of Engineering and Physical Sciences, Heriot-Watt University（赫瑞瓦特大学，工程与物理科学学院）；LITIS lab, Université de Rouen（鲁昂大学，LITIS实验室）

在高光谱图像中，一些光谱波段由于噪声采集和大气影响而遭受低信噪比，因此需要鲁棒的技术来解决混合问题。提出了一种稳健的高光谱图像监督光谱分解方法。鲁棒性是通过将解混问题写为受最常用约束的相关熵准则的最大化来实现的。推导出两个解混合问题：第一个问题考虑完全约束解混合，具有非负性和和对一约束，而第二个问题处理丰度的非负性和稀疏性提升。相应的优化问题有效地解决了交替方向的乘法器（ADMM）的方法。合成和真实高光谱图像上的实验验证了所提出的算法在不同场景下的性能，表明基于相关性的解混对离群波段具有鲁棒性。

2016-02-04cs.CVcs.NEstat.ML

通过基于解混的丰度融合学习增强未注册超光谱图像超分辨率

Enhancing Unregistered Hyperspectral Image Super-Resolution via Unmixing-based Abundance Fusion Learning

Beijing Institute of Technology（北京理工大学）；Hangzhou Dianzi University（杭州电子科技大学）

本文提出基于解混的丰度融合学习方法，通过解耦空间-光谱信息，提升未注册超光谱图像超分辨率的性能。

2026-03-09cs.CV

SWAN：用于高光谱图像解混的自监督小波神经网络

SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing

Info Edge India Ltd；Department of Artificial Intelligence and Machine Learning（人工智能与机器学习系）；Acharya Institute of Technology（阿查里亚理工学院）；Indian Institute of Information Technology Vadodara (IIITV)（瓦多拉印度信息科技学院）

本文提出SWAN，一种三阶段自监督小波神经网络，通过双正交小波变换与组合损失函数，实现高光谱图像端元与丰度的联合估计，在多个基准数据集上验证了其性能提升。

2025-10-26cs.CV

潜在狄利克雷变换变分自编码器用于具有捆绑端成员的超光谱解混

Latent Dirichlet Transformer VAE for Hyperspectral Unmixing with Bundled Endmembers

Ontario Tech University（安大略技术大学）

本文提出LDVAE-T模型，通过结合变换器和狄利特雷先验，改进超光谱解混中成分估计和端成员提取的性能。

2025-11-21cs.CV

高光谱解混中端元变化的高斯混合模型表示

A Gaussian mixture model representation of endmember variability in hyperspectral unmixing

University of Florida（佛罗里达大学）

考虑端元变化的高光谱解混通常由正态组成模型（NCM）进行，其中每个像素的端元被假设为从单峰高斯分布中采样。然而，在实际应用中，材料的分布往往不是高斯分布。在本文中，我们使用高斯混合模型（GMM）来表示端元变异性。我们表明，给定GMM的起始前提，混合像素的分布（在线性混合模型下）也是GMM（这是从两个角度来看）。第一种观点源于随机变量变换，并给出了给定丰度和GMM参数的像素的条件密度函数。适当的光滑性和稀疏性先验约束的丰度，条件密度函数导致一个标准的最大后验概率（MAP）的问题，可以解决广义期望最大化。第二个视角源于GMM中的端元边缘化，这为我们解决每个像素处的端元提供了基础。因此，我们的模型不仅可以估计丰度和分布参数，但也为每个像素的不同端元集。我们在几个合成和真实数据集上测试了所提出的GMM，并通过将其与当前流行的方法进行比较来展示其潜力。

2018-01-15cs.CV

用于真实丰度图合成的深度扩散模型与无监督高光谱解混

Deep Diffusion Models and Unsupervised Hyperspectral Unmixing for Realistic Abundance Map Synthesis

DITEN, University of Genoa（迪滕，热那亚大学）；DII, University of Pisa（迪II，比萨大学）

本研究提出结合盲线性高光谱解混与扩散模型的无监督方法，从高光谱图像生成真实丰度图，经PRISMA任务真实数据验证，可用于高光谱分析的数据增强等场景。

2025-06-16cs.CVeess.IV

SAWU-Net：用于高光谱图像的空间注意力加权解混网络

SAWU-Net: Spatial Attention Weighted Unmixing Network for Hyperspectral Images

Ocean University of China（中国海洋大学）；Chongqing University of Posts and Telecommunications（重庆邮电大学）

本文提出SAWU-Net，通过空间注意力机制和加权解混网络端到端地利用高光谱图像空间先验信息，提升解混精度。

2023-04-22cs.CVeess.IV

用于紧密混合物解混的多传感器高光谱基准数据集

A Multisensor Hyperspectral Benchmark Dataset For Unmixing of Intimate Mixtures

University of Antwerp（安特卫普大学）；Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology（亥姆霍兹弗赖贝格资源技术研究所）

本文构建了一个包含325个紧密混合矿物粉末样本的多传感器高光谱基准数据集，覆盖350-15385 nm波段，并经XRD和XRF验证，旨在推动非线性解混、材料成分估计及光谱变异性研究。

2023-08-30cs.CV

高光谱混合像元分解的多分支卷积神经网络

A Multibranch Convolutional Neural Network for Hyperspectral Unmixing

Silesian University of Technology（西里西亚工业大学）；KP Labs（KP实验室）；European Space Agency（欧洲空间局）

高光谱解混仍然是此类数据分析中最具挑战性的任务之一。深度学习已在该领域蓬勃发展，并被证明优于其他经典的解混技术，并且可以有效地部署在配备高光谱成像仪的地球观测卫星上。在这封信中，我们遵循这一研究途径，提出了一种多分支卷积神经网络，它受益于在解混过程中融合光谱、空间和光谱-空间特征。我们的实验结果，与烧蚀研究的支持，表明我们的技术优于其他文献，并导致更高质量的分数丰度估计。此外，我们研究了减少训练集对所有算法的能力及其对噪声的鲁棒性的影响，因为捕获大型和代表性的地面实况集在实践中是耗时且昂贵的，特别是在新兴的地球观测场景中。

2022-08-03cs.CVeess.IV

基于Transformer网络的高光谱深度混合分解

Deep Hyperspectral Unmixing using Transformer Network

Jalpaiguri Engineering College（贾尔派古里工程学院）；University of Antwerp（安特卫普大学）；Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology（亥姆霍兹弗赖贝格资源技术研究所）

目前，这篇论文正在IEEE进行评审。Transformers以其在自然语言处理方面的最先进性能引起了视觉研究界的兴趣。Transformers凭借其优越的性能，在高光谱图像分类领域找到了自己的道路，并取得了可喜的成果。在这篇文章中，我们利用Transformers的力量来克服高光谱解混的任务，并提出了一种新的深度解混模型与Transformers。我们的目标是利用Transformers的能力，以更好地捕捉全球功能的依赖关系，以提高端元光谱和丰度图的质量。所提出的模型是卷积自动编码器和Transformer的组合。高光谱数据由卷积编码器编码。Transformer捕获从编码器导出的表示之间的长范围依赖性。使用卷积解码器重建数据。我们将所提出的解混模型应用于三个广泛使用的解混数据集，即，Samson、Apex和Washington DC mall的数据，并在均方根误差和光谱角距离方面将其与最新技术进行了比较。拟议模型的源代码将在\url{https://github.com/preetam22n/DeepTrans-HSU}上公开提供。

2022-03-31cs.CVeess.IV

基于块稀疏结构的高光谱图像混合光谱分解

Spectral Unmixing of Hyperspectral Images Based on Block Sparse Structure

Qom University of Technology（库姆理工大学）；Freie Universität Berlin（柏林自由大学）

高光谱图像的光谱解混是遥感应用中的一个重要问题。尽管高光谱数据的高光谱分辨率，但传感器的相对低的空间分辨率可能导致图像像素内不同纯材料的混合。在这种情况下，由传感器记录的给定像素的光谱可以是多个光谱的组合，每个光谱属于该像素中的独特材料。光谱解混然后被用作一种技术，以提取混合像素内的不同材料的光谱特性，并恢复每个纯光谱签名的光谱，称为端元。块稀疏性是高光谱图像中相邻像素间光谱相似性的结果。在块稀疏信号中，非零样本以簇的形式出现，并且簇的模式通常被认为是不可用的先验信息。提出了一种基于块稀疏结构的混合光谱分解方法。采用模式耦合稀疏贝叶斯学习策略（PCSBL）解决高光谱图像的混合分解问题。为了评估所提出的SU算法的性能，它是合成和真实的高光谱数据和定量结果进行了比较，与其他国家的最先进的方法在丰度角距离和均方误差。所取得的结果表明，该算法的优越性比其他竞争方法的显着保证金。

2023-02-17cs.CVeess.IV

高光谱混合像元分解的结构化稀疏方法

Structured Sparse Method for Hyperspectral Unmixing

Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）

高光谱解混（HU）由于能够揭示高光谱数据中隐藏的信息，在过去的几十年里受到了越来越多的关注。遗憾的是，大多数现有的方法未能利用数据中的空间信息。为了克服这一局限性，我们从以下两个方面提出了一种结构化稀疏正则化非负矩阵分解（SS-NMF）方法。首先，我们将一个图形拉普拉斯编码嵌入在高光谱数据空间的流形结构。以这种方式，高度相似的相邻像素可以被分组在一起。其次，套索惩罚被用于SS-NMF中，因为相同流形结构中的像素被一组公共的相关基稀疏混合。这两个因素作为一个新的结构化稀疏约束。有了这个约束，我们的方法可以学习一个紧凑的空间，其中高度相似的像素被分组以共享相关的稀疏表示。在具有不同噪声水平的真实高光谱数据集上的实验表明，我们的方法明显优于现有的方法。

2014-03-19cs.AIcs.CV

稀疏与全变差约束的多层线性解混用于高光谱影像

Sparsity and Total Variation Constrained Multilayer Linear Unmixing for Hyperspectral Imagery

Southwest China Institute of Electronic Technology（西南中国电子技术研究所）

提出STVMLU方法，结合TV约束与L1/2稀疏约束的多层矩阵分解，利用ADMM优化，提升高光谱解混精度。

2025-08-05cs.CVcs.LGeess.IV