基于回溯优化的非线性高光谱图像解混
基于双线性混合模型的高光谱图像非线性光谱解混
基于双线性混合模型的高光谱图像非线性光谱解混杨斌;王斌;吴宗敏【期刊名称】《红外与毫米波学报》【年(卷),期】2018(037)005【摘要】高光谱遥感图像的非线性光谱解混能弥补线性方法难以解释复杂场景中非线性混合效应的不足,而双线性混合模型及算法是其研究的热点.提出了一种基于双线性混合模型几何特性的光谱解混算法.通过将模型中的非线性混合项表示为一个融合了共同非线性效应的额外端点的线性贡献,使复杂的双线性混合模型求解转化为简单的线性解混问题.然后结合传统的线性解混算法直接迭代估计正确的丰度.模拟和真实遥感图像数据的实验结果表明,与其它相关解混方法相比,该算法能较好地克服共线性效应以及拟合优化过多参数对双线性混合模型求解造成的不利影响,同时提高了解混的精度和速度.【总页数】11页(P631-641)【作者】杨斌;王斌;吴宗敏【作者单位】复旦大学电磁波信息科学教育部重点实验室,上海200433;北京师范大学地表过程与资源生态国家重点实验室,北京100875;复旦大学信息学院智慧网络与系统研究中心,上海200433;复旦大学电磁波信息科学教育部重点实验室,上海200433;北京师范大学地表过程与资源生态国家重点实验室,北京100875;复旦大学信息学院智慧网络与系统研究中心,上海200433;复旦大学数学科学学院,上海200433【正文语种】中文【中图分类】TP751【相关文献】1.基于微分搜索的高光谱图像非线性解混算法 [J], 陈雷;郭艳菊;葛宝臻2.基于像元混合模型估计的高光谱图像解混 [J], 陈雷;刘静光;张立毅;李锵;孙彦慧3.基于Volterra级数的高光谱图像非线性解混算法 [J], 王立国;王琼4.基于双鸟群优化的高光谱图像非线性解混 [J], 翁旭辉; 雷武虎; 任晓东5.基于丰度约束核非负矩阵分解的高光谱图像非线性解混 [J], 智通祥;杨斌;王斌因版权原因，仅展示原文概要，查看原文内容请购买。
高光谱图像的光谱解混模型与算法研究
高光谱图像的光谱解混模型与算法研究
高光谱成像是将成像技术与光谱技术相结合的技术,是遥感应用中一个快速发展的领域。
高光谱图像在军事目标辨别、远程控制、生物医学、食品安全以及环境监测等领域都有重要应用。
但由于高光谱成像光谱仪空间分辨率较低,使得每个高光谱像元可能由多种不同物质的光谱混合构成,因此混合像元广泛存在于高光谱图像中。
混合像元导致科研实践中一些应用分类不准确,因此对混合像元进行分解是高光谱遥感应用亟待解决的核心问题。
本文中首先介绍了两种光谱混合模型:线性和非线性光谱混合模型。
线性模型假设观察到的像元信号是所有的纯光谱信号的线性组合。
与之相反,非线性模型则考虑到多种物质反射光之间的物理相互影响。
其次,本文对高光谱图像解混的几种经典模型进行介绍。
在这些模型中详细介绍了本文的对比模型全变分模型(SUnSAL-TV),该模型利用高光谱图像空间关系构建了对端元丰度的正则项,这使高光谱图像解混问题在数值结果和视觉效果上都有较大提升。
但全变分模型的缺点是解混后丰度图中原平滑区域中伴有阶梯效应现象,视觉效果欠佳。
本文采用重叠组稀疏全变分作为端元丰度正则项,并采用交替方向乘子法对模型进行求解,将原问题转化为一系列较易求解的子问题,进而得到原问题的全局解。
在应用交替方向乘子法进行求解过程中,关于梯度域重叠组稀疏的子问题采用采用优化最小化方法进行求解。
通过合成数据和真实数据的实验证明,采用本文提出的新方法处理后图像视觉效果和数值效果相比SUnSAL-TV方法有明显提升,并且可以有效减弱
SUnSAL-TV模型的阶梯效应,使处理后丰度图更加平滑,视觉效果更佳。
基于光谱先验与协同学习的高光谱图像解混算法
THANKS
感谢观看
相关工作与研究现状
相关算法综述
对现有的高光谱图像解混算法进行综述，包括端元提取、混合像元分解等方 法及其优缺点。指出当前研究的热点和难点问题。
研究现状
介绍当前最新的研究成果和进展，包括基于深度学习、协同学习等方法的解 混算法，并分析其优劣和适用范围。
研究内容与方法
研究内容
介绍本文的研究重点和目标，包括基于光谱先验与协同学习的高光谱图像解混算法的构建、优化和应 用。
数据预处理
对高光谱图像进行预处理，包 括噪声去除、图像校正等操作 。
模型训练
使用训练数据集对每个模型进 行训练，并评估模型的性能。
模型应用
使用优化后的模型对测试数据 集进行预测，并评估模型的泛 化能力。
实验结果与分析
实验数据集
使用真实的高光谱图像数据集进行实验， 包括不同场景下的高光谱图像。
性能评估指标
基于光谱先验与协同学习的 高光谱图像解混算法
2023-11-04
contents
目录
• 引言 • 高光谱图像基本理论 • 基于光谱先验的高光谱图像解混算法 • 基于协同学习的高光谱图像解混算法 • 基于光谱先验与协同学习的高光谱图像解
混算法 • 结论与展望
01 引言
研究背景与意义
高光谱图像解混算法的重要性
高光谱图像的特性与优势
高光谱图像能够提供更丰富的空间和光谱信息，有利于识别和分类物体。
高光谱图像可以提高遥感探测的精度和效率，为科学研究提供更准确的数据支持 。
高光谱图像具有较高的抗干扰性能和适应性，能够在复杂的环境中获取可靠的信 息。
高光谱图像的应用领域
环境监测
高光谱图像可以用于检测空气、水和土壤 污染，分析生态系统的健康状况等。
基于双鸟群优化的高光谱图像非线性解混
l
o
ck．Thea
l
r
i
t
hma
l
t
e
rna
t
e
l
t
edt
heop
t
ima
lso
l
u
t
i
ono
f
g
gh
go
yupda
t
heob
e
c
t
i
vef
unc
t
i
onandt
henon
l
i
ne
a
r mode
lpa
r
ame
t
e
r
st
hr
oughi
t
e
r
a
t
i
on op
t
imi
z
a
t
i
on o
f
j
doub
l
e
Ｇb
０８
Ｇ
０５
基金项目:国家重点实验室 ２０１７ 年度主任基金项目(
SKL２０１７ZR０２)
作者简介:翁旭辉(
１９９５－ ),男,硕士,主要从事高光谱遥感技术方面的研究.E
Ｇma
i
l:xuhu
i_weng＠１６３．
c
om
)
,
通信作者:雷武虎(
男,
博士,
教授,
博士生导师,
主要研究方向为光电工程,
图像信息获取与处理.
hm o
fhype
r
spe
c
t
r
a
limage
sba
s
edon
基于非线性降维的高光谱混合像元分解算法
基于非线性降维的高光谱混合像元分解算法唐晓燕;高昆;倪国强【期刊名称】《计算机仿真》【年(卷),期】2014(31)4【摘要】研究遥感图像处理混合像元分解问题,由于遥感图像中包含很多混合像元,影响图像的质量.传统的解混算法是以线性光谱混合模型为基础,因此解混精度不高.针对遥感图像中存在的非线性光谱混合,从数据统计的角度,提出一种基于光谱夹角距离的局部切空间排列算法进行非线性降维的光谱解混算法.首先通过基于光谱夹角距离的局部切空间排列算法将原始高光谱数据非线性降维到低维空间,再利用寻找最大单形体体积的方法提取端元,并用非负约束的最小二乘法计算各个端元的丰度.通过仿真和真实高光谱遥感数据实验结果表明,得到的分解结果优于测地线的最大单形体体积(GSVM)算法和N-FINDR算法,为提高遥感图像分解精度提供了参考.【总页数】5页(P347-351)【作者】唐晓燕;高昆;倪国强【作者单位】南阳理工学院电子与电气工程学院,河南南阳473004;北京理工大学光电成像技术与系统教育部重点实验室,北京100081;北京理工大学光电成像技术与系统教育部重点实验室,北京100081;北京理工大学光电成像技术与系统教育部重点实验室,北京100081【正文语种】中文【中图分类】TP391.9【相关文献】1.基于多核支持向量机的高光谱影像非线性混合像元分解 [J], 谭熊;余旭初;张鹏强;秦进春2.高光谱图像混合像元分解算法 [J], 王晓飞;张钧萍;张晔3.基于支撑向量回归的高光谱混合像元非线性分解 [J], 吴波;张良培;李平湘4.基于流形学习的高光谱图像非线性降维算法 [J], 杨磊;唐晓燕5.基于改进SAM的高光谱影像混合像元分解算法研究 [J], 韩文超;田庆久;余涛;顾行发因版权原因，仅展示原文概要，查看原文内容请购买。
高光谱图像非线性解混技术研究
高光谱图像非线性解混技术研究高光谱遥感图像通过成像光谱仪对同一地表在不同波段上连续成像,形成连续的光谱信息。
所以具有很高的光谱分辨率,有较强的地物分类、辨识能力。
同时其空间分辨率低也使混合像元普遍存在,一个像元内包含多种地物光谱信息。
随着高光谱遥感技术的应用越来越广泛,对高光谱图像处理技术的要求也越来越高,混合像元解混就是成了高光谱图像处理技术中一个热点和难点。
对于一个混合像元,解混工作是提取出其包含的每种地物光谱的组分。
为了避免盲目解混,地物光谱的类别以及光谱信息应是已知的。
高光谱分类技术就是为解混提供类别监督信息。
端元提取就是从整幅图像数据中提取出含有的不同的地物端元,为丰度的求解准备端元信息。
高光谱解混主要分为线性解混模型和非线性解混模型。
线性解混模型是将混合像元的形成过程简单化,假设一个混合像元是由几种地物的光谱信息按照不同的比例线性叠加而成。
由于其易于理解、计算简单而有着广泛的应用。
但是在很多情况下,如一些包含砂石、矿物、植被以及水域等地物分布的高光谱图像,在混合像元形成的过程中,忽略成像中的非线性因素会影响解混的精度。
为了解决这个问题,非线性解混模型被越来越多的学者研究,非线性像元解混是本课题的研究重点,主要研究内容如下。
1、重点研究了基于多项式的非线性解混模型,并根据其不足,提出一种新的非线性解混模型。
多项式非线性解混模型的基本思想是在线性混合模型的基础上,加上非线性非线性项来模拟像元中地物间非线性混合的机理。
地物间的反射、折射的相互作用,入射光子与其他光子反射两次及以上的反射、折射,造成像元的非线性混合。
光子反射三次以上影响很小,所以只考虑二次反射项。
基于二次多项式的混合模型中的非线性项就是端元间的两两混合。
在现有的多项式混合模型中将端元光谱简单的点乘来模拟地物两两二次反射的代表端元光谱。
这种混合方式,在光谱值过大或过小的时候,其二次反射代表光谱就严重偏离的正常的光谱值,影响解混工作。
基于约束非负矩阵分解改进的高光谱解混方法
基于约束非负矩阵分解改进的高光谱解混方法高光谱图像解混是遥感领域的一个热点问题，它涉及到从复杂的数据中提取出纯净的地物光谱信号。
这一技术的进步对于精准农业、环境监测等领域具有深远的影响。
本文将探讨一种基于约束非负矩阵分解（CNMF）的改进方法，旨在提高解混的精度和效率。
想象一下，高光谱图像就像是一幅由无数色彩构成的复杂画卷，每一种颜色都代表着不同的物质成分。
传统的解混方法就像是用一把粗糙的刷子去分离这些色彩，往往力不从心。
而CNMF 方法则更像是一位细心的画家，用细小的画笔精心勾勒出每一笔的色彩。
在CNMF的基础上，我们引入了一种新的约束条件——物质的丰度和必须是100%，这就像是给画家的调色板上加上了一个量杯，确保每次调配的颜色都不会过量或不足。
这种改进不仅提升了解混结果的准确性，也大大减少了计算的时间。
然而，这种方法并非没有挑战。
在实际操作中，如何平衡不同物质之间的相互作用，如何准确设定约束条件，都是需要深思熟虑的问题。
这就像是在绘画时需要考虑颜料的混合比例，太多或太少都可能破坏画面的和谐。
此外，我们还需要考虑数据噪声的影响。
在高光谱图像中，噪声就像是画面上的污点，如果不加以处理，就会影响最终作品的质量。
因此，我们在改进的方法中加入了噪声抑制机制，就像是在画作上轻轻拂过一层透明的保护膜，既保留了原有的色彩，又避免了污点的侵扰。
在实验中，我们将这种改进的CNMF方法应用于多个真实场景的高光谱数据，结果显示，无论是在解混精度还是计算效率上，都有了显著的提升。
这就像是经过精心调配的颜色更加鲜艳，画作的细节也更加清晰。
当然，任何技术都不是完美的。
我们还需要进一步研究如何在不同的环境下自适应地调整约束条件，以及如何处理更大规模的数据。
但无可否认，这种基于CNMF改进的高光谱解混方法为我们打开了一扇新的大门，让我们能够更加深入地探索地球表面的奥秘。
总的来说，这种基于约束非负矩阵分解改进的高光谱解混方法，就像是在科学的大海中航行的一艘精巧的船，它能够带领我们穿越复杂的数据波浪，抵达纯净光谱的信号之岸。
基于分组Fisher判别的高光谱图像解混技术的开题报告
基于分组Fisher判别的高光谱图像解混技术的开题报告一、选题背景高光谱图像(Hyperspectral Image，HSI)是一种具有连续光谱信息的多光谱影像，在环境监测、农业遥感、城市规划等领域有着广泛的应用。
然而，由于大气、地表、遥感仪器等多种因素的影响，HSI常出现混合像元、噪声干扰等问题，对图像的处理和分析带来一定的难度。
因此，HSI 解混技术的研究成为了当前遥感图像处理研究的热点之一。
HSI解混技术通常分为基于主成分分析(Principal Component Analysis，PCA)、线性光谱不变性模型(Linearity Spectral Unmixing Model，LSU)、非线性光谱不变性模型(Nonlinearity Spectral Unmixing Model，NSU)等多种方法。
在各种方法中，基于分组Fisher判别(Group Fisher Discriminant，GFD)的HSI解混技术因其具有高解混精度、对光谱稀疏性不敏感等优点，受到越来越多的关注。
二、选题内容本项目选取基于分组Fisher判别的HSI解混技术作为研究内容，主要研究内容包括：1.分析并掌握基于分组Fisher判别的HSI解混原理和方法。
2.研究HSI数据的特征提取方法，并分析其对解混精度的影响。
3.调用现有高光谱图像数据库进行实验验证，比较基于分组Fisher判别的HSI解混技术与其他解混技术的效果。
4.基于现有算法，研究基于分组Fisher判别的HSI解混技术的改进措施。
三、预期成果本项目预期在以下方面取得成果：1.深入了解高光谱图像解混技术和基于分组Fisher判别的解混算法，并能熟练应用。
2.掌握HSI特征提取方法，分析特征提取对解混精度的影响。
3.通过实验验证，比较不同HSI解混技术的效果，探讨不同方法的优劣。
4.提出基于分组Fisher判别的HSI解混技术的改进措施，优化算法。
四、研究方法本项目采用以下方法进行研究：1.调研资料：查阅国内外相关文献、技术报告、专利等资料，了解高光谱图像解混技术和基于分组Fisher判别的解混算法的研究现状。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｎｏ Ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｕ ｎ ｍｌ ’ ｘ ｍ 。 ｇ ｕｓ ｎ ｉ 。 ｇ ｂ ａ ｃ ｋ ｔ ｒ ａ ｃ ｋｉ ｎ ｇ ｏ ｐ ｔ ｉ ｜ ｍｉ ｚ ａ ｔ ｉ ｑ ｏ ｎ［ ｆ ｏ ｒ ｈ ｙ ｐ ｅ ｒ ｓ ｐｅ ｃ ｔ ｒ ａ ｌ ｉ ｍａ ｇ ｅ ｓ
ｔ ｏ ｏ ｂ ｔ ａ ｉ ｎ ｔ ｈ ｅ ｏ ｐ ｔ ｉ ｍａ ｌ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｗ ｈ ｉ ｃ ｈ ｍ ｉ ｎ ｉ ｍ ｉ ｚ ｅ ｈｅ ｔ ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ． Ｉ ｎ ｈ ｔ ｅ ｓ ｅ ｒｃ ａ ｈ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ， ｈｅ ｔ ｂ ｏ ｕ ｎ ｄ ａ ｒ ｙ
第４ ６卷 第 ６期
Ｖｏ ｉ ． ４ ６ ＮＯ ． ６
红 外 与 激 光 工程
Ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄ ａ ｎ ｄ Ｌａ ｓ ｅ ｒ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
２ ０ １ ７年 ６ 月
Ｊ ｕ ｎ． ２０１ ７
基 于 回溯 优 化 的 非 线性 高 光 谱 图 像解 混
陈 雷 １ ， ２ ， 甘士忠 。 ， 孙 茜
（ １ ． 天津 商业大 学 信 息工程学院 ， 天津 ３ ０ ０ １ ３ ４ ； ２ ． 天津 大学 精 密仪 器与光电子 工程 学院 ， 天津 ３ ０ ０ ０ ７ ２ ；
３ ． 天 津工业 大学 电子信 息工程 学 院 ， 天津 ３ ０ ０ ３ ８ ７ ） 摘 要 ：为 了进 一 步提 升 高光谱 图像 的解 混精度 ，提 出一 种基 于 回溯优 化 的 高光谱 图像后 非 线 性 解
２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ Ｉ ｎ ｓ ｔ ｒ ｕ ｍｅ ｎ ｔ ａ ｎ ｄ Ｏ ｐ ｔ ｏ — Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｔ ｉ ａ ｎ ｊ ｉ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｔ ｉ ａ ｎ ｊ ｉ ｎ ３ ０ ０ ０ ７ ２ ， Ｃｈ ｉ ｎ ａ ３ ．Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ｎｄ ａ Ｉ ｎ ｆ ｏ ｍａ ｒ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｔ ｉ ａ ｎ ｊ ｉ ｎ Ｐ ｏ ｌ ｙ ｔ ｅ ｃ ｈ ｎ ｉ ｃ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｔ ｉ ａ ｎ ｊ ｉ ｎ ３ ０ ０ ３ ８ ７ ，Ｃ ｈ ｉ ｎ ａ ） Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａ ｐ ｏ ｓ ｔ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｕ ｎ ｍｉ ｘ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ｆ ｏ ｒ ｈｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｉ ｍａ ｇ ｅ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｂ ａ ｃ ｋ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｏ ｐ ｔ ｉ ｍｉ ｚ ａ ｉｏ ｔ ｎ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈｅ ｕ ｎ ｍｉ ｘ ｉ ｎ ｇ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ。 Ｏｎ ｔ ｈｅ ｂａ ｓ ｉ ｓ ｏ ｆ ｈｅ ｔ ｐｏ ｓ ｔ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｍｉ ｘ ｉ ｎ ｇ ｍｏ ｄ ｅ ｌ ，ｔ ｈｅ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｉｏ ｔ ｎ ｅ ｒ ｒ ｏ ｒ ｂ ｅ ｔ ｗｅ ｅ ｎ ｔ ｈｅ ｏ ｂ ｓ ｅ ｒ ｖ ｅ ｄ ｉ ｍａ ｇ ｅ ｓ ａ ｎ ｄ ｔ ｈｅ ｒ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄ ｉ ｍａ ｇ ｅ ｓ ｗａ ｓ ｕ ｓ ｅ ｄ ａ ｓ
ｔ ｈ ｅ ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｆ ｕ ｎ ｃ ｉ ｔ ｏ ｎ ， ｂ ａ ｃ ｋ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｐ ｉ ｔ ｉｚ ｍ ａ ｉ ｔ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｈ ｔ ｍ ｗａ ｓ ｕ ｓ ｅ ｄБайду номын сангаас ｔ ｏ ｓ ｅ ｒｃ ａ ｈ ｉ ｎ ｔ ｈ ｅ ｓ ｏ ｌ ｕ ｉ ｔ ｏ ｎ ｓ ｐ ａ ｃ ｅ
Ｃ ｈ ｅ ｎ Ｌ ｅ ｉ 。 。 ， Ｇ ａ ｎ Ｓ ｈ ｉ ｚ ｈ ｏ ｎ ｇ 。 ， Ｓ ｕ ｎ Ｑ ｉ ａ ｎ
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ ， Ｔ ｉ ａ ｎ ｊ ｉ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｃｏ ｍｍｅ ｒ ｃ ｅ ， Ｔ ｉ ａ ｎ ｊ ｉ ｎ ３ ０ ０ １ ３ ４ ，Ｃ ｈ ｉ ｎ ａ ；
混 算法 。在后 非 线性 混合模 型的基 础 上 ， 以观 测 图像 与 重构 图像之 间的重 构误 差 为 目标 函数 ， 使 用 回
溯搜 索算 法在 解 空 间搜 索使 目标 函数取 得极 小值 的最优 解 。 在搜 索过 程 中 ， 利 用 回溯搜 索 算法 的边界 控制 机制 有 效保证 了 高光谱 图像 解混过 程 中的 约束 条件 ，进 而有 效 实现 了对解 混丰度 值 和 非线 性参
数 的精 确 估 计。 针 对合 成 高光 谱 图像 和 真 实 高光 谱遥 感 图像 的解 混 实验 表 明 ， 文 中算法 具有优 异 的解
混性 能 ， 所达 到 的解 混精度 显 著优 于现 有非 线性 高光 谱 图像解 混算 法 。 关键 词 ：高光谱 图像 ； 非 线性 解混 ； 后 非 线性模 型 ； 仿 生智 能优 化 ； 回溯搜 索优 化 算法