《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Hyperspectral Sparse Unmixing via Joint Robust Spatial Priors and Weighted Total Variation Regularization
编辑推荐：
在高光谱遥感影像解混中，噪声和异常值严重影响解混精度并导致细节丢失。为解决此问题，研究人员聚焦于稀疏解混，提出了集成鲁棒空间先验和加权全变分（WTV）稀疏正则化的RSPWTV方法。该方法通过自适应加权机制和超像素引导预处理策略，有效抑制噪声、保持边缘结构，从而显著提升了复杂场景下的解混精度和鲁棒性。
在高光谱遥感领域，解读一幅影像如同解读一杯混合果汁的成分。每个像素点（像元）捕获的光谱信号，往往是地表多种物质（端元）光谱的混合体。将混合信号分解，精确识别出其中包含的物质及其比例（丰度），这个过程就是“高光谱解混”。然而，实际场景充满挑战：复杂的噪声干扰、异常的传感器读数（异常值），都会让解混结果失真，导致生成的物质分布图丢失重要的细节信息，比如田埂的边缘、不同地物的交界线。特别是在面对富含噪声和异常值的复杂环境时，许多传统方法的性能会大打折扣。因此，如何从充满“杂质”的信号中，更鲁棒、更精细地还原出地物的真实分布，成为了研究者们亟待攻克的关键难题。
为了回答上述问题，研究人员在鲁棒稀疏解混框架基础上，提出了一种集成鲁棒空间先验和加权全变分稀疏正则化（RSPWTV）的新方法。该方法的核心目标是从多个角度充分利用影像的空间信息，旨在提升解混精度的同时，增强对噪声和异常值的抵抗力，并有效保护影像中的边缘结构。论文《Hyperspectral Sparse Unmixing via Joint Robust Spatial Priors and Weighted Total Variation Regularization》已被《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》期刊接收发表。
为开展研究，作者主要采用了以下关键技术方法：首先，在鲁棒稀疏解混（RSU）基础框架上，构建了结合自适应加权机制的加权全变分（WTV）正则化模型。其次，设计了一种超像素引导的预处理策略，通过初步解混获取初始丰度估计，进而构建滤波器引导的加权稀疏先验，以在解混前平滑影像、减少噪声干扰。
研究结果主要包含以下几个部分：
- 1.
加权全变分正则化模型的构建：研究人员设计了一种创新的加权全变分（WTV）模型。该模型通过结合局部邻域内的光谱角相似性和空间邻近度信息，生成具有判别力的自适应权重因子。这些权重能够动态调节不同区域的光滑强度：在光谱均质的区域加强平滑以有效抑制噪声，而在边缘区域则减弱平滑作用，从而保护几何结构和细节不被模糊。这解决了传统全变分方法在去噪时容易导致边缘模糊的问题。
- 2.
超像素引导的预处理策略：为了进一步克服噪声在解混过程中的干扰，研究引入了超像素分割技术作为预处理步骤。具体而言，先对高光谱影像进行粗略解混，获得初始的端元丰度估计图。然后，利用这些初始丰度图来构建一个滤波器引导的加权稀疏先验。这个先验知识被用于对原始影像进行引导滤波，实现有针对性的平滑，从而在正式进行稀疏解混迭代之前，就显著削弱了噪声的影响，为后续步骤提供了更“干净”的输入。
- 3.
优化求解算法：针对提出的包含WTV正则项和鲁棒先验的复杂目标函数，研究采用了交替方向乘子法进行高效求解。该算法将复杂的优化问题分解为几个相对简单的子问题，通过迭代更新丰度矩阵、噪声矩阵以及拉格朗日乘子，最终收敛到模型的最优解，确保了算法的可行性和计算效率。
- 4.
实验验证与对比分析：研究在模拟数据集和真实高光谱数据集上进行了大量实验，将RSPWTV方法与多种先进的稀疏解混方法进行了对比。评价指标包括丰度估计的均方根误差和光谱角制图误差。实验结果表明，无论是在模拟的含噪场景下，还是在真实的复杂环境（如Urban和Jasper Ridge数据集）中，RSPWTV方法在解混精度上均优于其他对比方法。特别是在抑制噪声和异常值影响、同时保持丰度图边缘清晰度方面，展现了显著优势。可视化结果也证实，该方法生成的丰度图更接近真实情况，地物边界更为分明。
归纳研究的结论与讨论部分，本研究提出并验证的RSPWTV方法，通过联合利用鲁棒的空间先验知识和自适应的加权全变分正则化，为高光谱稀疏解混提供了一种更为有效的解决方案。其重要意义主要体现在三个方面：方法论上，它创新性地将光谱-空间联合的自适应权重机制与超像素引导的预处理相结合，实现了对影像空间信息更精细、更智能的利用；性能上，该方法显著提升了在噪声和异常值干扰下的解混鲁棒性，并能够更好地保持地物边缘细节，这对于需要精确分类和边界识别的应用至关重要；应用前景上，该研究为处理复杂环境下（如城市地区、矿产勘探、精准农业）的高光谱遥感数据提供了有力的工具，有助于从遥感影像中提取更可靠、更细致的地物成分信息，推动遥感定量反演和相关领域的发展。
