基于深度自编码器网络的广义线性混合/非线性波动模型高光谱解混

光谱解混是高光谱图像处理中一项重要任务，用于分离观测到各像素的、与多种材料相关的混合光谱数据。近年来，非线性光谱解混受到特别关注，因为线性混合在许多条件下并不适用。然而，现有非线性解混方法通常基于对固有非线性的特定假设，当应用于偏离原假设的条件时往往失效。因此，这些方法不太适用于具有未知非线性特征的场景。本文提出一种基于深度自编码器网络的无监督非线性光谱解混方法，适用于广义线性混合/非线性波动模型，该模型由线性混合分量与依赖于端元及丰度的加性非线性混合分量构成。所提方法利用深度神经网络的通用建模能力，通过自编码器网络从数据自身学习非线性混合分量的固有非线性，而非依赖假设的形态。在数值合成、带标签的实验室构建数据及真实航空数据上的大量实验表明，与最先进方法相比，该方法具有通用性与有效性。