高光谱图像因其较高的光谱分辨率而得到广泛应用,但由于成像光谱仪空间分辨率的限制,使得混合像元大量存在,严重影响后续图像处理的精度。因此,有必要对高光谱图像解混技术进行研究。目前,光谱解混主要以线性光谱混合模型为主,因其结构简单,物理意义明确而得到广泛应用。传统线性光谱解混时,先利用端元提取算法获取纯像元光谱,再将纯像元光谱作为先验知识用于丰度反演算法。但真实高光谱数据中可能并不存在纯像元,因此将端元提取的结果用于丰度反演算法中必然引入较大误差,导致最终解混结果不理想。为了解决这一问题,将稀疏表示理论引入到高光谱解混算法中,提出了基于稀疏表示的高光谱图像解混算法。基于稀疏表示的线性光谱混合模型,可以等价为在过完备光谱库下求解方程最简单解的问题,并采用匹配追踪类算法进行稀疏求解。OMP算法用于稀疏解混,取得了很好的解混效果,但是在低信噪比情况下,解混精度不理想。为了进一步提高OMP稀疏解混算法的解混精度,使算法更具实际应用性,本文进行了一系列的改进,主要包括以下三个方面:1.OMP稀疏解混算法采用内积度量光谱库端元光谱与光谱残差之间的匹配程度,在信噪比较低时,匹配效果不理想。针对此问题,本文提出采用广义Dice系数代替内积度量光谱匹配程度,由于Dice系数中更多地考虑到了光谱信息,因此具有更好的抗噪声能力。文中将这种用Dice系数作为匹配准则的高光谱解混算法称为DOMP稀疏解混算法。通过分析模拟及真实数据仿真实验,在信噪比较低的情况下,DOMP算法获得了更高的解混精度,抗噪声性能更好。2.OMP算法作为一种稀疏求解算法,得到的稀疏解是无约束的。而混合像元的丰度系数表示的是端元在每个混合像元中所占的比例,应该满足“非负”及“和为1”性。为了让OMP稀疏解混算法得到的稀疏解满足丰度系数的非负约束及全约束,在DOMP算法中加入约束算法,使得到的丰度系数满足其物理含义。通过在残差更新迭代过程中采用非负约束最小二乘算法及全约束最小二乘算法,分别得到满足丰度约束的NDOMP和FDOMP稀疏解混算法。通过分析模拟及真实数据仿真实验,丰度约束的稀疏解混算法大幅度提高了解混精度,且FDOMP算法的解混精度较NDOMP算法略好,但算法复杂度也相对更高。3.当匹配追踪类算法应用于高光谱解混领域时,需要设定混合像元的稀疏度,且不同的稀疏度对光谱解混效果影响较大。OMP算法这种设定稀疏度的方式导致该算法的实际应用性较差。为了解决这一问题,本文提出了一种自适应稀疏度的稀疏解混算法。该算法通过约束光谱残差的方式使每个像元获得自适应的稀疏度,并在此基础上加入丰度系数的全约束,得到FAOMP稀疏解混算法。模拟及真实数据实验结果显示,FAOMP算法在实现稀疏度自适应的同时,获得了较高的解混精度,且更具实际应用价值。