基于深度展开网络的高光谱图像解混结题报告.docVIP

基于深度展开网络的高光谱图像解混结题报告

一、研究背景与问题提出

高光谱图像凭借其在可见光至红外光谱范围内的数百个连续窄波段成像能力，能够同时获取地物的空间分布与光谱特征，在精准农业、环境监测、矿产勘探、军事侦察等领域展现出巨大的应用潜力。然而，由于高光谱成像仪空间分辨率与光谱分辨率之间的固有矛盾，以及地物分布的复杂性，高光谱图像中普遍存在混合像素问题——即单个像素内包含多种不同地物类型的光谱信息。这种混合现象严重制约了高光谱图像后续的目标识别、分类与定量分析精度，因此，高光谱图像解混技术成为高光谱遥感领域的核心研究课题之一。

传统的高光谱图像解混方法主要分为线性解混与非线性解混两类。线性解混模型假设混合像素内的地物光谱是线性叠加的，其代表性方法包括最小二乘法、正交子空间投影法、稀疏回归法等。这类方法计算复杂度低、物理意义明确，在混合机制接近线性的场景中取得了一定效果，但实际地物间往往存在光子散射、多次反射等非线性相互作用，线性模型的解混精度难以满足复杂场景需求。非线性解混方法如核方法、神经网络法等虽然能捕捉非线性混合效应，但大多存在模型泛化能力弱、超参数调优困难、对先验知识依赖度高等问题。

近年来，深度学习技术在计算机视觉领域的突破性进展为高光谱图像解混带来了新的思路。深度神经网络凭借其强大的特征提取与非线性拟合能力，能够自动学习高光谱数据的复杂分布特征。然而，传统的黑箱式深度学