出版日期: 2016-09-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20166179
2016 | Volumn20 | Number 5

论文

高光谱图像处理与信息提取前沿

张兵

中国科学院遥感与数字地球研究所数字地球重点实验室, 北京 100094

收稿日期: 2016-06-15; 修改日期: 2016-07-15; 优先数字出版日期: 2016-09-25

基金项目: 国家杰出青年科学基金（编号：41325004）

第一作者简介: 张兵(1969-), 男, 研究员, 中国科学院遥感数字地球研究所副所长, 研究方向为高光谱遥感技术与应用。E-mail:zb@radi.ac.cn

中图分类号: TP701

文献标识码: A

文章编号: 1007-4619(2016)05-1062-29

摘要

高光谱遥感是对地观测的重要手段，高光谱图像处理与信息提取技术则是高光谱遥感领域的核心研究内容之一。本文简要介绍了高光谱遥感的主要特点，系统梳理了高光谱图像处理与信息提取面临的关键问题和主要研究方向，在此基础上，从噪声评估与数据降维方法、混合像元分解方法、图像分类方法、目标探测与异常探测方法等4个方面对高光谱图像处理与信息提取的理论发展过程和最新前沿进展进行了综述。另外，还对高光谱图像处理与信息提取中的高性能处理技术进行了总结和分析。未来，伴随着智能化信息分析和高性能硬件处理技术发展，高光谱遥感卫星系统也将步入智能化时代。针对这一趋势，本文指出高光谱图像处理与信息提取方法要注重多学科交叉，充分利用机器学习、人工智能等领域的新成果；要重视软硬件结合，发展高光谱图像高性能实时处理技术；要紧密结合应用需求，发挥高光谱遥感的优势和特点，发展新理论和新方法。

关键词

高光谱遥感 , 数据降维 , 混合像元分解 , 图像分类 , 目标探测 , 高性能计算

Advancement of hyperspectral image processing and information extraction

ZHANG Bing

Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China

Abstract

Hyperspectral remote sensing is an important technique in Earth observation. Hyperspectral image processing and information extraction is one of the key issues in hyperspectral remote sensing. This paper introduces the major characteristics of hyperspectral remote sensing. It also summarizes and reviews the development history and current advancements of hyperspectral image processing and information extraction, which mainly comprises four aspects:data dimensionality reduction, pixel unmixing, image classification, and target and anomaly detection. Moreover, the high-performance computing technique in hyperspectral image processing and information extraction is summarized and analyzed. In the future, the technical developments of intelligent information analysis and high-performance processing based on hardware indicate that the hyperspectral remote sensing satellite system will enter an intelligent era. Therefore, the present studyindicates three aspects that should be considered in hyperspectral image processing and information extraction. First, a multidisciplinary connection should be emphasized, and new achievements in the fields of machine learning and artificial intelligence should be fully adopted. Second, close attention should be given to the integration of software and hardware to develop a high-performance technique for processing hyperspectral images in real time. Finally, the advantages and characteristics of hyperspectral remote sensing should be extensively explored, and the development of new theories and new methods should integrate the requirements of various applications.

Key words

hyperspectral remote sensing , data dimensionality reduction , pixel unmixing , image classification , target detection , high performance computing

1 引言

高光谱遥感(hyperspectral remote sensing)又叫成像光谱遥感，是将成像技术和光谱技术相结合的多维信息获取技术(Goetz等，1985)。高光谱遥感器能够同时获取目标区域的2维几何空间信息与1维光谱信息，因此高光谱数据具有“图像立方体”的形式和结构，体现出“图谱合一”的特点和优势(如图 1所示)。高光谱图像中的每个像元记录着瞬时视场角内几十甚至上百个连续波段的光谱信息，其光谱分辨率在400—2500 nm波长范围内一般小于10 nm。将这些光谱信息作为波长的函数可以绘制一条完整而连续的光谱曲线，反映出能够区分不同物质的诊断性光谱特征，使得本来在宽波段多光谱遥感图像中不可探测的地物在高光谱遥感中能够被探测(童庆禧等，2006a)。高光谱遥感技术的这种特质使得其在矿产勘探(Kruse等，2003)、环境监测(张兵等，2009)、精准农林(Jiao等，2014)和国防军事(张兵等，2004)等领域都产生了重要的应用价值(童庆禧等，2006b)，同时也给图像处理与信息提取技术的发展带来了新的挑战。

图 1 高光谱遥感成像示意

Fig. 1 Sketch map of hyperspectral remote sensing imaing

过去30年间，高光谱遥感技术自提出以来得到了迅猛的发展(Goetz，2009；Tong等，2014)，同时高光谱图像处理与信息提取技术也在不断取得新的突破。高光谱图像处理与信息提取技术的研究主要包括数据降维、图像分类、混合像元分解和目标探测等方向(张兵和高连如，2011)。本文首先从上述4个方向梳理高光谱图像处理与信息提取中的关键问题，然后分别针对每个方向，在回顾相关经典理论和模型方法的基础上，介绍近年来取得的新的代表性成果、发展趋势和未来的研究热点。此外，高性能计算技术的发展显著提升了数据处理与分析的效率，在高光谱图像信息提取中也得到了广泛而成功的应用，因此本文还将介绍高光谱图像高性能处理技术的发展状况。

2 高光谱图像处理与信息提取中的关键问题

高光谱图像包含丰富的空间信息和光谱信息，针对全色或多光谱图像的信息提取方法不适合高光谱图像的处理，因此，需要根据高光谱遥感的机理和图像的特点，发展新的信息提取模型与方法。高光谱图像波段多、数据量大，而且混合像元问题较为严重，且同物异谱影响明显，这都是信息提取研究需要解决的关键问题，概括为4个方面：

(1) 高光谱图像波段较多，相邻波段之间必然有着很强的相关性，这使得所观测到的数据在一定程度上存在冗余现象，而且数据量大，为图像的处理带来了压力，数据的膨胀导致计算机处理负荷大幅增加。另外，在高光谱图像数据获取过程中出现的噪声将会使图像中的光谱信息产生“失真”。因此需要进行数据降维，以压缩数据量和提高运算效率，同时可以简化和优化图像特征，并最大限度保留信号和压缩噪声。

(2) 当一个像元对应的瞬时视场内存在多种不同地物类型，该像元的光谱特征则由这些地物的光谱信息共同构成，由此产生了混合像元现象。由于遥感器空间分辨率的制约，高光谱图像中普遍存在混合像元问题，这是制约分类精度提高和目标探测准确率的重要因素。为进一步挖掘像元内部信息，需要进行混合像元分解，发展描述光谱混合物理过程的数学模型以及求解模型的解混算法。

(3) 利用高光谱图像进行地物精细分类是高光谱遥感技术应用的核心内容之一，分类结果是专题制图的基础数据，在土地覆盖和资源调查以及环境监测等领域均有着巨大的应用价值。高光谱图像分类中主要面临Hughes现象(Hughes，1968)和维数灾难(Bellman，2015)、特征空间中数据非线性分布等问题。同时，传统算法多是以像元作为基本单元进行分类，并未考虑遥感图像的空间域特征，从而使得算法无法有效处理同物异谱问题，分类结果中地物内部易出现许多噪点。

(4) 高光谱图像提供的精细光谱特征可以用于区分存在细微差异的目标，包括那些与自然背景存在较高相似度的目标。因此，高光谱图像目标探测技术在公共安全和国防领域中有着巨大的应用潜力和价值。高光谱图像目标探测要求目标具有诊断性的光谱特征，在实际应用中受目标光谱的变异性、背景信息分布与模型假设存在差异、目标地物尺寸处于亚像元级别等问题影响，有时存在虚警率过高的问题，需要发展稳定可靠的新方法。

此外，高光谱遥感观测的目的是获取有用的目标信息，而不是体量巨大的高维原始数据，传统图像处理平台和信息提取方式难以满足目标信息快速获取的需求。尽管高性能处理器件的迅猛发展，为亟待解决的高光谱图像并行快速处理和在轨实时信息提取提供了实现途径，但也面临着一系列的关键技术问题。并行处理和在轨实时处理都需要对算法架构进行优化，同时要依据处理硬件的特点考虑编程方面的问题，此外，在轨实时处理还对硬件在功耗等方面提出了特殊的要求。

3 高光谱图像处理与信息提取方法

3.1 噪声评估与数据降维方法

3.1.1 噪声评估

典型地物具有的诊断性光谱特征是高光谱遥感目标探测和精细分类的前提，但是由于成像光谱仪波段通道较密而造成光成像能量不足，相对于全色图像，高光谱图像的信噪比提高比较困难。在图像数据获取过程中，地物光谱特征在噪声的影响下容易产生“失真”，如对某一吸收特征进行探测，则要求噪声水平比吸收深度要低至少一个数量级。因此，噪声的精确估计无论对于遥感器性能评价，还是对于后续信息提取算法的支撑，都具有重要意义。

在光学遥感中，图像噪声主要由周期性噪声和随机噪声构成，式(1)中周期性噪声可以由频域变换滤波有效地消除，而随机噪声的影响一直存在，这种随机噪声一般认为是与信号无关的加性噪声，用模型表示为

$ \displaystyle{z_b}(i,j) = {s_b}(i,j) + {n_b}(i,j) $

(1)

式中，${z_b}(i,j)$为包含噪声的图像，${s_b}(i,j)$为图像信号，${n_b}(i,j)$为图像噪声。通常采用高斯白噪声对这种加性噪声进行模拟，其概率密度函数为

$ {f_x}(x) = \frac{1}{{\sqrt {2{\rm{\pi }}{\sigma _n}} }}{{\rm{e}}^{ - {x^2}/2\sigma _n^2}} $

(2)

式中，${\sigma _n}$为噪声的标准差。针对噪声评估方法的研究主要包括两种思路：一是基于空间域的方法，二是基于光谱域的方法(Gao等，2013a)。

在基于空间域的噪声评估方面，Wrigley等人(1984)提出了均匀区域法，该方法从图像中选择4个以上的均匀区域，通过计算这些均匀区域的均值和标准差获取图像的信噪比。该算法原理简单，在基于定标场的卫星遥感系统信噪比评估中表现出色。Curran(1988)，Curran和Dungan(1989)提出了地学统计法，该方法从图像中选择几条均匀的窄条带，通过这些条带半方差函数的计算对噪声进行估算。上述算法在实际应用中存在3个方面的缺点：一是需要人工进行均匀区域选择，很难做到自动化；二是满足要求的均匀区域在大部分遥感图像中并不存在；三是图像子区域噪声估算结果并不能代表整幅遥感图像噪声。针对这3个问题，Gao(1993)提出了局部均值与局部标准差法，该方法将图像分割成很多小的块，计算这些子块的标准差作为局部的噪声大小。图像子块的均值(LM)可表示为

$ LM{\rm{ = }}\frac{1}{{{w^2}}}\sum\limits_i^w {\sum\limits_j^w {{x_{i,j,k}}} } $

(3)

式(3)表示大小为w×w图像子块在第k波段的均值。图像子块的标准差(LSD)可表示为

$ LSD = {[\frac{1}{{({w^2} - 1)}}\sum\limits_i^w {\sum\limits_j^w {{{({x_{i,j,k}} - LM)}^2}} } ]^{\frac{1}{2}}} $

(4)

通过式(4)对所有图像子块进行计算，找出最大最小的局部标准差值，并在这两个值之间建立若干等间隔区间，选择包含子块数最多区间的局部标准差的平均值作为整个图像的最佳噪声估计。传统局部均值与局部标准差法性能优于均匀区域法和地学统计法，但是还是易受图像空间纹理的影响，为此高连如(2007)提出了两种优化方法：局部均匀块标准差法和基于高斯波形提取的优化方法。这两种算法的核心是通过去除边缘纹理和搜索具有代表性的均匀子块统计区间的方式，达到提高算法稳定性的目的。

在基于光谱域的噪声评估方面，Roger和Arnold (1996)提出了空间光谱维去相关法(SSDC)，核心是利用了高光谱图像空间维和光谱维存在高相关性的特点，通过多元线性回归去除了具有高相关性的信号，利用得到的残差图像对噪声进行估算。图像的残差可表示为

$ {r_{i,j,k}} = {x_{i,j,k}} - {\hat x_{i,j,k}} $

(5)

式中，${\hat x_{i,j,k}}$是${x_{i,j,k}}$的估计值，可以通过多元线性回归方法进行估计，即

$ {\hat x_{i,j,k}} = a + b{x_{i,j,k - 1}} + c{x_{i,j,k + 1}} + d{x_{p,k}} $

(6)

式中，p表示${x_{i,j,k}}$的空间邻域像元，a、b、c、d是多元线性回归方程的系数。相对于基于空间域的方法，该方法受地物覆盖类型影响小，并且可以自动执行，噪声评估结果较为稳定(Gao等，2012)。但是该方法针对有些特定空间纹理，仍然会存在估计偏差。为此，Gao等人(2007，2008)分别提出了残差调整的局部均值与局部标准差法、基于均匀区域划分和光谱维去相关(HRDSDC)的高光谱图像噪声评估方法。前者首先利用多元线性回归去除波段之间的相关性，求取残差，然后利用残差图像代替原始图像进行基于局部均值与局部标准差法的噪声评估。后者则利用了高光谱图像中地物均质性和光谱维高相关性的特点，先根据地物在空间上分布的连续性对图像进行自动分块(图 2)，在每个均质子块的内部通过光谱维的多元线性回归去相关得到残差，将残差的标准差作为该子块的噪声标准差，最后将所有子块噪声标准差的平均值作为整幅图像的噪声评估结果。实验结果表明，HRDSDC方法对图像空间纹理特征的依赖性相对较低，噪声评估结果比SSDC评估的结果更准确(Gao等，2013a)。

图 2 噪声评估算法中图像分割处理示意

Fig. 2 Image segmentation in noise estimation algorithms

上述算法是假设噪声与信号无关，也有一些算法可以在噪声与信号相关的假设条件下进行噪声评估，也是一个重要的方向(Acito等，2011；Uss等，2011)。

3.1.2 光谱特征提取

高光谱数据降维技术主要是利用低维数据来有效表达高维数据信息，在压缩数据量的同时为地物信息提取提供优化的特征。高光谱数据降维方法主要分为两类：特征提取和波段选择。

光谱特征提取(spectral feature extraction)是通过原光谱空间或者其子空间的一种数学变换，来实现信息综合、特征增强和光谱减维的过程(图 3)。特征提取方法首先对原始高光谱数据进行数学变换，然后选取变换后的前n个特征作为降维之后的n个成分，实现数据降维。

图 3 高光谱图像特征提取

Fig. 3 Hyperspectral image feature extraction

主成分分析是最基本的高光谱数据特征提取方法，该方法是基于信息量的一种正交线性变换，主要是采用线性投影的方法将数据投影到新的坐标空间中，从而使得新的成分按信息量分布。信息量的衡量标准是数据的方差

$ Var({z_i}) = {\boldsymbol{a}}_i^{\rm{T}}{\boldsymbol{\Sigma }} {{\boldsymbol{a}}_i},\;\quad i = 1,2, \cdots ,p $

(7)

式中，a_i是第i个变换向量，$\boldsymbol \Sigma$是原始数据的协方差矩阵，z_i是数据降维之后的第i个主成分，Var(z_i)是数据降维之后的第i个主成分的方差。在主成分分析基础上，Fraser和Green(1987)提出了定向主成分分析，该方法是计算两个比值图像的主成分，可以消除植被干扰进行矿物蚀变填图。Chavez和Kwarteng(1989)提出了选择主成分分析，该方法能准确预测目标特征信息，并将特征信息集中于某一成分中，但该方法仅对少数具有显著光谱特征的地物(如水、植被等)具有很好的效果。刘建贵(1999)在对主成分分析方法进行分析的基础上，面向城市地物光谱特征提取，提出了基于典型分析的特征提取方法，并取得了很好的应用效果。主成分分析方法还主要是基于信息量排序的变换方法，无法处理图像中包含的复杂的噪声的问题，因此在用于噪声统计分布复杂的图像时会出现严重偏差。

针对上述问题，Switzer和Green(1984)提出了最小/最大自相关因子分析方法，该方法基于图像数据的自相关性，根据自相关性高低来表征图像质量好坏，随着成分编号的增加，成分的自相关性增大。最大噪声分离MNF(Maximum Noise Fraction)变换方法，也是一种常用的高光谱图像数据特征提取方法，该方法根据图像质量排列成份，图像质量的衡量标准是噪声分数

$ {\boldsymbol{NF}} = \frac{{{{\boldsymbol{a}}^{\text{T}}}{{\boldsymbol{S}}_{{N}}}{\boldsymbol{a}}}}{{{{\boldsymbol{a}}^{\text{T}}}{\boldsymbol{Sa}}}} $

(8)

式中，$\boldsymbol{a}$是变换矩阵，S_N是噪声的协方差矩阵，S是原始数据的协方差矩阵。MNF变换方法，有效地解决了当某噪声方差大于信号方差或噪声在图像各波段分布不均匀时，基于方差最大化的主成分分析并不能保证图像质量随着主成分的增大而降低的问题(Liu等，2008a，2009)。但是，传统MNF变换还是以空间域方式来进行噪声协方差矩阵的估计，难免存在误差。为此，Gao等人(2011，2013a)提出了优化的MNF方法，该方法采用光谱域方式对噪声协方差矩阵进行稳定而精确的估计，实验表明结果优于传统的MNF变换方法。

此外，光谱特征提取在非线性处理方面也有一些研究成果。Wang等人(2007)提出了基于流形学习的非线性特征提取方法，通过寻找高维空间中的各点在低维流形上的对应坐标，实现数据降维。该方法最大的特点是保持数据的相对几何结构，即在高维空间中靠近的点，在低维空间中仍然靠近(周爽，2010)。此外，Kernel NWFE方法(Kuo等，2009)、Kernel LDA方法(Li等，2011a)、核主成分分析方法(Licciardi等，2012)都是基于核函数的非线性特征提取方法，这些方法都是在原始线性数据降维算法的基础上，引入核方法，通过核函数，将数据映射到高维特征空间，在高维特征空间中运算线性降维方法，实现原始空间中的非线性的高光谱数据降维。但是，基于核函数的非线性降维方法往往依赖于某种隐式映射，不易直观地理解其工作机理，并且在如何选择核及配置最优的核参数方面仍有很多理论问题需要研究。

3.1.3 特征选择

光谱特征选择(spectral feature selection)是针对特定对象选择光谱特征空间中的一个子集，这个子集是一个缩小了的光谱特征空间，但它包括了该对象的主要特征光谱，并在一个含有多种目标对象的组合中，该子集能够最大限度地区别于其他地物(图 4)。

图 4 高光谱图像特征选择

Fig. 4 Hyperspectral image feature selection

特征选择同样是一种非常重要的高光谱数据降维方法，一直以来都受到研究者们的重视。特征选择的目的是选择原始高光谱数据的一个波段子集，这个波段子集能够尽量多地保留原始数据的主要光谱特征或者提高原始数据的地物类别可分性，也就是说要按照一定的标准选择一个最优的波段组合。所以波段选择问题实际上是一个组合优化问题，选择波段组合的标准也称为评价函数或者目标函数。目标函数在波段选择中非常重要，能够直接影响选择到的波段子集的质量。根据目标函数的计算是否需要先验的地物光谱特征信息，可将波段选择算法分为监督的和非监督的两类(Wang等，2007；Du和Yang，2008)。

当地物类别信息是已知的，可以用监督的波段选择算法选择能够最大程度保留这些类别信息的波段子集；如果没有这些先验的地物类别信息，则可用非监督的波段选择算法选择信息量最大的波段子集。常用的非监督波段选择算法目标函数包括Bajcsy和Groves(2004)提出的信息熵、一阶光谱导数、二阶光谱导数方法，Du和Yang(2008)提出的相似度以及Wang等人(2007)提出的单形体体积方法等。在监督波段选择算法中普遍采用的目标函数有离散度(Huang和He，2005)、Bhattacharyya距离、Jeffries-Matusita距离、最小估计丰度协方差等(Chang等，1999；Ifarraguerri和Prairie，2004；Yang等，2011，2012；Wei等，2012)。部分波段选择算法将分类精度作为目标函数，即利用选择的波段子集数据进行分类，以分类精度作为评价波段子集优劣参数(Samadzadegan和Partovi，2010)。这种方法可以获得分类精度最高的波段子集数据，但是受分类器的影响较大，同时计算效率较低。

波段选择算法中确定了目标函数以后，有效的搜索策略也是保证波段选择精度的重要因素。穷举搜索的计算量使这种搜索策略难以在实际中应用。目前在波段选择算法中普遍采用的是处理效率更高的顺序前向选择法(Ifarraguerri和Prairie，2004；Yang等，2011)、顺序前向浮动选择法(Pudil等，1994)。针对顺序前向选择法和顺序前向浮动选择法不是全局搜索的缺陷，波段选择算法中引入了更加复杂的搜索策略。冯静和舒宁(2009)把遗传算法应用到波段选择算法中；杨三美(2011)在波段选择算法中采用了克隆选择算法作为搜索策略；Yang等人(2012)将粒子群优化算法应用到波段选择方法中。由于具有全局搜索和正反馈等优势，蚁群优化算法也作为搜索策略用到了波段选择算法中(Gao等，2014b；Samadzadegan和Partovi，2010；周爽，2010；王立国和魏芳洁，2013)。此外，波段聚类(Martínez-Usómartinez-Uso等，2007；Su等，2011)和稀疏非负矩阵分解聚类(施蓓琦等，2013)等技术的引入也有利于波段选择精度的提高。

3.2 混合像元分解方法

高光谱图像的混合像元分解有两个基本目的：确定组成混合像元的基本地物和计算各个基本地物在混合像元中所占比例。前者称为端元提取(endmember extraction)，后者称为丰度反演(abundance inversion)。这两者是实现混合像元分解的核心步骤(Keshava和Mustard，2002)。为了实现混合像元分解，需要利用数学模型描述混合像元形成的物理过程。根据对物理过程抽象程度的不同，高光谱图像光谱混合模型可以分为线性光谱混合模型LSMM(Linear Spectral Mixing Moldel)和非线性光谱混合模型NLSMM(Nonlinear Spectral Mixing Model)(张兵和孙旭，2015)。地物的混合和物理分布的空间尺度大小决定了非线性的程度，大尺度的光谱混合通常被认为是一种线性混合，而小尺度的物质混合则是非线性的(图 5)。

图 5 高光谱图像光谱混合模型

Fig. 5 Hyperspectral image spectral mixing models

LSMM和NLSMM模型一般都是将端元光谱作为单条曲线进行处理，忽略了端元光谱存在的变异性(Somers等，2011)。光谱变异对混合像元分解影响的研究中，比较代表性的工作有两方面：一是在已有的线性混合模型基础上考虑光谱变异，用一个有限的光谱集合代表端元可能发生的各种变异情况。另一个是扩展现有的模型，对光谱变异程度进行建模，例如正态组分模型(Eches等，2010；Stocker和Schaum，1997)，它用概率来描述光谱的不确定性，将端元视为一个呈给定概率分布的随机变量。该方法利用特定参数来表示端元光谱变异，好处是这种方法在不存在纯像元的数据中也可以估计端元。

3.2.1 线性光谱混合模型

线性光谱混合模型是假设太阳入射辐射只与一种地物表面发生作用，每个光子仅能“看到”一种物质并将其信号叠加到像元光谱中。线性光谱混合模型在混合像元问题中广泛使用，这是因为其在一定条件下能够符合光谱混合过程的物理原理，同时形式简单，易于设计算法和分析比较。若像元r由m个端元$\{ {{\boldsymbol{e}}_j}\} _{j = 1}^m$组成，则线性光谱混合模型可表示为

$ {\boldsymbol{r}} = \sum\limits_{j = 1}^m {{\alpha _j}{{\boldsymbol{e}}_j}} + {\boldsymbol{\varepsilon }} $

(9)

式中，$a$_j为e_j在r中所占比例(丰度)，ε为模型误差项。以线性光谱混合模型为基础的端元提取算法又可以根据设计思路分为几何学方法、统计学方法、稀疏回归方法和人工智能方法等类型(Bioucas-Dias等，2012)。其中，几何学方法的研究历史最为悠久，算法最为丰富。典型的几何学方法包括PPI(Boardman等，1995)、NFINDR(Winter，1999)、VCA(Nascimento和Bioucas Dias，2005)、SGA(Chang等，2006)、SMACC(Gruninger等，2004)、AVAMX(Chan等，2011)、SVMAX(Chan等，2011)、MVSA(Li和Bioucas-Dias，2008)、MVES(Chan等，2009)、RMVES(Ambikapathi等，2011)和MVC-NMF(Miao和Qi，2007)等。统计学方法将光谱解混视为一个统计推理问题，主要包括独立成分分析(罗文斐等，2010)、依赖成分分析(Nascimento和Bioucas-Dias，2012)和贝叶斯分析(Moussaoui等，2006)等。稀疏回归方法是一类基于半监督学习的光谱解混方法，通常需要一个过饱和光谱库作为先验知识，主要包括SPICE(Zare和Gader，2007)、SUnSAL(Bioucas-Dias和Figueiredo，2010)、SUnSAL/TV(Iordache等，2012)和L_1/2-NMF(Qian等，2011)等。

近年，基于LSMM模型的混合像元分解算法的研究大多集中在已有算法的改进优化以及其他信息或者方法的引入，例如：针对N-FINDR算法的体积计算优化(Geng等，2010)；针对VCA算法不稳定和SGA算法计算复杂度高等缺点提出的MVHT算法(Liu和Zhang，2012)；基于空间像素纯度指数的端元提取算法(崔建涛等，2013)；线性滤波方法(谭熊等，2013)；光谱最小信息熵方法(杨可明等，2014)；支持向量机法(王晓飞等，2010)；空间信息辅助算法等(贾森等，2009；孔祥兵等，2013；李娜和赵慧洁，2010)。

人工智能方法可以将LSMM转化为一个组合优化问题(基于纯像元假设)或连续优化问题(无纯像元假设)，然后利用人工智能算法进行求解，主要涉及人工智能算法中的群智能算法。首先，Zhang等人(2011a，b)分别利用蚁群优化算法和离散粒子群算法，通过求解组合优化形式的LSMM模型的方法进行端元提取；Zhang等人(2013a)采用精英蚂蚁策略又对蚁群优化的端元提取算法做了进一步改进；然后，Gao等人(2014a)比较了不同预处理方式对离散粒子群端元提取结果的影响，同时又提出了基于蚁群优化的多算法融合端元提取策略(Gao等，2014b)；近期，Sun等人(2015a)利用人工蜂群算法完成了不依赖纯像元假设情况下的端元提取。

根据端元存在的情况，LSMM模型求解算法可分为纯像元算法和最小体积算法(Bioucas-Dias等，2012)。前者假设图像中每个纯地物都对应一个端元，而后者假设图像中至少一个纯地物不存在端元。针对这两种情况的求解也有所不同，例如NFINDR算法属于前者，端元来自于图像中的像元，需要从图像中搜索出可以构成最大单形体体积的像元作为端元；而MVSA属于后者，主要寻找可以包容图像中所有像元的最小体积的点作为端元，端元不一定在图像中存在(图 6)。

图 6 NFINDR算法(左)与MVSA算法示意(右)

Fig. 6 Sketch map of NFINDR (left) and sketch map of MVSA (right)

3.2.2 非线性光谱混合模型

非线性光谱混合模型是在线性模型中增加了光子与物体接触时的能量传递过程和光子在不同物体之间的多重散射，可以分为专用模型和通用模型(Heylen等，2014)。

专用模型主要依据辐射传输理论，并且针对特定的地物类型。最有代表性的模型有Hapke(1981)建立的针对星球表面矿物的Hapke模型，李小文建立的针对植被结构化参数的几何光学模型(李小文和王锦地，1995)，Suits(1971)建立的针对植被冠层的Suits模型，还有同样针对植被冠层的SAIL模型(展昕，2009)等。

通用模型不针对特定地物类型，避免引入复杂的物理过程。Singer和McCord(1979)首先提出了两端元双线性模型，并应用于火星表面物质的分析；Zhang等人(1998)提出了土壤和植被之间光谱相互作用的两端元双线性模型。Nascimento和Bioucas-Dias(2009)提出了一种多端元双线性的NM模型

$ {\boldsymbol{r}} = {\boldsymbol{E\alpha }} + \sum\limits_{i = 1}^{m - 1} {\sum\limits_{j = i + 1}^m {{\beta _{i,j}}{{\boldsymbol{e}}_i}} } \odot {{\boldsymbol{e}}_j} + {\boldsymbol{\varepsilon }} $

(10)

同时满足约束条件

$ \sum\limits_{k = 1}^m {{\alpha _k}} + \sum\limits_{i = 1}^{m - 1} {\sum\limits_{j = i + 1}^m {{\beta _{i,j}}} } = 1 $

(11)

式(10)中，$ \odot $表示Hadamard积，即

$ {{\boldsymbol{e}}_i} \odot {{\boldsymbol{e}}_j} = \left( {\begin{array}{*{20}{c}} {{e_{1,i}}}\\ \vdots \\ {{e_{L,i}}} \end{array}} \right) \odot \left( {\begin{array}{*{20}{c}} {{e_{1,j}}}\\ \vdots \\ {{e_{L,j}}} \end{array}} \right) = \left( {\begin{array}{*{20}{c}} {{e_{1,i}}{e_{1,j}}}\\ \vdots \\ {{e_{L,i}}{e_{L,j}}} \end{array}} \right) $

(12)

该项的意义是将双线性相互作用项作为额外的端元。同样，Fan等人(2009)也提出了一种双线性的FM模型，该模型由一个一般非线性混合方程的有限泰勒展开式推导得到，具有与式(12)同样的形式，但约束条件为

$ \left\{ \begin{array}{l} \displaystyle \sum\limits_{k = 1}^m {{\alpha _k} = 1} \\ {\beta _{i,j}} = {\alpha _i}{\alpha _j} \end{array} \right. $

(13)

Raksuntorn和Du(2010)将二次非线性项加入到LSMM中，并将端元可变性加入分析过程中；Halimi等人(2011)提出了广义双线性模型，与NM和FM相似，该模型也是在LSMM的方程上加入端元光谱的交叉乘积项，相比于FM模型，广义双线性模型在式(10)的双线性项中增加相互作用系数γ_ij，得

$ {\boldsymbol{r}} = {\boldsymbol{E\alpha }} + \sum\limits_{i = 1}^{m - 1} {\sum\limits_{j = i + 1}^m {{\gamma _{ij}}{\alpha _i}{\alpha _j}{{\boldsymbol{e}}_i}} } \odot {{\boldsymbol{e}}_j} + {\boldsymbol{\varepsilon }} $

(14)

同时对丰度和相互作用系数约束为

$ \left\{ \begin{array}{l} {\alpha _k} \ge 0;k = 1, \cdots ,m\\ \displaystyle \sum\limits_{k = 1}^m {{\alpha _k} = 1} \\ {\gamma _{ij}} \in [0,1];i = 1, \cdots ,m;j = i + 1, \cdots ,m \end{array} \right. $

(15)

式中，γ_ij∈[0, 1]是因为两次反射的路径相对只经过一个地物的独立路径更加长，使得信号的强度变小。显然，当γ_ij=0时，广义双线性模型即为LSMM；当γ_ij=1时，广义双线性模型即为FM。

此后，Altmann等人(2012)考虑了双线性自相互作用，通过对LSMM得到的光谱进行非线性变换得到了多项式非线性模型。Meganem等人(2014)以辐射传输方程为基础，提出了一种物理意义更加明确的双线性模型。Marinoni和Gamba(2015)将更高阶的非线性效应引入混合像元模型，提出了P-Linear模型和POD算法。

与建立NLSMM相比，完成非线性光谱解混，即求解NLSMM则更为困难。除了传统的最小二乘法之外，主要包括基于贝叶斯估计、神经网络、核函数和流形学习等方法(Dobigeon等，2014；唐晓燕等，2013)。Fan等人(2009)除了提出FM外，还利用扩展泰勒链和最小二乘法完成了FM的求解。Altmann等人(2013)引入贝叶斯估计方法，使用高斯回归过程实现了广义双线性模型的求解。

神经网络模型已经被广泛应用于混合像元分解过程(Karathanassi等，2012)。Foody和Cox(1994)首先开始研究基于反向传播的多层感知器的混合像元分解；Guilfoyle等人(2001)分别使用线性和非线性的混合光谱训练基于径向基函数的神经网络；Plaza等人(2004a，2004b)将Hopfield神经网络和多层分类器相结合，通过考虑非线性影响优化线性丰度；吴柯等人(2007)基于Fuzzy ARTMAP神经网络提出了一种基于端元变化的神经网络混合像元分解方法；Licciardi和Del Frate(2011)应用多层感知器神经网络，将降维与丰度反演相结合，提出了一种新的非线性混合像元分解方法。

核函数是一种有效的非线性数据分析方法，不需要预先确定非线性映射形式，即可将高维空间的内积转化为核函数运算。吴波等人(2006)提出了基于支撑向量回归的非线性光谱分解方法；Zhang等人(2007)利用高斯径向基核函数推导出一种丰度反演的求解公式；Broadwater等人(2007)；Broadwater和Banerjee(2009，2010，2011)陆续提出了一系列以核函数为基础的非线性解混算法；厉小润等人(2011)对非负矩阵分解进行核推广；Chen等人(2011a，2012，2013)也提出了一系列基于核方法的非线性解混算法。流形学习旨在挖掘高维数据内在的低维结构，在高光谱遥感图像主分类方面被应用的较多(Bachmann等；2005，2009；Ma等，2010)。Heylen等人(2011)利用等距映射算法将高光谱数据投影到低维非线性拓扑空间，然后使用LSMM的方法进行混合像元分解。

3.2.3 正态组分模型

正态组分模型(NCM)将高光谱图像的每个像元描述为由端元线性混合而成的随机变量(Eismann和Stein，2007)，可以表达为

$ {\boldsymbol{x}} = \sum\limits_{m = 1}^M {{\alpha _m}{{\boldsymbol{\varepsilon }}_m}} $

(16)

式中，ε_m是第m个正态分布的端元变量，α_m是对应于第m个端元的丰度值，并且满足约束条件丰度“非负”约束和“和为一”约束。NCM模型假设高光谱图像中每一个像元光谱是由多个正态分布的变量(即端元)随机混合组成的，每一个正态分布对应一种地物类别，式中正态分布的参数之一协方差矩阵表征对应地物的光谱变异。

NCM是可视为一个二阶分层模型(two-stage hierarchical model)，分层模型是通常用于变量间存在相关关系的模型。这里假设存在未知的随机向量$\alpha $，参数集θ₁和θ₂，一个条件概率分布$f({\boldsymbol{x|\alpha }}{{\boldsymbol{\theta }}_1})$和一个先验概率分布$f({\boldsymbol{\alpha }},{{\boldsymbol{\theta }}_2})$，则关于x的二阶分层模型可表示为

$ f({\boldsymbol{x|}}{{\boldsymbol{\theta }}_1}{\boldsymbol{,}}{{\boldsymbol{\theta }}_2}) = \int {f({\boldsymbol{x|\alpha ,}}{{\boldsymbol{\theta }}_1}{\boldsymbol{)}}g({\boldsymbol{\alpha ,}}{{\boldsymbol{\theta }}_2}){\rm{d}}{\boldsymbol{\alpha }}} $

(17)

式中，参数θ₁代表端元统计量，θ₁={μ₁, C₁, μ₂, C₂, $ \cdots $, μ_m, C_m }；参数θ₂代表丰度统计量α的先验分布；混合像元x由条件概率密度函数$f({\boldsymbol{x|\alpha ,}}{{\boldsymbol{\theta }}_1})$和先验概率密度函数$g({\boldsymbol{\alpha ,}}{{\boldsymbol{\theta }}_2})$表示，并且假设式中条件概率密度函数是正态的。

根据式(17)可得到一个独立的像元观测量x的概率密度函数，假设不同像元间的观测值是独立的，则整幅图像${\boldsymbol{X}} = ({{\boldsymbol{x}}_1},{{\boldsymbol{x}}_2},...,{{\boldsymbol{x}}_N})$的概率密度函数是

$ f({\boldsymbol{X}}|{{\boldsymbol{\theta }}_1}{\boldsymbol{,}}{{\boldsymbol{\theta }}_2}) = \prod\limits_{i = 1}^N {\int {f({{\boldsymbol{x}}_i}|{{\boldsymbol{\alpha }}_i},{{\boldsymbol{\theta }}_1})g({{\boldsymbol{\alpha }}_i},{{\boldsymbol{\theta }}_2}){\rm{d}}{{\boldsymbol{\alpha }}_i}} } $

(18)

由于式(17)存在积分部分，直接估计NCM的参数变得很困难。最早提出该模型的Stocker和Schaum(1997)只能将丰度离散化，从而将积分运算巧妙转化为求和计算，但对丰度做离散化处理始终为模型引入了极大的误差。

严格来讲，NCM是LSMM的一种扩展，但NCM是被认为是一种能考虑端元变异对混合像元分解影响的模型。LSMM认为混合像元可以由端元的线性组合表示，在这里，端元、混合像元都是些具有确定值的向量，因此LSMM属于确定性分析。而NCM引入随机分析，认为由于现实中各种因素的影响(光谱变异、测量误差和大气校正误差等)，即使对同一地物的每次测量得到的光谱值都有波动，光谱特征应该视为一个随机变量，因此NCM中端元和混合像元都是随机向量。这种随机变量原则上可以以任何概率分布呈现，但为了不增加模型的复杂性，NCM假设它们为正态分布，仅用均值和方差两个参数就可完全描述这种分布。概括地说，NCM认为混合像元是由端元线性混合产生，并且光谱特征是个呈正态分布的随机变量。当所有随机变量方差均为零时，则该模型退化为LSMM，所以LSMM也可视为NCM的一种特殊情况。

由上述分析可看到，NCM模型不仅对高光谱数据亚像元混合情况建模，而且用正态分布的随机变量来描述光谱变异情况。相对LSMM，NCM对高光谱数据的描述更详细，但由此引入的新的模型未知变量也极大了增加了模型求解的复杂度。目前没有可以直接求解该模型的方法，已发表的估计NCM模型参数的近似算法有随机期望最大化算法(Stochastic expectation maximization，SEM)(Stocker和Schaum，1997)、马尔可夫链蒙特卡罗算法(Markov chain Monte Carlo algorithm，MCMC)(Moussaoui等，2006)、基于粒子群优化的期望最大化算法(Particle swarm optimization-expectation maximization，PSO-EM)(Zhang等，2014)和正态端元光谱解混算法(Normal endmember spectral unmixing，NESU)(Zhuang等，2015)。

3.3 图像分类方法

3.3.1 高光谱图像特征的表达形式

高光谱图像数据将地物光谱信息和图像信息融为一体，其数据具有两类表述空间：几何空间和光谱特征空间(张兵和高连如，2011)。

(1)几何空间。直观表达每个像元在图像中的空间位置以及它与周边像元之间的相互关系，为高光谱图像处理与分析提供空间信息。

(2)光谱特征空间。高光谱图像中的每个像元对应着多个成像波段的反射值，近似连续的光谱曲线表达为一个高维向量，向量在不同波段值的变化反映了其所代表的目标的辐射光谱信息，描述地物的光谱响应与波长之间的变化关系。其优势是特征维度的变化以及扩展性。对于同样的高光谱数据，能够从最大可分性的角度在更高维的特征空间中观察数据分布，或者映射到一系列低维的子空间。因此将高光谱像元向量作为高维特征空间里的数据点，根据数据的统计特性来建立分类模型。模式识别成为图像分类的理论基础，基于该方法的分类成为应用最广泛分类方式。光谱特征空间的弱点是无法表达像元间的几何位置关系。

从高光谱图像分类框架(图 7)可以看出，其核心问题的解决方案在于两方面：一是特征挖掘，特征是高光谱图像分类的重要依据，通过变换和提取得到不同地物类别具有最大差异性的特征，能够极大提高感兴趣类别的可分性程度；二是分类器设计，利用适合的分类器有利于发现复杂数据的内涵，如非线性特征等，从而提高高光谱图像分类的精度。

图 7 高光谱图像分类框架

Fig. 7 Framework of hyperspectral image classification

3.3.2 高光谱图像分类体系及发展

高光谱图像分类方法按照分类器设计不同可划分为监督法、非监督法、半监督法、混合法、集成法和多级法六大类(Chutia等，2015)。本文根据参与分类过程的特征类型及其描述不同，将高光谱图像分类算法划分为基于光谱特征分类、整合空间与光谱特征分类以及多特征融合分类。

(1) 基于光谱特征分类。光谱特征是高光谱图像中区分地物的决定性特征，基于光谱特征分类囊括了高光谱图像分类的大部分方法。它主要包括3个方面：

● 谱曲线分析，即利用地物物理光学性质来进行地物识别，如光谱夹角填图(童庆禧等，1997)等。

● 谱特征空间分类，主要分为统计模型分类方法与非参数分类方法。基于统计模型的最大似然分类是传统遥感图像分类中应用最为广泛的分类方法(Richards和Jia，2006)，最小距离、马氏距离分类器均为最大似然法特定约束条件下的变形。非参数分类算法一般不需要正态分布的条件假设。主要包括了决策树(Goel等，2003)、神经网络(Ratle等，2010)、混合像元分类(Lu和Weng，2007)以及基于核方法的分类，如支持向量机(Melgani和Bruzzone，2004；Du等，2012)和子空间支持向量机(Gao等，2015a)等。此外，针对小样本问题提出的半监督分类(Dópido等，2012)、主动学习(Di和Crawford，2012；Crawford等，2013)方法可利用有限的已知训练样本挖掘大量的未标记像元样本。目前，基于稀疏表达的高光谱图像分类越来越受到关注，它针对高光谱数据的冗余性，将高维信息表达为稀疏字典与其系数的线性组合，采用稀疏表达对高光谱图像进行处理，能够简化分类模型中参数估计的病态问题(Wright等，2009，2010)，随后将稀疏理论与多元逻辑回归(Qian等，2013)、条件随机场模型(Zhong和Wang，2008，2011)、神经网络(Yang等，2014)等方法结合获得优化的分类方法。研究表明，非参数分类器在复杂区域分布中能够比传统分类器提供更好的分类结果(Paola和Schowengerdt，1995；Foody，2002)。

● 其他高级分类器。多以模式识别及智能化、仿生学等为基础引入图像分类。如基于人工免疫网络的地物分类(Zhong和Zhang，2012)，群智能算法(Sun等，2015a)以及深度学习(Deng和Yu，2014)等。

(2) 整合空间—光谱特征的图像分类。

●整合空间相关性与光谱特征分类。图像相邻像元间总存在着相互联系，称为空间相关性。主要由于遥感器在对地面上一个像元大小的地物成像过程中，同时吸收了周围地物反射的一部分能量。这种分类可以分为光谱—空间特征同步处理和后处理两种策略(Fauvel等，2013；杜培军等，2016)。同步处理可以将空间特征与光谱特征提取并融合后合并为高维向量进行归一化处理，直接输入基于分类器得到结果。也可以利用支持向量机将两种特征变换到不同的核空间中，通过多核复合进行分类(Camps-Valls等，2006；Li等，2013a)。后处理可以理解为在光谱分类处理基础上再利用图像的空间特性对光谱处理结果进行重排列和重定义。如在预处理及分类后处理中利用空间相关性，采用滤波器对原始图像或分类结果进行平滑滤波(Townsend，1986)；概率标记松弛法分类利用逻辑一致对同质性区域进行建模(Richards和Jia，2006)。基于随机场模型分类方法包括马尔可夫随机场(Markov Random Field，MRF)及具有马尔可夫特性的模型(Jia和Richards，2008；Li等，2011b)，如条件随机场、马尔可夫链、隐马尔可夫随机场等(Mercier等，2003；Bali和Mohammad-Djafari，2008；Zhong和Wang，2011)。整合空间相关性优点在于：通过像元间的相关特性降低光谱分类中由于同类地物光谱异质性造成的分类结果不确定性，减少分类中的噪声影响，使结果更有利于判读分析。随机场模型是模式识别和机器学习中重要的预测模型之一，具有稳健描述像元间的空间相关性的能力，成为结合空间相关性特征进行高光谱图像分类研究的重点。马尔可夫随机场模型框架为

$ {g_k}({{\boldsymbol{x}}_m}) = {a_m}(k) + \beta {b_m}(k) $

(19)

式中，${a_m}(k)$和${b_m}(k)$分别表示图像任一像元m属于类别k的光谱相似性测度和空间相似性测度，${g_k}({{\boldsymbol{x}}_m})$则表示综合考虑光谱和空间的相似性结果。传统马尔可夫随机场光谱测度采用最大似然估计，难以适应高光谱图像的小样本问题。针对该问题，Zhang等人(2011b)进行了持续研究，将支持向量机与马尔可夫随机场模型进行整合，同时考虑了空间和光谱特征在分类中贡献的差异性，利用自适应权重指数平衡两者间关系，在提高分类精度的同时避免了类边界的“过分类”现象(Over-correction)，从而在高光谱图像上保留了类边缘和局部细小结构信息；将子空间向量机与马尔可夫随机场模型整合进行高光谱图像分类也可以得到较好的分类效果(Yu等，2016)。在非监督分类中，采用自适应邻域约束对k-均值算法进行改进，可以优化聚类中不同类别的质心(Zhang等，2013b)；Sun等人(2015b)将智能化算法与马尔可夫随机场模型相结合，得到聚类结果较传统方法更加准确且噪声较少。

● 面向对象的图像分类。面向对象的图像分类OBIC(Object-Based Image Classification)将分类的最基本单位从像元转换到图像对象，也称为图斑对象。图斑对象定义为具有空间相关性的像元聚合成形状与光谱性质同质性的区域。基于同质地物的提取与分类ECHO(Extraction and Classification of Homogeneous Objects，)(Kettig和Landgrebe，1976)首先将多光谱图像上具有相似性光谱特征的像元划分为同质区域，然后再利用最大似然分类器对这些区域进行分类。图像分割是面向对象分类的核心内容，利用区域增长(Gonzalez和Woods，2002)、分层聚类(Tarabalka等，2009)及分水岭分割(Tarabalka等，2010)进行高光谱图像分割都取得了较好的效果。由于复杂地物在不同空间分辨率下描述不同，面向对象的方法面临尺度参数的影响，欠分割(under-segmentation)会造成目标对象的混合分布，从而造成对象特征提取产生较大误差，极大影响分类精度(Liu和Xia，2010)。超像元是一种尺度介于像元与对象之间的图像过分割(over-segmentation)结果，面对分类中的尺度难题，采用超像元代替图斑对象作为分类的基本单位是解决的途径之一(Li等，2013b)。Zhang等人(2015b)利用基于超像元的图模型进行图像制图，该方法使分类结果对噪声和尺度不具敏感性。Gao等人(2014b)将像元和超像元特征进行融合提高了分类器的判别能力。基于超像元的稀疏模型被用于描述图像局部的空间相关性，在分类中取得较好的效果(Fang等，2015；Li等，2015b)。

● 整合纹理特征与光谱特征分类。纹理是物体表面的属性所造成，它可以通过纹理基元(texton)空间组织或布局来描述(Karu和Jain，1996)。对于给定的像元，如果能够准确提取它所属的结构纹理特征，对于判断光谱差异性很小而表面结构不同的地物来说，具有较显著的区分效果。基于纹理的分类方法众多，这些方法可归为4类：结构分析法、统计分析法、模型化方法及信号处理方法(Tucer和Jain，1993)。统计分析法和信号处理法在纹理分析中担任较重要的角色，如利用灰度共生矩阵进行纹理提取(Clausi，2002)，Li等人(2013a)采用改进的灰度共生矩阵进行高光谱图像聚类，Shen和Jia(2011)使用Gabor滤波器的纹理分割并分类，构建数学形态学剖面及扩展特征辅助光谱信息进行分类(Plaza等，2004a；Benediktsson等，2005；Soille，2009；Falco等，2015)，赵银娣等人(2006)利用基于高斯马尔可夫随机场模型的纹理特征提取方法对高分辨率图像进行分类，基于Daubechies和Haar小波基优化的小波分解算法也被应用在高光谱图像纹理分析中(Du等，2010)。

(3) 多特征融合分类。多特征融合将纹理、空间相关性、光谱特征以及其它特征融合用于高光谱图像分类。Chen等人(2011)用多种方法提取获得纹理特征，利用顺序前进法进行融合，再与光谱信息融合进行分类；赵银娣等人(2006)将纹理特征、光谱特征及像元形状特征融合对遥感图像进行分类，取得了较好的效果。多种特征可以来源于高光谱数据本身，也可以来源于多源遥感数据，多遥感器数据融合高光谱图像分类研究已经引起关注，如Zhang等人(2006)将GIS数据与高光谱图像结合，通过3层递进判别模式，在解决地物混杂图斑自动确认问题基础上，实现了高精度的高光谱图像分类，Ni等(2014)利用边缘约束的马尔可夫随机场模型将LiDAR数据与高光谱数据进行融合分类，不仅比直接融合结果精度有了较大提升，且城市地物的细节信息也被充分保留。

3.4 目标探测与异常探测方法

高光谱图像目标探测的基础是目标存在本征性的光谱特征，而且目标与背景在光谱特征上存在差异。高光谱数据蕴含了丰富的光谱特征，能够区分与背景存在细微差异的人工目标，另一方面，高光谱数据是通过逐像元的光谱定量化分析来提取图像中可能存在的目标信息，这种处理方式非常适合于实现自动化，因此目标探测一直都是高光谱遥感的优势和重要研究方向。

高光谱图像中目标存在主要包括3种类型：小存在概率目标(图 8(a))、低出露目标(图 8(b))和亚像元级目标(图 8(c))(张兵和高连如，2011)。其中，小存在概率目标是指在图像中分布很少的弱信息目标；低出露目标是指目标在图像中广泛分布，但被其它地物所遮挡，仅有少量表面暴露，如草原上依稀出露的岩石和树丛中隐藏的车辆编队等；亚像元级目标主要是指尺寸小于遥感器空间分辨率的目标。

图 8 高光谱图像中目标存在情况

Fig. 8 The styles of target in hyperspectral images

高光谱图像目标探测旨在基于光谱特征，从图像背景中将感兴趣目标提取出来。根据是否有目标光谱的先验知识，目标探测算法可以被分为两类：监督算法和非监督算法。高光谱图像目标探测通常指的是监督算法，即需要已知被探测的目标的光谱信息(一个数据或多个光谱数据构成的集合)。非监督算法通常被称为异常探测。

3.4.1 目标探测

早期的高光谱图像目标探测算法都是基于二元假设检验，即：

H₀：目标不存在(背景)

H₁：目标存在

通过一个与光谱x相关的探测统计量D(x)和一个阈值η实现目标探测。如Chen和Reed(1991)提出的著名的自适应匹配滤波器(AMF)以及Kraut和Scharf等人(1999)提出的自适应余弦估计(ACE)。AMF和ACE首先假设目标和背景遵循不同的概率模型，然后使用广义似然比值判别法来获取探测器(Manolakis等，2003)。若假设d(或D)为单个(或多个)目标光谱，$\hat \varGamma $为图像的协方差矩阵的估计，则AMF和ACE可分别表述为

$ y = {D_{{\rm{AMF}}}}({\boldsymbol{x}}) = \frac{{{{({{\boldsymbol{d}}^{\rm T}}{{{\boldsymbol{\hat \varGamma }}}^{ - 1}}{\boldsymbol{x}})}^2}}}{{({{\boldsymbol{d}}^{\rm T}}{{{\boldsymbol{\hat \varGamma }}}^{ - 1}}{\boldsymbol{d}})}}\mathop > \limits^{{H_1}} \mathop < \limits^{{H_0}} {\eta _{{\rm{AMF}}}} $

(20)

$ y = {D_{{\rm{ACE}}}}({\boldsymbol{x}}) = \frac{{{{\boldsymbol{x}}^{\rm{T}}}{{{\boldsymbol{\hat \varGamma }}}^{ - 1}}{\boldsymbol{D}}{{({{\boldsymbol{D}}^{\rm{T}}}{{{\boldsymbol{\hat \varGamma }}}^{ - 1}}{\boldsymbol{D}})}^{ - 1}}{{\boldsymbol{D}}^{\rm{T}}}{{{\boldsymbol{\hat \varGamma }}}^{ - 1}}{\boldsymbol{x}}}}{{{{\boldsymbol{x}}^{\rm{T}}}{{{\boldsymbol{\hat \varGamma }}}^{ - 1}}{\boldsymbol{x}}}}\mathop > \limits^{{{\rm H}_1}} \mathop < \limits^{{{\rm H}_0}} {\eta _{{\rm{ACE}}}} $

(21)

Matteoli等人(2010)将AMF和ACE改进为局部自适应版本的L-AMF和L-ACE，使用双窗口方法，利用外窗口进行背景的统计计算。Harsanyi(1993)提出的约束能量最小化(CEM)是另一个广泛使用的目标探测算法，其使用一种有限脉冲响应(Finite impulse response，FIR)滤波器，在最小输出能量的约束下使得滤波器对目标光谱特征的响应为1。若R为图像的自相关矩阵，则CEM算法可表述为

$ \begin{aligned} y = {D_{{\rm{CEM}}}}({\boldsymbol{x}}) = & {{\boldsymbol{w}}^*}^{\rm{T}}{\boldsymbol{x}} = {\left(\frac{{{{\boldsymbol{R}}^{_{^{ - 1}}}}{\boldsymbol{d}}}}{{{{\boldsymbol{d}}^{\rm{T}}}{{\boldsymbol{R}}^{_{^{ - 1}}}}{\boldsymbol{d}}}}\right)^{\rm{T}}}{\boldsymbol{x}} = \\ & \frac{{{{\boldsymbol{x}}^{\rm{T}}}{{\boldsymbol{R}}^{_{^{ - 1}}}}{\boldsymbol{d}}}}{{{{\boldsymbol{d}}^{\rm{T}}}{{\boldsymbol{R}}^{_{^{ - 1}}}}{\boldsymbol{d}}}}\mathop > \limits^{{{\rm H}_1}} \mathop < \limits^{{{\rm H}_0}} {\eta _{{\rm{CEM}}}} \end{aligned} $

(22)

Gao等人(2015b)针对CEM易受背景光谱异常影响的问题，提出了一种自适应调整的匹配滤波算法，取得了很好的目标探测效果。

上述算法都只需要目标的光谱特征的先验知识。还有一些算法，不仅需要目标的光谱特征的先验知识，但也需要背景光谱特征的先验知识，例如正交子空间投影(OSP)算法，将所有像元光谱投影到背景光谱的正交子空间，以此来抑制背景信息，同时利用一个向量算子将剩余目标信号的信噪比最大化。若${\boldsymbol{P}}_{\boldsymbol{U}}^ \bot {\boldsymbol{ = I - U(}}{{\boldsymbol{U}}^{\rm{T}}}{\boldsymbol{U}}{{\boldsymbol{)}}^{{\boldsymbol{ - 1}}}}{{\boldsymbol{U}}^{\rm{T}}}$为U的正交子空间投影矩阵，则OSP算法可表述为

$ y = {D_{{\rm{OSP}}}}({\boldsymbol{x}}) = {{\boldsymbol{d}}^{\rm{T}}}{\boldsymbol{P}}_{\boldsymbol{U}}^ \bot {\boldsymbol{x}} $

(23)

目标约束下的干扰最小化滤波算法TCIMF(Target-Constrained Interference Minimized Filter)(Ren和Chang，2000)是对CEM算法的改进，与CEM不同的是，TCIMF通过探测算子同时约束目标D和背景U，使得在D中的期望目标特征被探测出来，同时U中不期望目标特征可以被消除。TCIMF算子和计算过程可表述为

$ {{\boldsymbol{w}}^{{\rm{TCIMF}}}} = {\boldsymbol{R}}_{L \times L}^{ - 1}[{\boldsymbol{D U}}]{({[{\boldsymbol{D U}}]^{\rm{T}}}{\boldsymbol{R}}_{L \times L}^{ - 1}[{\boldsymbol{D U}}])^{ - 1}}\left[ {\begin{array}{*{20}{c}} {{{\rm{1}}_{p \times {\rm{1}}}}}\\ {{0_{q \times 1}}} \end{array}} \right] $

(24)

$ {D_{{\rm{TCIMF}}}}({\boldsymbol{x}}) = {({{\boldsymbol{w}}^{_{{\rm{TCIMF}}}}})^{\rm{T}}}{\boldsymbol{x}} $

(25)

式中，p和q分别表示目标的数量和背景的数量。

最近，稀疏表示等新技术也被应用于目标探测算法。Zhang等人(2015a，b)为高光谱图像目标探测建立了基于稀疏表示的二元假设模型和基于非线性稀疏表示的二元假设模型。这些算法需要构建一个包含目标和背景光谱特征的过饱和光谱字典，假设像元光谱可以表示成过饱和光谱字典中光谱的一个稀疏线性组合。稀疏表示的目标探测算法将目标探测问题转化为一个L₀范数最小化问题。但是，基于稀疏表示的目标探测算法面临两个重要困难：一个是光谱字典的构造会显著影响这类算法的探测结果；另一个是L₀范数最小化问题很难解决(Bruckstein等，2009)。

3.4.2 异常探测

异常探测指的是在高光谱图像中寻找“异常地物”。这里的“异常地物”包含两个特征：(1)该地物的光谱特征与图像中广泛存在的背景(特别是自然背景)的光谱特征有明显差异；(2)该地物在图像中存在的概率很低，或者说数量很少。

在异常探测中应用最广泛的模型是概率统计学中的多元正态分布模型，RXD算法(Reed和Yu，1990)、UTD算法(Ashton和Schaum，1998)、LPTD算法(Harsanyi，1993)等均基于此模型。该模型对目标信号和背景信号做出二元假设，再对像元是目标的概率做出评价。背景信号和目标信号可假设为

$ {{\rm{H}}_{\rm{0}}}:{\boldsymbol{x}} = {\boldsymbol{n}} $

(26)

$ {{\rm{H}}_{\rm{1}}}:{\boldsymbol{x}} = {\boldsymbol{s}} + {\boldsymbol{n}} $

(27)

假设n是服从多元正态分布的加性噪声，s是未知目标的光谱向量，这里n~N(μ, $\Sigma$)。则有x|H₀~N(μ, $\Sigma$)，x|H₁~N(μ+s, $\Sigma$)。根据多元正态分布概率密度函数，像元x是背景H₀的概率为

$ p({\boldsymbol{x}}|{{\rm{H}}_{\rm{0}}}) = \frac{1}{{{{(2{\rm{\pi }})}^{K/2}}|{\boldsymbol{\Sigma }}{|^{1/2}}}}{{\rm e}^{ - \frac{1}{2}{{({\boldsymbol{x}} - {\boldsymbol{\mu }})}^{\rm T}}{{\boldsymbol{\Sigma }}^{ - 1}}({\boldsymbol{x}} - {\boldsymbol{\mu }})}} $

(28)

式中，K是图像波段数。由于异常像元与背景像元差异很大，$p({\boldsymbol{x}}|{{\rm{H}}_{\rm{0}}})$的值应该非常小。而对于特定一幅图像，由于背景集是一定的，那么${(2{\rm{\pi }})^{K/2}}|{\boldsymbol{\Sigma }}{|^{1/2}}$就是恒定的，因此异常像元${({\boldsymbol{x}} - {\boldsymbol{\mu }})^{\rm{T}}{\boldsymbol{\Sigma }}^{ - 1}}({\boldsymbol{x}} - {\boldsymbol{\mu }})$的值就会比背景像元对应的值要大得多。基于该理论，RXD算法表达式可以表示为

$ {D_{{\rm{RXD}}}}({\boldsymbol{x}}) = {({\boldsymbol{x}} - {\boldsymbol{\mu }})^{\rm{T}}{\boldsymbol{\Sigma }}^{ - 1}}({\boldsymbol{x}} - {\boldsymbol{\mu }}) $

(29)

RXD算法有两个常见的版本：Global-RX和Local-RX，其区别在于统计数据(均值和协方差矩阵)的获取是以全图所有像元为样本，还是以待探测像元附近局部区域的像元为样本。Molero等人(2013)对Global-RX和Local-RX进行了详细的分析和评价。

RXD算法性能稳定，核心是基于马氏距离进行探测，有很强的理论依据，无论图像是原始DN值数据、辐亮度数据还是反射率数据均可以使用。但是，该算法也具有一些不可回避的缺点：(1)当实际数据中的背景像元不满足多元正态分布时，虚警率偏高；(2)对于亚像元目标的探测精度较低；(3)目标与背景差异不显著时，很难精确划分边界；(4)高光谱数据波段相关性强，在现有精度要求下存在很大计算误差，导致探测效果不理想。因此，许多研究者致力于改进RXD算法，比较有代表性的包括：子空间RX算法(Subspace-RX)(Kanaev等，2009)、邻域RX算法(Segment-RX)(Gorelnik等，2010)、迭代RX算法(Iteration-RXD)(Taitano等，2010)，局部自适应迭代RX算法(Locally adaptable iterative RX)(Taitano等，2010)、核RX算法(Kernel-RX)(Kwon和Nasrabadi，2005)、正则RX算法(Regularized RX，RRX)(Nasrabadi，2008)、拓扑RX算法(Topology based RX，TRX) (Bartlett等，2011)以及加权RX算法(Weighted-RXD，W-RXD)(Guo等，2014c)、线性滤波RX算法(Linear Filter based-RXD，LF-RXD)(Guo等，2014c)等。

与RXD算法类似，BACON算法(Billor等，2000)也是一种基于马氏距离的异常探测算法。该算法建立了一种准则来排除异常点对整个数据同质性的破坏，能有效压缩背景样本，提高时间效率。RSAD算法(Du和Zhang，2011)采用了与BACON算法类似的思想，通过随机抽取样本的方法建立初始背景集，并且利用迭代方法对背景集进行优化。

此外，Khazai等人(2013)提出了基于单一特征的异常探测算法SFAD(Single-Feature based Anomaly Detector)，由于只使用一个最能凸显异常目标的特征进行计算，该方法在计算速度上具有很大优势。Banerjee等人(2006)提出了一种基于支持向量数据描述SVDD(Support Vector Data Description)的高光谱图像异常探测方法，不需要使用数据分布的先验知识，只需要很少的像元即可描述图像背景。Li和Du(2015)提出了一种基于协同表示的高光谱图像异常探测算法CRD(Collaborative Representation based Detector)，假设背景像元可以表示为其邻域像元的线性组合而异常像元则不能。Li等人(2015b)提出了背景联合稀疏表示探测BJSRD(Background Joint Sparse Representation Detection)，能够自适应地选择局部区域最有代表性的背景像元。

4 高光谱图像处理与信息提取中高性能处理方法

随着大规模集成电路工艺技术的发展、计算性能的不断优化，不同硬件架构类型的高性能处理器件不断出现，为亟待解决的高光谱图像高性能和在轨处理提供了实现途径。如数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)，图形处理器(Graphic Processing Unit，GPU)等，都被尝试应用于机载或星载的高光谱图像数据处理和信息提取(图 9)。

图 9 高光谱图像高性能计算方法对比

Fig. 9 Comparision of hyperspectral image high performance computing methods

4.1 基于DSP的处理方法

DSP是一种为实现各种数字信号处理算法而专门开发的专用处理器。Chai等人(2000)基于高并行、低存储，单指令多数据处理器阵列，利用多片数字信号处理器DSP解决高光谱数据在轨实时处理，满足实时处理和存储要求。Stellman等人(2000)研制的Dark Horse 1高光谱遥感器系统基于数字信号处理器探索在轨目标探测，并从软硬件两方面阐述系统的设计思路，其在轨实时处理方式依赖于获取完整的数据影像，可看做近实时处理。郭文记等人(2014)探索将多DSP并行处理用于高光谱图像异常探测，利用4片DSP通过CPCI总线实现互联，共享数据总线以及存储模块，将异常探测算法分为4个并行任务，实现计算效率4倍的提升。Torti等人(2014)基于多核DSP实现应用广泛的最小误差子空间识别算法HySIME，算法通过子空间识别估计高光谱图像中的端元数目，在计算效果和能耗之间取得平衡。Castillo等人(2014)利用多核DSP实现正交子空间投影(OSP)算法，同时实现空间重建算法(ISRA)获取丰度信息，通过对比试验认为多核DSP在编程难度、处理能力以及能量消耗等多条件约束下表现出色。

基于数字信号处理器DSP，杨威(2012)模拟构建了主机+DSP架构的指令发送、任务解析、信息提取、结果回传的全过程，包括Cleint/Server的网络通讯架构、存储空间分配、计算单元系统的优化等，并在DSP上实现高光谱图像目标探测的约束能量最小化算法(CEM)。进一步，Zhang等人(2012a)针对高光谱图像分别在空间维和光谱维的相关特征，首先在光谱维进行目标特征谱段选择，然后在空间维采样进行背景协方差矩阵估计，构建基于空间—光谱维信息提取策略的CEM优化算法，核心思想是利用数据在光谱和空间的相关性进行样本协方差矩阵估计，并基于DSP架构形成目标探测硬件板卡，结果表明不但在目标探测率上比表现出色，还提高算法的计算效率，达到实时目标探测。

4.2 基于FPGA的处理方法

FPGA作为专用集成电路领域中的一种半定制电路而出现，既解决了专用定制电路的不足，又克服了原有可编程器件门电路有限的缺点。FPGA能够应用于高光谱遥感图像的实时处理源于它灵活的设计方式和强大的面积-速度互换原则。Du和Qi(2006)在FPGA上实现了并行独立成分分析(pICA)算法，在此基础上研究了一个可重构的处理系统，并在高光谱图像处理上得以实现。何光林和彭林科(2009)基于FPGA实现基于奇异值分解(SVD)的高光谱图像数据降维方法，实验表明用这种方法降维后数据损失量非常小。Gonzalez和Woods(2010)讨论纯像元指数(PPI)算法在FPGA上实现的方法，高光谱图像解混可看做求解超定方程式，纯像元指数PPI的计算过程是复杂和耗时的，可以基于FPGA的硬件并行计算特性提高处理速率，并在Xilinx Vertex4 FPGA上实现了N-FINDR算法，算法基于单形体的体积，反复迭代寻找构成单形体体积最大的像元组合即为提取的端元，传统的N-FINDR算法处理时间很长，基于FPGA实现算法的硬件加速，达到实时处理(Gonzalez and Woods，2012)，进一步使用FPGA实现了HySIME算法，该算法是常用的有效的确认端元数量的算法，系统包括了DMA模块，同时使用了数据预获取技术，减少了等待数据输入造成的时延。Lopez等人(2012)对顶点成分分析算法(VCA)进行改进，简化原始算法的计算过程，同时使其更加适合FPGA进行快速并行处理，设计优化的MVCA算法，并利用Vertex 5 FPGA进行硬件实现。Chang等人(2013)实现基于FPGA的实时快速单形体增长算法(RT-FSGA)，该算法对传统的SGA算法进行改进，使用Woodbury等式简化矩阵行列式的计算，实现实时端元提取。Cervero等人(2015)提出一种动态可变的实时端元提取系统，该实验采用MVCA算法，并对具体实现方式进行优化，基于FPGA可重构的特征，根据数据的具体情况动态调整处理系统，避免了不必要的时间消耗，进一步提高了处理效率。

基于现场可编程门阵列FPGA，Yang等人(2015)提出了以流水式局部背景统计方法(SBS)实现对目标探测算法的改进，在保证各算法探测效果的同时极大地降低计算难度，提高算法运行效率。而且，以FPGA高性能器件实现对算法的硬件加速，对于算法中共用的存储与计算单元，采用模块化设计的方式使其可以被系统反复调用，在保证系统实时性能的同时节省大量硬件资源。以单片FPGA实现多种探测模式下的集成应用，在同一片FPGA上集成了CEM和RXD算法，分别用于目标探测和异常探测，通过控制中心发送的指令，FPGA可以在轨更换工作模式，灵活的在两种不同的工作模式之间进行选择(图 10)。实验结果表明，结合FPGA的软硬件优化设计，经选取的大量目标探测算法得以严格满足在轨高光谱图像实时处理要求，实现目标匹配探测和异常探测的双模式处理。

图 10 基于FPGA的高光谱图像目标探测系统架构

Fig. 10 The framework of hyperspectral image target detection system based on FPGA

4.3 基于GPU的处理方法

图形处理器GPU的大规模数据级并行处理在高光谱数据高性能计算领域发展迅猛。Setoain等人(2008)基于GPU实现基于形态学的端元提取方法，可以通过并行化处理极大地提高处理速度，并且深入探讨了GPU的潜力以及面临的挑战。Paz和Plaza(2010)利用并行Beowulf和GPU实现了PPI算法，在硬件上比较系统的实现了高光谱图像处理中的复杂算法。Sánchez等人(2010)利用GPU实现了全约束条件下的混合像元分解，全约束情况下的计算复杂度较高，GPU达到了较好的提速效果。González等人(2013)基于GPU实现完整的高光谱图像混合像元分解处理链路，使用PPI进行端元提取，然后进行非负约束下丰度反演。Agathos等人(2014)基于多GPU实现最小单形体体积算法，算法使用形态学的思想，并从像元集合的外部形成单形体后不断收缩进行端元提取。Zhang等人(2013b)完成并行的蚁群最优化端元提取算法，算法基于仿生学集群思想寻找最优端元组合，并基于CUDA架构进行数据级并行优化，有效提高了计算效率。Qu等人(2012)实现了基于GPU的单形体体积算法，算法使用形态学的思想提取端元，无需进行数据降维，同时利用单形体增长思想，减少计算过程中循环的次数。

Haavardsholm等人(2010)设计了一个能进行实时目标探测的航空高光谱图像处理器，主要是通过软硬件结合的方式，用C++编写的软件平台能够控制较大数据流形成一个非线性的流水线结构，硬件平台则使用多核处理器和GPU。Bernabé等人(2013)基于GPU实现自动目标探测和分类算法，该算法使用正交子空间投影的概念，自动地识别出所要探测的目标，计算过程基于GPU实现，并使用施密特正交代替原本算法中的正交投影，提高计算效率。Chang等人(2014)提出并行的基于内切圆心的最近特征空间算法用于高光谱图像分类，通过引入内切圆心的思想，避免传统的特征空间算法中由于样本重叠导致的分类错误。Wu等人(2015a)利用GPU实现了基于支持向量机的高光谱图像分类算法，并且达到了准实时地要求。Zhao等人(2015)基于GPU实现实时的异常探测算法，该硬件系统在接收到一个像元数据之后立即开始处理并给出计算结果，和使用CPU进行处理的结果相同，但是处理速度大大提升。

基于GPU和CUDA计算架构，Wu等人(2014，2015a)将高光谱图像预处理的辐射校正、数据降维的最大噪声分数变换(MNF)、图像分类的空间—光谱维马尔可夫置信传播算法(MRF-LBP)、目标异常探测算法等复杂的数据处理和信息提取算法进行并行实现，形成基于GPU的高光谱图像数据级并行计算全链路方法(图 11)。算法步骤中的矩阵乘法、矩阵求逆、矩阵特征值计算采用CULA库函数并行实现。NVIDIA GPU编程模型主要支持两个数学库函数，一个是CUBLAS库函数，包括矢量—矢量，矩阵—矢量，矩阵—矩阵这3个基本线性运算；另一个是EM Photonics的CULA库函数，作为CUBLAS的补充，除包含CUBLAS库中的函数外，还包含最小二乘解算器(约束和无约束)、特征值/特征向量求解器(一般对称)、奇异值分解以及矩阵求逆等复杂线性运算。CULA库是在CPU/GPU混合环境中执行加速的线性代数库函数，通过CULA能够提高复杂计算的速度。整个算法的计算步骤分为两部分：在CPU上执行的Host端(负责算法流程控制以及串行计算)，在GPU上执行的Device端(负责图像数据并行计算)。实验结果表明，在保证高光谱图像数据处理和信息提取算法精度的同时，基于GPU的数据级并行方法能获得数十倍的计算加速比，可达到近实时处理的标准。

图 11 高光谱立方体与GPU CUDA计算模型映射

Fig. 11 Mapping between hyperspectral 3D cube and GPU CUDA computing models

另外，在高性能计算领域，芯片研发逐渐向智能化方向发展，尤其是在基于深度学习方法的加速计算芯片领域，NVIDIA推出致力于人工智能和深度学习的Tesla P100以及面向深度学习的超级计算机DGX-1。IBM发布基于脉冲神经网络SNN(Spiking Neural Network)的类脑超级计算平台TrueNorth，其处理能力相当于1 600万个神经元和40亿个神经键，能耗仅为2.5 W(Merolla，2014)。中国科学院计算技术研究所研制了面向机器学习的寒武纪神经网络计算专用加速芯片，寒武纪一号主频为0.98 GHz，峰值性能达每秒4520亿次神经网络基本运算，65 nm工艺下功耗为0.485 W，面积3.02 mm²(Chen，2014)。在若干代表性神经网络上的实验结果表明，平均性能超过主流CPU核的100倍，但是面积和功耗仅为1/10，效能提升可达3个数量级。可见，未来突破经典的存储和处理分离的冯诺依曼体系架构，发展支撑人工智能算法的高性能、低功耗芯片开始显示出巨大的潜力，并将在高光谱图像信息提取领域发挥巨大的应用价值。

5 总结与展望

高光谱遥感是21世纪末对地观测领域所取得的重要技术突破之一，在国民经济建设、人类社会可持续发展和国防建设中都发挥了重要的作用和价值。但是，当前高光谱遥感技术的发展也面临数据获取冗余量大、背景与应用变化时载荷指标不能动态调整、信息提取与信息服务时效性有待提高等问题。伴随着遥感器技术本身的发展，高光谱遥感卫星系统必将步入智能化时代，建立起一个从遥感器成像指标动态优化调整，到星上数据实时处理和信息直接分发服务的智能高光谱遥感卫星系统(张兵，2011)。针对这一趋势和方向，高光谱图像处理与信息提取技术需要在理论和方法上进一步创新，尤其要重视多学科交叉、软硬件结合以及理论和应用的相互促进。

首先，在多学科交叉方面。随着计算理论和优化理论的不断发展，在模式识别、机器学习和人工智能领域涌现出了大量新理论、新方法和新技术，这些成果应用于高光谱图像处理与信息提取的速度也越来越快。遥感本来就是多学科交叉的领域，地理学、电子学和计算机科学都对遥感科学技术的发展产生了重要影响，甚至更为基础的数学、物理学和看似与遥感技术并无关系的生物学、管理学等领域，也为高光谱图像处理与信息提取提供了新观点和值得尝试的新思路。

其次，在软硬件结合方面。随着高光谱图像实时处理需求的增加以及移动计算、近似计算、专用计算芯片等计算前沿技术的发展(图 12)，将高光谱图像处理算法与计算硬件相结合，解决算法与计算架构的匹配优化问题，实现信息在高维特征数据中的“所见即所得”，使得高光谱成像系统从数据采集器转变为信息感知器，将成为高光谱图像处理未来的重要研究方向，也将极大地促进高光谱技术的普及和推广。

图 12 集成电路不同技术手段性能、功耗对比(Ehab Mohsen，2013)

Fig. 12 Performance and power consumption comparison between different techniques of integrated circuit(Ehab Mohsen, 2013

最后，需要理论与应用互相促进。随着中国成像光谱仪生产工艺的进步，多种国产高光谱遥感器即将投入市场，中国自主研发的搭载高光谱载荷的卫星也已列入计划或即将发射。可以预见，高光谱遥感技术的商用化和普及化的脚步将越来越快，由此将产生更多更具体的应用需求，迫使研究者发展更先进、更有效的高光谱图像处理与信息提取方法，为高光谱遥感的应用发展提供支撑。

参考文献(References)

Actio N, Diani M, Corsini G.2011.Signal-dependent noise modeling and model parameter estimation in hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, 49 (8): 2957–2971. DOI: 10.1109/TGRS.2011.2110657.

Agathos A, Li J, Petcu D, Plaza A.2014.Multi-GPU implementation of the minimum volume simplex analysis algorithm for hyperspectral unmixing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6): 2281–2296. DOI: 10.1109/JSTARS.2014.2320896.

Altmann Y, Dobigeon N, McLaughlin S, Tourneret J Y.2013.Nonlinear spectral unmixing of hyperspectral images using gaussian processes. IEEE Transactions on Signal Processing, 61 (10): 2442–2453. DOI: 10.1109/TSP.2013.2245127.

Altmann Y, Halimi A, Dobigeon N, Tourneret J Y.2012.Supervised nonlinear spectral unmixing using a postnonlinear mixing model for hyperspectral imagery. IEEE Transactions on Image Processing, 21 (6): 3017–3025. DOI: 10.1109/TIP.2012.2187668.

Ambikapathi A, Chan T H, Ma W K, Chi C Y.2011.Chance-constrained robust minimum-volume enclosing simplex algorithm for hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4194–4209. DOI: 10.1109/TGRS.2011.2151197.

Ashton E A, Schaum A.1998.Algorithms for the detection of Su b-pixel targets in multispectral imagery. Photogrammetric Engineering and Remote Sensing, 64 (7): 723–731.

Bachmann C M, Ainsworth T L, Fusina R A.2005.Exploiting manifold geometry in hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 43 (3): 441–454. DOI: 10.1109/TGRS.2004.842292.

Bachmann C M, Ainsworth T L, Fusina R A, Montes M J, Bowles J H, Korwan D R, Gillis D B.2009.Bathymetric retrieval from hyperspectral imagery using manifold coordinate representations. IEEE Transactions on Geoscience and Remote Sensing, 47 (3): 884–897. DOI: 10.1109/TGRS.2008.2005732.

Bajcsy P, Groves P.2004.Methodology for hyperspectral band selection. Photogrammetric Engineering and Remote Sensing, 70 (7): 793–802. DOI: 10.14358/PERS.70.7.793.

Bali N, Mohammad-Djafari A.2008.Bayesian approach with hidden Markov modeling and mean field approximation for hyperspectral data analysis. IEEE Transactions on Image Processing, 17 (2): 217–225. DOI: 10.1109/TIP.2007.914227.

Banerjee A, Burlina P, Diehl C.2006.A support vector method for anomaly detection in hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 44 (8): 2282–2291. DOI: 10.1109/TGRS.2006.873019.

Bartlett B D, Schlamm A, Salvaggio C and Messinger D W.2011.Anomaly detection of man-made objects using spectropolarimetric imagery//Proceedings of the SPIE 8048, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XVⅡ, 80480B.Orlando, Florida, United States:SPIE [DOI:10.1117/12.884167].

Bellman R E. Adaptive Control Processes:A Guided Tour. Princeton, New Jersey: Princeton University Press 2015 .

Benediktsson J A, Palmason J A, Sveinsson J R.2005.Classification of hyperspectral data from urban areas based on extended morphological profiles. IEEE Transactions on Geoscience and Remote Sensing, 43 (3): 480–491. DOI: 10.1109/TGRS.2004.842478.

Bernabé S, Lopez S, Plaza A, Sarmiento R.2013.GPU implementation of an automatic target detection and classification algorithm for hyperspectral image analysis. IEEE Geoscience and Remote Sensing Letters, 10 (2): 221–225. DOI: 10.1109/LGRS.2012.2198790.

Billor N, Hadi A S, Velleman P F.2000.Bacon:blocked adaptive computationally efficient outlier nominators. Computational Statistics and Data Analysis, 34 (3): 279–298. DOI: 10.1016/S0167-9473(99)00101-2.

Bioucas-Dias J M and Figueiredo M A T.2010.Alternating direction algorithms for constrained sparse regression:application to hyperspectral unmixing//Proceedings of the 2010 2nd Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing.Reykjavik:IEEE:1-4 [DOI:10.1109/WHISPERS.2010.5594963].

Bioucas-Dias J M, Plaza A, Dobigeon N, Parente M, Du Q, Gader P, Chanussot J.2012.Hyperspectral unmixing overview:geometrical, statistical, and sparse regression-based approaches. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5 (2): 354–379. DOI: 10.1109/JSTARS.2012.2194696.

Boardman J W, Kruse F A and Green R O.1995.Mapping target signatures via partial unmixing of AVIRIS data//Summaries of the Fifth Annudal JPL Airborne Earth Science Workshop.Washington:JPL Publication:23-26

Broadwater J and Banerjee A.2009.A comparison of kernel functions for intimate mixture models//Proceedings of the 2009 First Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing.Grenoble:IEEE:1-4 [DOI:10.1109/WHISPERS.2009.5289073].

Broadwater J and Banerjee A.2010.A generalized kernel for areal and intimate mixtures//Proceedings of the 2010 2nd Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing.Reykjavik:IEEE:1-4 [DOI:10.1109/WHISPERS.2010.5594962].

Broadwater J and Banerjee A.2011.Mapping intimate mixtures using an adaptive kernel-based technique//Proceedings of the 2011 3rd Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing (WHISPERS).Lishon:IEEE:1-4 [DOI:10.1109/WHISPERS.2011.6080881].

Broadwater J, Chellappa R, Banerjee A and Burlina P.2007.Kernel fully constrained least squares abundance estimates//Proceedings of the 2007 IEEE International Geoscience and Remote Sensing Symposium.Barcelona:IEEE:4041-4044 [DOI:10.1109/IGARSS.2007.4423736].

Bruckstein A M, Donoho D L, Elad M.2009.From sparse solutions of systems of equations to sparse modeling of signals and images. Siam Review, 51 (1): 34–81. DOI: 10.1137/060657704.

Camps-Valls G, Gomez-Chova L, Muñoz-Marí J, Vila-Frances J, Calpe-Maravilla J.2006.Composite kernels for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 3 (1): 93–97. DOI: 10.1109/TGRS.2005.857031.

Castillo M I, Fernández J C, Igual F D, Plaza A, Quintana-Ortí E S, Remón A.2014.Hyperspectral unmixing on multicore DSPs:trading off performance for energy. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6): 2297–2304. DOI: 10.1109/JSTARS.2013.2266927.

Cervero T G, Caba J, López S, Dondo J D, Sarmiento R, Rincón F, López J.2015.A scalable and dynamically reconfigurable FPGA-based embedded system for real-time hyperspectral unmixing. IEEE Journal of Selected Topics in Applied Earth Observations&Remote Sensing, 8 (6): 2894–2911. DOI: 10.1109/JSTARS.2014.2347075.

Chai S M, Gentile A, Lugo-Beauchamp W E, Fonseca J, Cruz-Rivera J.L, Wills D S.2000.Focal-plane processing architectures for real-time hyperspectral image processing. Applied Optics, 39 (5): 835–849. DOI: 10.1364/AO.39.000835.

Chan T H, Chi C Y, Huang Y M, Ma W K.2009.A convex analysis-based minimum-volume enclosing simplex algorithm for hyperspectral unmixing. IEEE Transactions on Signal Processing, 57 (11): 4418–4432. DOI: 10.1109/TSP.2009.2025802.

Chan T H, Ma W K, Ambikapathi A, Chi C Y.2011.A simplex volume maximization framework for hyperspectral endmember extraction. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4177–4193. DOI: 10.1109/TGRS.2011.2141672.

Chang C I, Du Q, Sun T L, Althouse M L G.1999.A joint band prioritization and band-decorrelation approach to band selection for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 37 (6): 2631–2641. DOI: 10.1109/36.803411.

Chang C I, Wu C C, Liu W, Ouyang Y C.2006.A new growing method for simplex-based endmember extraction algorithm. IEEE Transactions on Geoscience and Remote Sensing, 44 (10): 2804–2819. DOI: 10.1109/TGRS.2006.881803.

Chang C I, Xiong W, Wu C C.2013.Field-programmable gate array design of implementing simplex growing algorithm for hyperspectral endmember extraction. IEEE Transactions on Geoscience and Remote Sensing, 51 (3): 1693–1700. DOI: 10.1109/TGRS.2012.2207389.

Chang Y L, Chao H T, Huang M Y, Chang L, Fang J P and Hsieh T J.2014.Incenter-based nearest feature space method for hyperspectral image classification using GPU//Proceedings of the 2014 20th IEEE International Conference on Parallel and Distributed Systems (ICPADS).Hsinchu:IEEE:931-936 [DOI:10.1109/PADSW.2014.7097911].

Chavez P S Jr, Kwarteng A Y.1989.Extracting spectral contrast in Landsat thematic mapper image data using selective principal component analysis. Photogrammetric Engineering and Remote Sensing, 55 (3): 339–348.

Chen J, Richard C and Honeine P.2011a.A novel kernel-based nonlinear unmixing scheme of hyperspectral images//Proceedings of the 2011 Conference Record of the 45th Asilomar Conference on Signals, Systems and Computers (ASILOMAR).Pacific Grove, CA:IEEE:1898-1902 [DOI:10.1109/ACSSC.2011.6190353].

Chen J, Richard C and Honeine P.2012.Nonlinear unmixing of hyperspectral images based on multi-kernel learning//Proceedings of the 2012 4th Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing (WHISPERS).Shanghai:IEEE:1-4 [DOI:10.1109/WHISPERS.2012.6874231].

Chen J, Richard C, Honeine P.2013.Nonlinear unmixing of hyperspectral data based on a linear-mixture/nonlinear-fluctuation model. IEEE Transactions on Signal Processing, 61 (2): 480–492. DOI: 10.1109/TSP.2012.2222390.

Chen L, Hagenah J and Mertins A.2011b.Texture analysis using gabor filter based on transcranial sonography image//Bildverarbeitung für die Medizin.Berlin Heidelberg:Springer:249-253 [DOI:10.1007/978-3-642-19335-4_52].

Chen T S, Du Z D, Sun N H, Wang J, Wu C Y, Chen Y J, Temam O.2014.DianNao:a small-footprint high-throughput accelerator for ubiquitous machine-learning. ACM SIGPLAN Notices, 49 (4): 269–284. DOI: 10.1145/2644865.2541967.

Chen W S, Reed I S.1991.A new CFAR detection test for radar. Digital Signal Processing, 1 (4): 198–214. DOI: 10.1016/1051-2004(91)90113-Y.

Chutia D, Bhattacharyya D K, Sarma K K, Kalita R, Sudhakar S.2015.Hyperspectral remote sensing classifications:a perspective survey. Transactions in GIS : DOI: 10.1111/tgis.12164.

Clausi D A.2002.An analysis of co-occurrence texture statistics as a function of grey level quantization. Canadian Journal of Remote Sensing, 28 (1): 45–62. DOI: 10.5589/m02-004.

Crawford M M, Tuia D, Yang H L.2013.Active learning:any value for classification of remotely sensed data?. Proceedings of the IEEE, 101 (3): 593–608. DOI: 10.1109/JPROC.2012.2231951.

Cui J T, Wang J, Li X R, Zhao L Y.2013.Endmember extraction algorithm based on spatial pixel purity index. Journal of Zhejiang University (Engineering Science), 47 (9): 1524–1530. ( 崔建涛, 王晶, 厉小润, 赵辽英. 2013. 基于空间像素纯度指数的端元提取算法. 浙江大学学报(工学版), 47 (9): 1524–1530. )

Curran P J.1988.The semivariogram in remote sensing:an introduction. Remote Sensing of Environment, 24 (3): 493–507. DOI: 10.1016/0034-4257(88)90021-1.

Curran P J, Dungan J L.1989.Estimation of signal-to-noise:a new procedure applied to AVIRIS data. IEEE Transactions on Geoscience and Remote Sensing, 27 (5): 620–628. DOI: 10.1109/TGRS.1989.35945.

Deng L, Yu D. Deep Learning:Methods and Applications (Foundations and Trends in Signal Processing). Hanover, MA: Now Publishers Inc. 2014 .

Di W, Crawford M M.2012.View generation for multiview maximum disagreement based active learning for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 50 (5): 1942–1954. DOI: 10.1109/TGRS.2011.2168566.

Dobigeon N, Tourneret J Y, Richard C, Bermudez J C M, McLaughlin S, Hero A O.2014.Nonlinear unmixing of hyperspectral images:Models and algorithms. IEEE Signal Processing Magazine, 31 (1): 82–94. DOI: 10.1109/MSP.2013.2279274.

Dópido I, Li J, Plaza A and Bioucas-Dias J M.2012.Semi-supervised active learning for urban hyperspectral image classification//Proceedings of the 2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS).Munich:IEEE:1586-1589 [DOI:10.1109/IGARSS.2012.6350814].

Du B, Zhang L P.2011.Random-selection-based anomaly detector for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 49 (5): 1578–1589. DOI: 10.1109/TGRS.2010.2081677.

Du H T, Qi H R.2006.A reconfigurable FPGA system for parallel independent component analysis. Eurasip Journal on Embedded Systems, 2006 (1): 023025 DOI: 10.1155/ES/2006/23025.

Du P J, Tan K, Xing X S.2010.Wavelet SVM in reproducing kernel Hilbert space for hyperspectral remote sensing image classification. Optics Communications, 283 (24): 4978–4984. DOI: 10.1016/j.optcom.2010.08.009.

Du P J, Tan K, Xing X S.2012.A novel binary tree support vector machine for hyperspectral remote sensing image classification. Optics Communications, 285 (13-14): 3054–3060. DOI: 10.1016/j.optcom.2012.02.092.

Du P J, Xia J S, Xue Z H, Tan K, Su H J, Bao R.2016.Review of hyperspectral remote sensing image classification. Journal of Remote Sensing, 20 (2): 236–256. DOI: 10.11834/jrs.20165022. ( 杜培军, 夏俊士, 薛朝辉, 谭琨, 苏红军, 鲍蕊. 2016. 高光谱遥感影像分类研究进展. 遥感学报, 20 (2): 236–256. DOI: 10.11834/jrs.20165022. )

Du Q, Yang H.2008.Similarity-based unsupervised band selection for hyperspectral image analysis. IEEE Geoscience and Remote Sensing Letters, 5 (4): 564–568. DOI: 10.1109/LGRS.2008.2000619.

Eches O, Dobigeon N, Mailhes C, Tourneret J Y.2010.Bayesian estimation of linear mixtures using the normal compositional model. Application to hyperspectral imagery.IEEE Transactions on Image Processing, 19 (6): 1403–1413. DOI: 10.1109/TIP.2010.2042993.

Ehab Mohsen.2013.Balancing Performance, Power, and Cost with Kintex-7 FPGAs[J/OL].WP432(v1.1)[2013-09-13]. http://china.xilinx.com/support/documentation/white_papers/wp432-K7-Perf-Power-Cost.pdf.

Eismann M T and Stein D W J.2007.Stochastic mixture modeling//Hyperspectral Data Exploitation:Theory and Applications.Hoboken, NJ, USA:John Wiley and Sons [DOI:10.1002/9780470124628.ch5].

Falco N, Benediktsson J A, Bruzzone L.2015.Spectral and spatial classification of hyperspectral images based on ICA and reduced morphological attribute profiles. IEEE Transactions on Geoscience and Remote Sensing, 53 (11): 6223–6240. DOI: 10.1109/TGRS.2015.2436335.

Fan W Y, Hu B X, Miller J, Li M Z.2009.Comparative study between a new nonlinear model and common linear model for analysing laboratory simulated-forest hyperspectral data. International Journal of Remote Sensing, 30 (11): 2951–2962. DOI: 10.1080/01431160802558659.

Fang L Y, Li S T, Kang X, Benediktsson J A.2015.Spectral-spatial classification of hyperspectral images with a superpixel-based discriminative sparse model. IEEE Transactions on Geoscience and Remote Sensing, 53 (8): 4186–201. DOI: 10.1109/TGRS.2015.2392755.

Fauvel M, Tarabalka Y, Benediktsson J A, Chanussot J, Tilton J C.2013.Advances in spectral-spatial classification of hyperspectral images. Proceedings of the IEEE, 101 (3): 652–675. DOI: 10.1109/JPROC.2012.2197589.

Feng J, Shu N.2009.Research of band selection based on improved genetic algorithm and support vector machine to select. Journal of Wuhan University of Technology, 31 (18): 120–123. ( 冯静, 舒宁. 2009. 改进型遗传算法和支持向量机的波段选择研究. 武汉理工大学学报, 31 (18): 120–123. )

Foody G M.2002.Status of land cover classification accuracy assessment. Remote sensing of environment, 80 (1): 185–201. DOI: 10.1016/S0034-4257(01)00295-4.

Foody G M, Cox D P.1994.Sub-pixel land cover composition estimation using a linear mixture model and fuzzy membership functions. International Journal of Remote Sensing, 15 (3): 619–631. DOI: 10.1080/01431169408954100.

Fraser S J, Green A A.1987.A software defoliant for geological analysis of band ratios. International Journal of Remote Sensing, 8 (3): 525–532. DOI: 10.1080/01431168708948659.

Gao B C.1993.An operational method for estimating signal to noise ratios from data acquired with imaging spectrometers. Remote Sensing of Environment, 43 (1): 23–33. DOI: 10.1016/0034-4257(93)90061-2.

Gao J W, Du Q, Gao L R, Sun X, Zhang B.2014a.Ant colony optimization-based supervised and unsupervised band selection for hyperspectral urban data classification. Journal of Applied Remote Sensing, 8 (1): 085094 DOI: 10.1117/1.JRS.8.085094.

高连如. 高光谱遥感目标探测中的信息增强与特征提取研究. 北京: 中国科学院研究生院 2007 .

Gao L R, Du Q, Yang W and Zhang B.2012.A comparative study on noise estimation for hyperspectral imagery//Proceedings of the 2012 4th Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing (WHISPERS).Shanghai, China:IEEE:1-4 [DOI:10.1109/WHISPERS.2012.6874262].

Gao L R, Du Q, Zhang B, Yang W, Wu Y F.2013a.A comparative study on linear regression-based noise estimation for hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6 (2): 488–498. DOI: 10.1109/JSTARS.2012.2227245.

Gao L R, Gao J W, Li J, Plaza A, Zhuang L, Sun X, Zhang B.2015a.Multiple algorithm integration based on ant colony optimization for endmember extraction from hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2569–2582. DOI: 10.1109/JSTARS.2014.2371615.

Gao L R, Li J, Khodadadzadeh M, Plaza A, Zhang B, He Z J, Yan H M.2015b.Subspace-based support vector machines for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 12 (2): 349–353. DOI: 10.1109/LGRS.2014.2341044.

Gao L R, Yang B, Du Q, Zhang B.2015c.Adjusted spectral matched filter for target detection in hyperspectral imagery. Remote Sensing, 7 (6): 6611–6634. DOI: 10.3390/rs70606611.

Gao L R, Zhang B, Chen Z C and Lei L P.2011.Study on the issue of noise estimation in dimension reduction of hyperspectral images//Proceedings of the 2011 3rd Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing (WHISPERS 2011).Lisbon, Portugal:IEEE:1-4 [DOI:10.1109/WHISPERS.2011.6080944].

Gao L R, Zhang B, Sun X, Li S S, Du Q, Wu C S.2013b.Optimized maximum noise fraction for dimensionality reduction of Chinese HJ-1A hyperspectral data. EURASIP Journal on Advances in Signal Processing, 2013 : 65 DOI: 10.1186/1687-6180-2013-65.

Gao L R, Zhang B, Wen J T and Ran Q.2007.Residual-scaled local standard deviations method for estimating noise in hyperspectral images//Proceedings of SPIE 6787, MIPPR 2007:Multispectral Image Processing, 678713.Wuhan, China:SPIE:678713 [DOI:10.1117/12.749122].

Gao L R, Zhang B, Zhang X, Zhang W J, Tong Q X.2008.A new operational method for estimating noise in hyperspectral images. IEEE Geoscience and Remote Sensing Letters, 5 (1): 83–87. DOI: 10.1109/LGRS.2007.909927.

Gao L R, Zhuang L, Wu Y F, Sun X, Zhang B.2014b.A quantitative and comparative analysis of different preprocessing implementations of DPSO:a robust endmember extraction algorithm. Soft Computing, 1 : DOI: 10.1007/s00500-014-1507-2.

Gao Q Q, Asthana A, Tong T, Rueckert D and Edwards P E.2014c.Multi-scale feature learning on pixels and super-pixels for seminal vesicles MRI segmentation//Proceedings of the SPIE 9034, Medical Imaging 2014:Image Processing.San Diego, California, USA:SPIE [DOI:10.1117/12.2043893].

Geng X R, Zhao Y C, Wang F X, Gong P.2010.A new volume formula for a simplex and its application to endmember extraction for hyperspectral image analysis. International Journal of Remote Sensing, 31 (4): 1027–1035. DOI: 10.1080/01431160903154283.

Goel P K, Prasher S O, Patel R M, Landry J A, Bonnell R B, Viau A A.2003.Classification of hyperspectral data by decision trees and artificial neural networks to identify weed stress and nitrogen status of corn. Computers and Electronics in Agriculture, 39 (2): 67–93. DOI: 10.1016/S0168-1699(03)00020-6.

Goetz A F H, Vane G, Solomon J E, Rock B N.1985.Imaging spectrometry for earth remote sensing. Science, 228 (4704): 1147–1153. DOI: 10.1126/science.228.4704.1147.

Goetz A F H.2009.Three decades of hyperspectral remote sensing of the earth:a personal view. Remote Sensing of Environment, 113 (S1): DOI: 10.1016/j.rse.2007.12.014.

González C, Sánchez S, Paz A, Resano J, Mozos D, Plaza A.2013.Use of FPGA or GPU-based architectures for remotely sensed hyperspectral image processing. Integration the VLSI Journal, 46 (2): 89–103. DOI: 10.1016/j.vlsi.2012.04.002.

Gonzalez R C, Woods R E. Digital Image Processing. Upper Saddle River: Prentice Hall 2002 .

Gorelnik N, Yehudai H and Rotman S R.2010.Anomaly detection in non-stationary backgrounds//Proceedings of the 2010 2nd Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing.Reykjavik:IEEE:1-4 [DOI:v].

Gruninger J H, Ratkowski A J and Hoke M L.2004.The sequential maximum angle convex cone (SMACC) endmember model//Proceedings of the SPIE 5425, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery X.Orlando, FL, USA:SPIE:1-14 [DOI:10.1117/12.543794].

Guilfoyle K J, Althouse M L, Chang C I.2001.A quantitative and comparative analysis of linear and nonlinear spectral mixture models using radial basis function neural networks. IEEE Transactions on Geoscience and Remote Sensing, 39 (10): 2314–2318. DOI: 10.1109/36.957296.

Guo Q D, Zhang B, Ran Q, Gao L R, Li J, Plaza A.2014.Weighted-RXD and linear filter-based RXD:improving background statistics estimation for anomaly detection in hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6): 2351–2366. DOI: 10.1109/JSTARS.2014.2302446.

Guo W J, Zeng X R, Zhao B W, Ming X, Zhang G F, Lü Q B.2014.Multi-DSP parallel processing technique of hyperspectral RX anomaly detection. Spectroscopy and Spectral Analysis, 34 (5): 1383–1387. DOI: 10.3964/j.issn.1000-0593(2014)05-1383-05. ( 郭文记, 曾晓茹, 赵宝玮, 明星, 张桂峰, 吕群波. 2014. 高光谱RX异常检测的多DS P并行化处理技术. 光谱学与光谱分析, 34 (5): 1383–1387. DOI: 10.3964/j.issn.1000-0593(2014)05-1383-05. )

Haavardsholm T V, Arisholm G, Kavara A and Skauli T.2010.Architecture of the real-time target detection processing in an airborne hyperspectral demonstrator system//Proceedings of the 2010 2nd Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing.Reykjavik:IEEE:1-4 [DOI:10.1109/WHISPERS.2010.5594940].

Halimi A, Altmann Y, Dobigeon N, Tourneret J Y.2011.Nonlinear unmixing of hyperspectral images using a generalized bilinear model. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4153–4162. DOI: 10.1109/TGRS.2010.2098414.

Hapke B.1981.Bidirectional reflectance spectroscopy:1. Theory.Journal of Geophysical Research, 86 (B4): 3039–3054. DOI: 10.1029/JB086iB04p03039.

Harsanyi J C.1993.Detection and classification of subpixel spectral signatures in hyperspectral image sequences.Maryland:University of Maryland

He G L, Peng L K.2009.FPGA implement of svd for dimensionality reduction in hyperspectral images. Chinese Journal of Lasers, 36 (11): 2983–2988. DOI: 10.3788/JCL. ( 何光林, 彭林科. 2009. 基于FPGA的高光谱图像奇异值分解降维技术. 中国激光, 36 (11): 2983–2988. DOI: 10.3788/JCL. )

Heylen R, Burazerovic D, Scheunders P.2011.Non-linear spectral unmixing by geodesic simplex volume maximization. IEEE Journal of Selected Topics in Signal Processing, 5 (3): 534–542. DOI: 10.1109/JSTSP.2010.2088377.

Heylen R, Parente M, Gader P.2014.A review of nonlinear hyperspectral unmixing methods. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6): 1844–1868. DOI: 10.1109/JSTARS.2014.2320576.

Huang R, He M Y.2005.Band selection based on feature weighting for classification of hyperspectral data. IEEE Geoscience and Remote Sensing Letters, 2 (2): 156–159. DOI: 10.1109/LGRS.2005.844658.

Hughes G.1968.On the mean accuracy of statistical pattern recognizers. IEEE Transactions on Information Theory, 14 (1): 55–63. DOI: 10.1109/TIT.1968.1054102.

Ifarraguerri A, Prairie M W.2004.Visual method for spectral band selection. IEEE Geoscience and Remote Sensing Letters, 1 (2): 101–106. DOI: 10.1109/LGRS.2003.822879.

Iordache M D, Bioucas-Dias J E M, Plaza A.2012.Total variation spatial regularization for sparse hyperspectral unmixing. IEEE Transactions on Geoscience and Remote Sensing, 50 (11): 4484–4502. DOI: 10.1109/TGRS.2012.2191590.

Jia S, Qian Y T, Ji Z, Shen L L.2009.Spectral and spatial character-based hyperspectral unmixing. Journal of Shenzhen University (Science and Engineering), 26 (3): 262–267. ( 贾森, 钱沄涛, 纪震, 沈琳琳. 2009. 基于光谱和空间特性的高光谱解混方法. 深圳大学学报(理工版), 26 (3): 262–267. )

Jia X, Richards J A.2008.Managing the spectral-spatial mix in context classification using markov random fields. IEEE Geoscience and Remote Sensing Letters, 5 (2): 311–314. DOI: 10.1109/LGRS.2008.916076.

Jiao Q J, Zhang B, Liu J G, Liu L Y.2014.A novel two-step method for winter wheat-leaf chlorophyll content estimation using a hyperspectral vegetation index. International Journal of Remote Sensing, 35 (21): 7363–7375. DOI: 10.1080/2150704X.2014.968681.

Kanaev A V, Allman E and Murray-Krezan J.2009.Reduction of false alarms caused by background boundaries in real time subspace RX anomaly detection//Proceedings of the SPIE 7334, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XV, 733405.Orlando, Florida, USA:SPIE [DOI:10.1117/12.817838].

Karathanassi V, Sykas D, Topouzelis K N.2012.Development of a network-based method for unmixing of hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 50 (3): 839–849. DOI: 10.1109/TGRS.2011.2163412.

Karu K, Jain A K, Bolle R M.1996.Is there any texture in the image?. Pattern recognition, 29 (9): 1437–1446. DOI: 10.1109/ICPR.1996.546927.

Keshava N, Mustard J F.2002.Spectral unmixing. IEEE Signal Processing Magazine, 19 (1): 44–57. DOI: 10.1109/79.974727.

Kettig R L, Landgrebe D A.1976.Classification of multispectral image data by extraction and classification of homogeneous objects. IEEE Transactions on Geoscience Electronics, 14 (1): 19–26. DOI: 10.1109/TGE.1976.294460.

Khazai S, Safari A, Mojaradi B, Homayouni S.2013.An approach for subpixel anomaly detection in hyperspectral images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6 (2): 769–778. DOI: 10.1109/JSTARS.2012.2210277.

Kong X B, Shu N, Gong Y, Wang K.2013.Integration of spatial-spectral information based endmember extraction for hyperspectral image. Spectroscopy and Spectral Analysis, 33 (6): 1647–1652.

( 孔祥兵, 舒宁, 龚龑, 王凯. 2013. 结合空间和光谱信息的高光谱影像端元光谱自动提取. 光谱学与光谱分析, 33 (6): 1647–1652. )

Kraut S, Scharf L L.1999.The CFAR adaptive subspace detector is a scale-invariant GLRT. IEEE Transactions on Signal Processing, 47 (9): 2538–2541. DOI: 10.1109/78.782198.

Kruse F A, Boardman J W, Huntington J F.2003.Comparison of airborne hyperspectral data and EO-1 hyperion for mineral mapping. IEEE Transactions on Geoscience and Remote Sensing, 41 (6): 1388–1400. DOI: 10.1109/TGRS.2003.812908.

Kuo B C, Li C H, Yang J M.2009.Kernel nonparametric weighted feature extraction for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 47 (4): 1139–1155. DOI: 10.1109/TGRS.2008.2008308.

Kwon H, Nasrabadi N M.2005.Kernel RX-algorithm:a nonlinear anomaly detector for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 43 (2): 388–397. DOI: 10.1109/TGRS.2004.841487.

Li J and Bioucas-Dias J M.2008.Minimum volume simplex analysis:a fast algorithm to unmix hyperspectral data//Proceedings of the 2008 IEEE International Geoscience and Remote Sensing Symposium.Boston, MA:IEEE:Ⅲ-250-Ⅲ-253 [DOI:10.1109/IGARSS.2008.4779330].

Li J, Marpu P R, Plaza A, Bioucas-Dias J M, Benediktsson J A.2013a.Generalized composite kernel framework for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 51 (9): 4816–4829. DOI: 10.1109/TGRS.2012.2230268.

Li J Y, Zhang H Y, Zhang L P, Ma L.2015a.Hyperspectral anomaly detection by the use of background joint sparse representation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2523–2533. DOI: 10.1109/JSTARS.2015.2437073.

Li J Y, Zhang H Y, Zhang L P.2015b.Efficient superpixel-level multitask joint sparse representation for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 53 (10): 5338–5351. DOI: 10.1109/TGRS.2015.2421638.

Li N, Zhao H J.2010.Endmember extraction method based on morphology and orthogonal subspace projection. Journal of Beijing University of Aeronautics and Astronautics, 36 (12): 1457–1460. ( 李娜, 赵慧洁. 2010. 基于形态学与正交子空间投影的端元提取方法. 北京航空航天大学学报, 36 (12): 1457–1460. )

Li S S, Jia X P and Zhang B.2013b.Superpixel-based Markov random field for classification of hyperspectral images//Proceedings of the 2013 IEEE International Geoscience and Remote Sensing Symposium.Melbourne, VIC:IEEE:3491-3493 [DOI:10.1109/IGARSS.2013.6723581].

Li S S, Zhang B, Chen D M, Gao L R, Peng M.2011a.Adaptive support vector machine and Markov random field model for classifying hyperspectral imagery. Journal of Applied Remote Sensing, 5 : 053538 DOI: 10.1117/1.3609847.

Li S S, Zhang B, Li A, Jia X P, Gao L R, Peng M.2013c.Hyperspectral imagery clustering with neighborhood constraints. IEEE Geoscience and Remote Sensing Letters, 10 (3): 588–592. DOI: 10.1109/LGRS.2012.2215005.

Li W, Du Q.2015.Collaborative representation for hyperspectral anomaly detection. IEEE Transactions on Geoscience and Remote Sensing, 53 (3): 1463–1474. DOI: 10.1109/TGRS.2014.2343955.

Li W, Prasad S, Fowler J E, Bruce L M.2011b.Locality-preserving discriminant analysis in kernel-induced feature spaces for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 8 (5): 894–898. DOI: 10.1109/LGRS.2011.2128854.

Li X W, Wang J D. Vegetation Optical Remote Sensing Model and Parameterization of Vegetation Structure. Beijing: Science Press 1995 . ( 李小文, 王锦地. 1995. 植被光学遥感模型与植被结构参数化. 北京: 科学出版社 . )

Li X R, Wu X M, Zhao L Y.2011.Unsupervised nonlinear decomposing method of hyperspectral imagery. Journal of Zhejiang University (Engineering Science), 45 (4): 607–613. ( 厉小润, 伍小明, 赵辽英. 2011. 非监督的高光谱混合像元非线性分解方法. 浙江大学学报(工学版), 45 (4): 607–613. )

Licciardi G A, Del Frate F.2011.Pixel unmixing in hyperspectral data by means of neural networks. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4163–4172. DOI: 10.1109/TGRS.2011.2160950.

Licciardi G, Marpu P R, Chanussot J, Benediktsson J A.2012.Linear versus nonlinear PCA for the classification of hyperspectral data based on the extended morphological profiles. IEEE Geoscience and Remote Sensing Letters, 9 (3): 447–451. DOI: 10.1109/LGRS.2011.2172185.

Liu D S, Xia F.2010.Assessing object-based classification:advantages and limitations. Remote Sensing Letters, 1 (4): 187–194. DOI: 10.1080/01431161003743173.

Liu J G. Recognition and extraction of urban and man-made objects using hyperspectral data. Beijing: Institute of Remote Sensing Application Chinese Academy of Sciences 1999 . ( 刘建贵. 1999. 高光谱城市地物及人工目标识别与提取. 北京: 中科院遥感应用研究所 . )

Liu J M, Zhang J S.2012.A new maximum simplex volume method based on householder transformation for endmember extraction. IEEE Transactions on Geoscience and Remote Sensing, 50 (1): 104–118. DOI: 10.1109/TGRS.2011.2158829.

Liu X, Gao L R, Zhang B, Zhang X, Luo W F.2008a.An improved MNF transform algorithm on hyperspectral images with complex mixing ground objects//Proceedings of the 1st International Congress on Image and Signal Processing (CISP). Sanya, China:IEEE, 3 : 479–483. DOI: 10.1109/CISP.2008.398.

Liu X P, Li X, Liu L, He J Q, Ai B.2008b.An innovative method to classify remote-sensing images using ant colony optimization. IEEE Transactions on Geoscience and Remote Sensing, 46 (12): 4198–4208. DOI: 10.1109/TGRS.2008.2001754.

Liu X, Zhang B, Gao L R, Chen D M.2009.A maximum noise fraction transform with improved noise estimation for hyperspectral images. Science in China Series F:Information Sciences, 52 (9): 1578–1587. DOI: 10.1007/s11432-009-0156-z.

Lopez S, Horstrand P, Callico G M, Lopez J F, Sarmiento R.2012.A novel architecture for hyperspectral endmember extraction by means of the modified vertex component analysis (MVCA) algorithm. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5 (6): 1837–1848. DOI: 10.1109/JSTARS.2012.2205560.

Lu D, Weng Q.2007.A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28 (5): 823–870. DOI: 10.1080/01431160600746456.

Luo W F, Zhong L, Zhang B, Gao L R.2010.Independent component analysis for spectral unmixing in hyperspectral remote sensing image. Spectroscopy and Spectral Analysis, 30 (6): 1628–1633.

( 罗文斐, 钟亮, 张兵, 高连如. 2010. 高光谱遥感图像光谱解混的独立成分分析技术. 光谱学与光谱分析, 30 (6): 1628–1633. DOI: 10.3964/j.issn.1000-0593(2010)06-1628-06. )

Ma L, Crawford M M, Tian J W.2010.Local manifold learning-based k-nearest-neighbor for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 48 (11): 4099–4109. DOI: 10.1109/TGRS.2010.2055876.

Manolakis D, Marden D, Shaw G A.2003.Hyperspectral image processing for automatic target detection applications. Lincoln Laboratory Journal, 14 (1): 79–116.

Marinoni A, Gamba P.2015.A novel approach for efficient p-linear hyperspectral unmixing. IEEE Journal of Selected Topics in Signal Processing, 9 (6): 1156–1168. DOI: 10.1109/JSTSP.2015.2416693.

Martínez-Usómartinez-Uso A, Pla F, Sotoca J M, García-Sevilla P.2007.Clustering-based hyperspectral band selection using information measures. IEEE Transactions on Geoscience and Remote Sensing, 45 (12): 4158–4171. DOI: 10.1109/TGRS.2007.904951.

Matteoli S, Diani M, Corsini G.2010.A tutorial overview of anomaly detection in hyperspectral images. IEEE Aerospace and Electronic Systems Magazine, 25 (7): 5–28. DOI: 10.1109/MAES.2010.5546306.

Meganem I, Deliot P, Briottet X, Deville Y, Hosseini S.2014.Linear-quadratic mixing model for reflectances in urban environments. IEEE Transactions on Geoscience and Remote Sensing, 52 (1): 544–558. DOI: 10.1109/TGRS.2013.2242475.

Melgani F, Bruzzone L.2004.Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42 (8): 1778–1790. DOI: 10.1109/TGRS.2004.831865.

Mercier G, Derrode S and Lennon M.2003.Hyperspectral image segmentation with Markov chain model//Proceedings of the 2003 IEEE International Geoscience and Remote Sensing Symposium.Toulouse, France:IEEE:3766-3768 [DOI:10.1109/IGARSS.2003.1295263].

Merolla P A, Arthur J V, Alvarez-Icaza R, Cassidy A S, Sawada J, Akopyan F, Jackson B L, Imam N, Guo C, Nakamura Y, Brezzo B, Vo I, Esser S K, Appuswamy R, Taba B, Amir A, Flickner M D, Risk W P, Manohar R, Modha D S.2014.A million spiking-neuron integrated circuit with a scalable communication network and interface. Science, 345 (6197): 668–673. DOI: 10.1126/science.1254642.

Miao L D, Qi H R.2007.Endmember extraction from highly mixed data using minimum volume constrained nonnegative matrix factorization. IEEE Transactions on Geoscience and Remote Sensing, 45 (3): 765–777. DOI: 10.1109/TGRS.2006.888466.

Molero J M, Garzón E M, García I, Plaza A.2013.Analysis and optimizations of global and local versions of the RX algorithm for anomaly detection in hyperspectral data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6 (2): 801–814. DOI: 10.1109/JSTARS.2013.2238609.

Moussaoui S, Carteret C, Brie D, Mohammad-Djafari A.2006.Bayesian analysis of spectral mixture data using Markov Chain Monte Carlo Methods. Chemometrics and Intelligent Laboratory Systems, 81 (2): 137–148. DOI: 10.1016/j.chemolab.2005.11.004.

Nascimento J M P, Bioucas-Dias J M.2005.Vertex component analysis:a fast algorithm to unmix hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 43 (4): 898–910. DOI: 10.1109/TGRS.2005.844293.

Nascimento J M P and Bioucas-Dias J M.2009.Nonlinear mixture model for hyperspectral unmixing//Proceedings of the SPIE 7477, Image and Signal Processing for Remote Sensing XV.Berlin, Germany:SPIE [DOI:10.1117/12.830492].

Nascimento J M P, Bioucas-Dias J M.2012.Hyperspectral unmixing based on mixtures of dirichlet components. IEEE Transactions on Geoscience and Remote Sensing, 50 (3): 863–878. DOI: 10.1109/TGRS.2011.2163941.

Nasrabadi N M.2008.Regularization for spectral matched filter and RX anomaly detector//Proceedings of the SPIE 6966, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XIV.Orlando, FL:SPIE [DOI:10.1117/12.773444].

Ni L, Gao L R, Li S S, Li J, Zhang B.2014.Edge-constrained Markov random field classification by integrating hyperspectral image with LiDAR data over urban areas. Journal of Applied Remote Sensing, 8 (1): 085089 DOI: 10.1117/1.JRS.8.085089.

Paola J D, Schowengerdt R A.1995.A review and analysis of backpropagation neural networks for classification of remotely-sensed multi-spectral imagery. International Journal of Remote Sensing, 16 (16): 3033–3058. DOI: 10.1080/01431169508954607.

Paz A, Plaza A.2010.Clusters versus GPUs for parallel target and anomaly detection in hyperspectral images. EURASIP Journal on Advances in Signal Processing, 2010 : 915639 DOI: 10.1155/2010/915639.

Plaza A, Martinez P, Perez R, Plaza J.2004a.A new approach to mixed pixel classification of hyperspectral imagery based on extended morphological profiles. Pattern Recognition, 37 (6): 1097–1116. DOI: 10.1016/j.patcog.2004.01.006.

Plaza J, Martínez P, Pérez R and Plaza A.2004b.Nonlinear neural network mixture models for fractional abundance estimation in AVIRIS hyperspectral images//Proceedings of the NASA Jet Propulsion Laboratory AVIRIS Airborne Earth Science Workshop.Pasadena, California

Plaza J, Martinez P J, Perez R M, Plaza A and Cantero C.2004c.Nonlinear neural-network-based mixture model for estimating the concentration of nitrogen salts in turbid inland waters using hyperspectral imagery//Proceedings of the SPIE 5584, Chemical and Biological Standoff Detection Ⅱ.Philadelphia, PA:SPIE:165-173 [DOI:10.1117/12.579805].

Pudil P, Novovičová J, Kittler J.1994.Floating search methods in feature selection. Pattern Recognition Letters, 15 (11): 1119–1125. DOI: 10.1016/0167-8655(94)90127-9.

Qian Y T, Jia S, Zhou J, Robles-Kelly A.2011.Hyperspectral unmixing via L1/2 sparsity-constrained nonnegative matrix factorization. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4282–4297. DOI: 10.1109/TGRS.2011.2144605.

Qian Y T, Ye M C, Zhou J.2013.Hyperspectral image classification based on structured sparse logistic regression and three-dimensional wavelet texture features. IEEE Transactions on Geoscience and Remote Sensing, 51 (4): 2276–2291. DOI: 10.1109/TGRS.2012.2209657.

Qu H C, Zhang J P, Lin Z H, Chen H and Huang B M.2012.GPU acceleration of simplex volume algorithm for hyperspectral endmember extraction//Proceedings of the SPIE 8539, High-Performance Computing in Remote Sensing Ⅱ, 85390B.Edinburgh, United Kingdom:SPIE [DOI:10.1117/12.977956].

Raksuntorn N, Du Q.2010.Nonlinear spectral mixture analysis for hyperspectral imagery in an unknown environment. IEEE Geoscience and Remote Sensing Letters, 7 (4): 836–840. DOI: 10.1109/LGRS.2010.2049334.

Ratle F, Camps-Valls G, Weston J.2010.Semisupervised neural networks for efficient hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 48 (5): 2271–2282. DOI: 10.1109/TGRS.2009.2037898.

Reed I S, Yu X.1990.Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution. IEEE Transactions on Acoustics, Speech and Signal Processing, 38 (10): 1760–1770. DOI: 10.1109/29.60107.

Ren H and Chang C I.2000.A target-constrained interference-minimized filter for subpixel target detection in hyperspectral imagery//Proceedings of the IEEE 2000 International Geoscience and Remote Sensing Symposium.Honolulu, HI:IEEE:1545-1547 [DOI:10.1109/IGARSS.2000.857267].

Richards J A, Jia X P. Remote Sensing Digital Image Analysis:an Introduction. Berlin: Springer Verlag 2006 .

Roger R E, Arnold J F.1996.Reliably estimating the noise in AVIRIS hyperspectral images. International Journal of Remote Sensing, 17 (10): 1951–1962. DOI: 10.1080/01431169608948750.

Samadzadegan F and Partovi T.2010.Feature selection based on ant colony algorithm for hyperspectral remote sensing images//Proceedings of the 2010 2nd ed Workshop on Hyperspectral Image and Signal Processing:Evolution in Remote Sensing (WHISPERS).Reykjavik, Iceland:IEEE:1-4 [DOI:10.1109/WHISPERS.2010.5594966].

Sánchez S, Martín G, Plaza A and Chang C I.2010.GPU Implementation of fully constrained linear spectral unmixing for remotely sensed hyperspectral data exploitation//Proceedings of SPIE 7810, Satellite Data Compression, Communications, and Processing VI.San Diego, California, United States:SPIE[DOI:10.1117/12.860775].

Setoain J, Prieto M, Tenllado C.2008.GPU for parallel on-board hyperspectral image processing. International Journal of High Performance Computing Applications, 22 (4): 424–437. DOI: 10.1177/1094342007088379.

Shen L L, Jia S.2011.Three-dimensional Gabor wavelets for pixel-based hyperspectral imagery classification. IEEE Transactions on Geoscience and Remote Sensing, 49 (12): 5039–5046. DOI: 10.1109/TGRS.2011.2157166.

Shi B Q, Liu C, Sun W W, Chen N.2013.Sparse nonnegative matrix factorization for hyperspectral optimal band selection. Acta Geodaetica et Cartographica Sinica, 42 (3): 351–358. ( 施蓓琦, 刘春, 孙伟伟, 陈能. 2013. 应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择. 测绘学报, 42 (3): 351–358. )

Singer R B and McCord T B.1979.Mars:large scale mixing of bright and dark surface materials and implications for analysis of spectral reflectance//Proceedings of the 10th Lunar and Planetary Science Conference.United State:1835-1848

Soille P.2009.Recent developments in morphological image processing for remote sensing//Proceedings of the SPIE 7477, Image and Signal Processing for Remote Sensing XV.Berlin, Germany:SPIE [DOI:10.1117/12.836024].

Somers B, Asner G P, Tits L, Coppin P.2011.Endmember variability in spectral mixture analysis:a review. Remote Sensing of Environment, 115 (7): 1603–1616. DOI: 10.1016/j.rse.2011.03.003.

Stellman C M, Hazel G G, Bucholtz F, Michalowicz J V, Stocker A, Schaaf W.2000.Real-time hyperspectral detection and cuing. Optical Engineering, 39 (7): 1928–1935. DOI: 10.1117/1.602577.

Stocker A D and Schaum A P.1997.Application of stochastic mixing models to hyperspectral detection problems//Proceedings of the SPIE 3071, Algorithms for Multispectral and Hyperspectral Imagery Ⅲ.Orlando, FL, USA:SPIE:47-60[DOI:10.1117/12.280584].

Su H J, Yang H, Du Q, Sheng Y H.2011.Semisupervised band clustering for dimensionality reduction of hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 8 (6): 1135–1139. DOI: 10.1109/LGRS.2011.2158185.

Suits G H.1971.The calculation of the directional reflectance of a vegetative canopy. Remote Sensing of Environment, 2 : 117–125. DOI: 10.1016/0034-4257(71)90085-X.

Sun X, Yang L, Gao L R, Zhang B, Li S S, Li J.2015a.Hyperspectral image clustering method based on artificial bee colony algorithm and Markov random fields. Journal of Applied Remote Sensing, 9 (1): 095047 DOI: 10.1117/1.JRS.9.095047.

Sun X, Yang L, Zhang B, Gao L R, Gao J W.2015b.An endmember extraction method based on artificial bee colony algorithms for hyperspectral remote sensing images. Remote Sensing, 7 (12): 16363–16383. DOI: 10.3390/rs71215834.

Switzer P and Green A A.1984.Min/Max Autocorrelation Factors for Multivariate Spatial Imagery.Deptartment of Statistics, Stanford University

Taitano Y P, Geier B A, Bauer K W Jr.2010.A locally adaptable iterative RX detector. EURASIP Journal on Advances in Signal Processing, 2010 : 341908 DOI: 10.1155/2010/341908.

Tan X, Yu X C, Zhang P C, Yu A Z, Huang W J.2013.A classification algorithm for hyperspectral images based on fuzzy mixed pixel decomposition. Journal of Geomatics Science and Technology, 30 (3): 279–283. DOI: 10.3969/j.issn.1673-6338.2013.03.014. ( 谭熊, 余旭初, 张鹏强, 余岸竹, 黄伟杰. 2013. 一种基于模糊混合像元分解的高光谱影像分类方法. 测绘科学技术学报, 30 (3): 279–283. DOI: 10.3969/j.issn.1673-6338.2013.03.014. )

Tang X Y, Gao K, Ni G Q.2013.Advances in nonlinear spectral unmixing of hyperspectral images. Remote Sensing Technology and Application, 28 (4): 731–738. ( 唐晓燕, 高昆, 倪国强. 2013. 高光谱图像非线性解混方法的研究进展. 遥感技术与应用, 28 (4): 731–738. )

Tarabalka Y, Benediktsson J A, Chanussot J.2009.Spectral-spatial classification of hyperspectral imagery based on partitional clustering techniques. IEEE Transactions on Geoscience and Remote Sensing, 47 (8): 2973–2987. DOI: 10.1109/TGRS.2009.2016214.

Tarabalka Y, Chanussot J, Benediktsson J A.2010.Segmentation and classification of hyperspectral images using watershed transformation. Pattern Recognition, 43 (7): 2367–2379. DOI: 10.1016/j.patcog.2010.01.016.

Tong Q X, Xue Y Q, Zhang L F.2014.Progress in hyperspectral remote sensing science and technology in china over the past three decades. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (1): 70–91. DOI: 10.1109/JSTARS.2013.2267204.

Tong Q X, Zhang B, Zheng L F. Hyperspectral Remote Sensing:the Principle, Technology and Application. Beijing: Higher Education Press 2006a . ( 童庆禧, 张兵, 郑兰芬. 2006a. 高光谱遥感:原理、技术与应用. 高光谱遥感:原理、技术与应用. 北京: 高等教育出版社 . )

Tong Q X, Zhang B, Zheng L F. Hyperspectral Remote Sensing and It's Multidisciplinary Applications. Beijing: Publishing House of Electronics Industry 2006b . ( 童庆禧, 张兵, 郑兰芬. 2006b. 高光谱遥感的多学科应用. 北京: 电子工业出版社 . )

Tong Q X, Zheng L F, Wang J N, Wang X J, Dong W D, Hu Y M, Dang S X.1997.Study on imaging spectrtrometer remote sensing information for wetland vegetation. Jounral of Remote Sensing, 1 (1): 50–57. ( 童庆禧, 郑兰芬, 王晋年, 王向军, 董卫东, 胡远满, 党顺行. 1997. 湿地植被成象光谱遥感研究. 遥感学报, 1 (1): 50–57. )

Torti E, Acquistapace M, Danese G, Leporati F, Plaza A.2014.Real-time identification of hyperspectral subspaces. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (6): 2680–2687. DOI: 10.1109/JSTARS.2014.2304832.

Townsend F.1986.The enhancement of computer classifications by logical smoothing. Photogrammetric Engineering and Remote Sensing, 52 : 213–221.

Tucer M and Jain A K.1993.Texture analysis//Chen C H, Pau L F and Wang P S P, eds.Handbook of Pattern Recognition and Computer Vision.Singapore:World Scientific:235-376.

Uss M L, Vozel B, Lukin V V, Chehdi K.2011.Local signal-dependent noise variance estimation from hyperspectral textural images. IEEE Journal of Selected Topics in Signal Processing, 5 (3): 469–486. DOI: 10.1109/JSTSP.2010.2104312.

Wang L G, Jia X P, Zhang Y.2007.A novel geometry-based feature-selection technique for hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 4 (1): 171–175. DOI: 10.1109/LGRS.2006.887142.

Wang L G, Wei F J.2013.Band selection for hyperspectral imagery based on combination of genetic algorithm and ant colony algorithm. Journal of Image and Graphics, 18 (2): 235–242. ( 王立国, 魏芳洁. 2013. 结合遗传算法和蚁群算法的高光谱图像波段选择. 中国图象图形学报, 18 (2): 235–242. )

Wang X F, Zhang J P, Zhang Y.2010.Unmixing algorithm of hyperspectral images. Journal of Infrared and Millimeter Waves, 29 (3): 210–215. DOI: 10.3724/SP.J.1010.2010.00210. ( 王晓飞, 张钧萍, 张晔. 2010. 高光谱图像混合像元分解算法. 红外与毫米波学报, 29 (3): 210–215. DOI: 10.3724/SP.J.1010.2010.00210. )

Wei W, Du Q, Younan N H.2012.Fast supervised hyperspectral band selection using graphics processing unit. Journal of Applied Remote Sensing, 6 (1): 061504 DOI: 10.1117/1.JRS.6.061504.

Winter M E.1999.N-FINDR:an algorithm for fast autonomous spectral end-member determination in hyperspectral data//Proceedings of the SPIE 3753, Imaging Spectrometry V.Denver, CO, USA:SPIE:266-275[DOI:10.1117/12.366289].

Wright J, Ma Y, Mairal J, Sapiro G, Huang T S, Yan S C.2010.Sparse representation for computer vision and pattern recognition. Proceedings of the IEEE, 98 (6): 1031–1044. DOI: 10.1109/JPROC.2010.2044470.

Wright J, Yang A Y, Ganesh A, Sastry S S, Ma Y.2009.Robust face recognition via sparse representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31 (2): 210–227. DOI: 10.1109/TPAMI.2008.79.

Wrigley R C, Card D H, Hlavka C A, Hall J R, Mertz F C, Archwamety C, Schowengerdt R A.1984.Thematic mapper image quality:registration, noise, and resolution. .IEEE Transactions on Geoscience and Remote Sensing, GE-22 (3): 263–271. DOI: 10.1109/TGRS.1984.350620.

Wu B, Zhang L P, Li P X.2006.Unmixing hyperspectral imagery based on support vector nonlinear approximating regression. Journal of Remote Sensing, 10 (3): 312–318. DOI: 10.11834/jrs.20060348. ( 吴波, 张良培, 李平湘. 2006. 基于支撑向量回归的高光谱混合像元非线性分解. 遥感学报, 10 (3): 312–318. DOI: 10.11834/jrs.20060348. )

Wu K, Zhang L L, Li P X.2007.A neural network method of selective endmember for pixel unmixing. Journal of Remote Sensing, 11 (1): 20–26. ( 吴柯, 张良培, 李平湘. 2007. 一种端元变化的神经网络混合像元分解方法. 遥感学报, 11 (1): 20–26. )

Wu Y F, Gao L R, Zhang B, Zhao H N, Li J.2014.Real-time implementation of optimized maximum noise fraction transform for feature extraction of hyperspectral images. Journal of Applied Remote Sensing, 8 (1): 084797 DOI: 10.1117/1.JRS.8.084797.

Wu Y F, Li J, Gao L R, Tan X M, Zhang B.2015a.Graphics processing unit-accelerated computation of the Markov random fields and loopy belief propagation algorithms for hyperspectral image classification. Journal of Applied Remote Sensing, 9 (1): 097295 DOI: 10.1117/1.JRS.9.097295.

Wu Z B, Liu J F, Plaza A, Li J, Wei Z H.2015b.GPU Implementation of Composite Kernels for Hyperspectral Image Classification. IEEE Geoscience and Remote Sensing Letters, 12 (9): 1973–1977. DOI: 10.1109/LGRS.2015.2441631.

Yang B, Yang M H, Plaza A, Gao L R, Zhang B.2015.Dual-mode FPGA implementation of target and anomaly detection algorithms for real-time hyperspectral imaging. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2950–2961. DOI: 10.1109/JSTARS.2015.2388797.

Yang H, Du Q, Chen G S.2012.Particle swarm optimization-based hyperspectral dimensionality reduction for urban land cover classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5 (2): 544–554. DOI: 10.1109/JSTARS.2012.2185822.

Yang H, Du Q, Su H J, Sheng Y H.2011.An efficient method for supervised hyperspectral band selection. IEEE Geoscience and Remote Sensing Letters, 8 (1): 138–142. DOI: 10.1109/LGRS.2010.2053516.

Yang K M, Liu S W, Wang L W, Yang J, Sun Y Y, He D D.2014.An algorithm of spectral minimum shannon entropy on extracting endmember of hyperspectral image. Spectroscopy and Spectral Analysis, 34 (8): 2229–2233. DOI: 10.3964/j.issn.1000-0593(2014)08-2229-05. ( 杨可明, 刘士文, 王林伟, 杨洁, 孙阳阳, 何丹丹. 2014. 光谱最小信息熵的高光谱影像端元提取算法. 光谱学与光谱分析, 34 (8): 2229–2233. DOI: 10.3964/j.issn.1000-0593(2014)08-2229-05. )

Yang S M. Band Selection Algorithm of Hyperspectral Image based on Clonal Selection Algorithm. Wuhan: Huazhong University of Science and Technology 2011 . ( 杨三美. 2011. 基于克隆选择算法的高光谱图像波段选择. 武汉: 华中科技大学 . )

Yang S Y, Jin H H, Yang L X, Xu W H, Jiao L C.2014.Compressive sensing-inspired dual-sparse SLFNN for hyperspectral imagery classification. IEEE Geoscience and Remote Sensing Letters, 11 (1): 220–224. DOI: 10.1109/LGRS.2013.2253443.

Yang W. Target Detection on Hyperspectral Imagery based on Transformation of Spectral Dimensions. Beijing: University of Chinese Academy of Sciences 2012 . ( 杨威. 2012. 高光谱图像目标实时探测模式研究与实现. 北京: 中国科学院研究生院 . )

Yu H Y, Gao L R, Li J, Li S S, Zhang B, Benediktsson J A.2016.Spectral-spatial hyperspectral image classification using subspace-based support vector machines and adaptive markov random fields. Remote Sensing, 8 (4): 355 DOI: 10.3390/rs8040355.

Zare A, Gader P.2007.Sparsity promoting iterated constrained endmember detection in hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 4 (3): 446–450. DOI: 10.1109/LGRS.2007.895727.

Zhan X. Study on Spectral Unmixing based on Sail Model. Wuhan: Huazhong University of Science and Technology 2009 . ( 展昕. 2009. 基于SAIL模型的光谱解混研究. 武汉: 华中科技大学 . )

Zhang B.2011.Intelligent remote sensing satellite system. Journal of Remote Sensing, 15 (3): 415–431. ( 张兵. 2011. 智能遥感卫星系统. 遥感学报, 15 (3): 415–431. )

Zhang B, Chen Z C, Zheng L F, Tong Q X, Liu Y N, Yang Y D, Xue Y Q.2004.Object detection based on feature extraction from hyperspectral imagery and convex cone projection transform. Journal of Infrared and Millimeter Waves, 23 (6): 441–445. ( 张兵, 陈正超, 郑兰芬, 童庆禧, 刘银年, 杨一德, 薛永祺. 2004. 基于高光谱图像特征提取与凸面几何体投影变换的目标探测. 红外与毫米波学报, 23 (6): 441–445. )

Zhang B, Gao J W, Gao L R, Sun X.2013a.Improvements in the ant colony optimization algorithm for endmember extraction from hyperspectral images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6 (2): 522–530. DOI: 10.1109/JSTARS.2012.2236821.

Zhang B, Gao L R. Hyperspectral Image Classification and Target Detection. Beijing: Science Press 2011 . ( 张兵, 高连如. 2011. 高光谱图像分类与目标探测. 北京: 科学出版社 . )

Zhang B, Jia X P, Chen Z C, Tong Q X.2006.A patch-based image classification by integrating hyperspectral data with GIS. International Journal of Remote Sensing, 27 (15): 3337–3346. DOI: 10.1080/01431160500409577.

Zhang B, Li S S, Jia X P, Gao L R, Peng M.2011a.Adaptive markov random field approach for classification of hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 8 (5): 973–977. DOI: 10.1109/LGRS.2011.2145353.

Zhang B, Li S S, Wu C S, Gao L R, Zhang W J, Peng M.2013b.A neighbourhood-constrained k-means approach to classify very high spatial resolution hyperspectral imagery. Remote Sensing Letters, 4 (2): 161–170. DOI: 10.1080/2150704X.2012.713139.

Zhang B, Shen Q, Li J S, Zhang H, Wu D.2009.Retrieval of three kinds of representative water quality parameters of Lake Taihu from hyperspectral remote sensing data. Journal of Lake Sciences, 21 (2): 182–192. DOI: 10.18307/2009.0205. ( 张兵, 申茜, 李俊生, 张浩, 吴迪. 2009. 太湖水体3种典型水质参数的高光谱遥感反演. 湖泊科学, 21 (2): 182–192. DOI: 10.18307/2009.0205. )

Zhang B, Sun X.2015.Unmixing of Hyperspectral Images. Beijing:Science Press : ( 张兵, 孙旭. 2015. . 高光谱图像混合像元分解 : )

Zhang B, Sun X, Gao L R, Yang L.2011b.Endmember extraction of hyperspectral remote sensing images based on the discrete particle swarm optimization algorithm. IEEE Transactions on Geoscience and Remote Sensing, 49 (11): 4173–4176. DOI: 10.1109/TGRS.2011.2131145.

Zhang B, Sun X, Gao L R, Yang L.2011c.Endmember extraction of hyperspectral remote sensing images based on the ant colony optimization (ACO) algorithm. IEEE Transactions on Geoscience and Remote Sensing, 49 (7): 2635–2646. DOI: 10.1109/TGRS.2011.2108305.

Zhang B, Yang W, Gao L R, Chen D M.2012a.Real-time target detection in hyperspectral images based on spatial-spectral information extraction. EURASIP Journal on Advances in Signal Processing, 2012 : 142 DOI: 10.1186/1687-6180-2012-142.

Zhang B, Zhuang L, Gao L R, Luo W F, Ran Q, Du Q.2014b.PSO-EM:A hyperspectral unmixing algorithm based on normal compositional model. IEEE Transactions on Geoscience and Remote Sensing, 52 (12): 7782–7792. DOI: 10.1109/TGRS.2014.2319337.

Zhang G Y, Jia X P, Hu J K.2015a.Superpixel-based graphical model for remote sensing image mapping. IEEE Transactions on Geoscience and Remote Sensing, 53 (11): 5861–5871. DOI: 10.1109/TGRS.2015.2423688.

Zhang L, Li D, Tong Q, Zheng L.1998.Study of the spectral mixture model of soil and vegetation in Poyang Lake area, China. International Journal of Remote Sensing, 19 (11): 2077–2084. DOI: 10.1080/014311698214875.

Zhang L, Wu B, Huang B, Li P.2007.Nonlinear estimation of subpixel proportion via kernel least square regression. International Journal of Remote Sensing, 28 (18): 4157–4172. DOI: 10.1080/01431160600993454.

Zhang L F, Zhang L P, Tao D C, Huang X.2012b.On combining multiple features for hyperspectral remote sensing image classification. IEEE Transactions on Geoscience and Remote Sensing, 50 (3): 879–893. DOI: 10.1109/TGRS.2011.2162339.

Zhang Y X, Du B, Zhang L P.2015b.A sparse representation-based binary hypothesis model for target detection in hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, 53 (3): 1346–1354. DOI: 10.1109/TGRS.2014.2337883.

Zhang Y X, Zhang L P, Du B, Wang S G.2015c.A nonlinear sparse representation-based binary hypothesis model for hyperspectral target detection. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2513–2522. DOI: 10.1109/JSTARS.2014.2368173.

Zhao C H, You W, Wang Y L and Wang J.2015.GPU implementation for real-time hyperspectral anomaly detection//Proceedings of the 2015 IEEE International Conference on Digital Signal Processing.Singapore:IEEE:940-943[DOI:10.1109/ICDSP.2015.7252015].

Zhao Y D, Zhang L P, Li P X.2006.A texture classification algorithm based on feature fusion. Geomatics and Information Science of Wuhan University, 31 (3): 278–281. ( 赵银娣, 张良培, 李平湘. 2006. 一种纹理特征融合分类算法. 武汉大学学报.信息科学版, 31 (3): 278–281. )

Zhong P, Wang R S.2008.Learning sparse CRFs for feature selection and classification of hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 46 (12): 4186–4197. DOI: 10.1109/TGRS.2008.2001921.

Zhong P, Wang R S.2011.Modeling and classifying hyperspectral imagery by CRFs with sparse higher order potentials. IEEE Transactions on Geoscience and Remote Sensing, 49 (2): 688–705. DOI: 10.1109/TGRS.2010.2059706.

Zhong Y F, Zhang L P.2012.An adaptive artificial immune network for supervised classification of multi-/hyperspectral remote sensing imagery. IEEE Transactions on Geoscience and Remote Sensing, 50 (3): 894–909. DOI: 10.1109/TGRS.2011.2162589.

Zhou S. Research on the Application of Ant Colony Algorithm in the Dimentionality Reduction and Classification for Hyperspectral Image. Harbin: Harbin Institute of Technology 2010 . ( 周爽. 2010. 蚁群算法在高光谱图像降维和分类中的应用研究. 哈尔滨: 哈尔滨工业大学 . )

Zhuang L, Zhang B, Gao L R, Li J, Plaza A.2015.Normal endmember spectral unmixing method for hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (6): 2598–2606. DOI: 10.1109/JSTARS.2014.2360888.