针对高光谱图像中含有大量混合像元，且大多数解混算法未能利用真实地物信息的问题，提出了一种利用先验信息约束的非负矩阵分解方法对高光谱进行解混。首先利用顶点成分分析法和全约束最小二乘法分别对端元矩阵和丰度矩阵进行初始化，然后利用本文算法对高光谱数据进行解混，最后对估计端元和估计丰度进行评价分析。实验显示，利用本文提出的方法对数据解混的结果优于其他约束的非负矩阵分解算法得到的结果，在求解过程中有很好的抗噪性能。

高光谱图像分离matlab代码使用微扰线性混合模型进行具有光谱可变性的高光谱解混 描述：与描述的方法相关的 Matlab 代码 P.-A. Thouvenin, N. Dobigeon 和 J.-Y. Tourneret -使用扰动线性混合模型IEEE Trans对光谱可变性进行高光谱解混。 信号处理，卷。 64，没有。 2，第 525-538 页，2016 年 1 月。 作者： P.-A. Thouvenin, pierreantoine[dot]thouvenin[at]gmail[dot]com 实验：要在文章中报告的真实数据上运行具有代表性的实验示例，请配置并运行main.m脚本。 依赖关系：当前代码包括以下出版物中描述的 MATLAB 函数，并由其作者开发。 [1] JM Nascimento 和 JM Bioucas-Dias -顶点分量分析：一种分离高光谱数据的快速算法， IEEE Trans。 地球科学。 遥感，卷。 43，没有。 4，第 898--910 页，2005 年 4 月。 [2] JM Bioucas-Dias 和 MAT Figueiredo -约束稀疏回

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前，主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好，但求解困难；L1 求解方便，但稀疏性差。提出一种近似稀疏模.型，并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中，将观测矩阵进行多层次稀疏分.解，提高非负矩阵分解高光谱解混的精度，提升算法的收敛性。仿真数据和真实数据实验表明：该算.法能够避免陷入局部极值，提高非负矩阵分解高光谱解混性能，算法精度上比其他几种算法都有较大.的提升效果，RMSE 降低 0.001~1.676 7，SAD 降低 0.002~0.2443。

matlab开发-高光谱解混和去噪。高光谱混合噪声解混演示。

高光谱图像解混 数据集 Samon 高光谱图像解混 数据集 Samon

最小角回归matlab代码标题 用于高光谱端元提取的改进 GSEE 算法 抽象的 在高光谱解混文献中，端元提取主要使用三种方法进行处理，即统计、稀疏回归和几何。 大多数端元提取算法仅基于其中一种方法开发。 最近，已经提出了结合几何和统计特征的 GSEE（Geo-Stat Endmember Extraction）。 在本文中，我们提出了一种考虑去除噪声带的改进型 GSEE (MGSEE) 算法。 在建议的工作中，最小噪声分数 (MNF) 用于选择高 SNR 频段。 MGSEE 框架的强度使用合成和真实的基准数据集进行审查。 在本文中，我们表明通过在噪声去除步骤之前从 GSEE 获得所提出的算法大大降低了光谱角度误差 (SAE) 和光谱信息发散 (SID) 误差，从而表明其在分离问题中提取纯材料的重要性。 将这篇论文引用为 D. Shah 和 T. Zaveri，“用于高光谱端元提取的改进 GSEE 算法”，2020 年 IEEE 第 5 届计算通信与自动化国际会议 (ICCCA)，印度大诺伊达，2020 年，第 449-453 页，doi：10.1109/ICCCA49541 .202

高光谱解混的目的在于提取图像中的端元特征和丰度特征。由于高光谱图像空间分辨率低而存在大量混合像元,因此如何从混合像元中提取光谱特征和空间分布信息是高光谱解混面临的难题。基于非负矩阵分解的高光谱解混是一个不适定拟合问题,而且在处理过程中将立方体数据转化为矩阵会导致三维结构信息的丢失。利用最小体积单纯形空间稀疏性,提出一种基于最小体积稀疏正则的高光谱解混方法,能够挖掘出图像中光谱特性和丰度特征的内在关系,减少结构信息的丢失。将凸几何中的最小体积约束与非负矩阵分解相结合,并采用近似交替优化与交替方向乘子法设计出高效的求解算法。最后分别采用合成数据和真实数据进行仿真实验,结果表明该种算法能够有效地提取出高光谱图像的端元特征和丰度特征。

高光谱解混数据集（Urban），matlab的mat格式文件，Urban是高光谱分离研究中使用最广泛的高光谱数据之一。有307 x 307像素，每个像素对应 一个2 x 2 平方米的区域。在该图像中，存在210nm波长，范围从400nm到2500nm，光谱分辨率10nm。在通道 1--4,76,87,101-111,136--153和198-210被移除后（由于密集的水蒸气和大气效应），仍保留162个通道

高光谱解混数据集（Samson），具有156个通道的Matlab 格式数据，原始数据有952x 952像素。每个像素记录在156个通道上，覆盖401nm 至889nm的波长。光谱分辨率高达3.13 nm。由于原始图像太大，这在计算成本方面非常昂贵，因此使用95×95像素的区域。它从原始图像中的第（252,332）像素开始。此数据不会被空白通道或严重噪声通道降级。具体而言，该图像中有三个目标，分别是“＃1土壤”，“＃2树”和“＃3水”。

高光谱解混数据集（Japser Ridge），matlab的mat文件。原始数据有512 x 614 个像素。每个像素记录在范围从380nm到2500nm的224个通道中。光谱分辨率高达9.46nm。由于这个高光谱图像太复杂而无法得到基本事实，因此我们考虑100 x 100像素的子图像。第一像素从原始图像中的第（105,269）像素开始。在移除通道1--3,108-112,154-166和220-224后（由于密集的水蒸气和大气效应），我们保留了198个通道（这是HU分析的常见预处理）。