基于空谱联合稀疏性的高光谱解混理论与算法

高光谱解混是高光谱遥感图像分类、目标识别、异常检测、分辨率增强等后续分析和定量化应用的关键。高光谱解混问题具有不适定性，可以利用正则化理论框架来解决，其效果在很大程度上取决于先验信息的选取。现有的高光谱解混方法主要利用丰度系数的"和为一性"和"非负性"先验来设计解混模型，其精确性和算法的稳定性有待提高。本项目研究基于"空谱联合稀疏性"的高光谱解混理论与算法，主要内容包括：联合空间维和光谱维信息充分挖掘高光谱图像的稀疏性先验，研究稀疏性约束的高光谱解混模型，提出面向实时应用的高光谱解混分布式并行优化算法。项目形成一套基于"空谱联合稀疏性"的高光谱解混新方法，为提高高光谱遥感信息处理和定量解译的精度奠定基础，并将推动高光谱遥感在对地观测、深空探测领域的实际应用，具有十分广阔的应用前景。

高光谱解混是遥感信息处理领域的研究热点。由于高光谱成像仪的空间分辨率限制和观测场景的复杂多样性，高光谱遥感图像存在混合像元现象，对目标分类识别等后续处理和定量化应用的精度产生很大的影响。本项目首先基于信号压缩感知和稀疏表示理论，联合空间维和光谱维信息深入分析高光谱图像的结构化稀疏性先验，创新性地提出了l1-l2联合稀疏性约束的非负矩阵分解解混模型、基于迭代加权l1的稀疏性解混方法、基于光谱库的l1/2正则化稀疏回归解混模型和算法，有效提高了高光谱解混的精度和稳定性。其次，针对海量高光谱数据高效处理应用需求，结合CPU-GPU异构混合执行模式，充分利用CPU的逻辑控制能力和GPU 的紧密度高性能并行计算能力，设计了多层次的存储与I/O优化策略，基于CUDA架构建立通用并行映射模型和合理数据划分，设计实现了高光谱图像稀疏性解混的高效并行优化算法，有效提升了数据处理效率。同时，本项目将稀疏性高光谱解混研究成果拓展应用于高光谱图像分类中，提出了一系列联合空谱上下文信息的高光谱图像稀疏性分类方法。项目最终形成了一套基于空谱联合稀疏性的高光谱图像解混新方法，开发了相应的软件系统，并利用实际高光谱数据实验验证了项目研究成果的有效性。相关成果在环境监测、农业生产、地质勘探、军事探测、城市规划等领域具有广阔的应用前景。