摘要
?> 由于高光谱分辨率和广泛的观测能力，高光谱遥感技术得到了越来越多的应用。高光谱解混的目的是将混合像素分解为其对应的组分端元及其所属类别。该领域的核心研究方向包括如何构建专有光谱库以及如何优化相应的丰度图。然而，由于复杂地形和多变光照条件的影响，高光谱图像（HSI）表现出显著的光谱变异（SV），这会削弱传统解混方法的性能。在本文中，我们提出了一种基于SV和类别约束的扩散模型（SVCDM）来进行无监督高光谱解混，该模型结合了端元提取和丰度优化过程。具体而言，我们采用基于Dirichlet的变分自编码器从原始HSI中构建光谱库，并施加类别约束和先验分布，然后利用条件扩散模型来学习该分布。在反向过程中，端元在每个时间步长都会被迭代更新，从而提高多样性同时保持类别一致性。最后，将端元矩阵与原始HSI合成，以在线性混合假设下优化丰度图。所提出的SVCDM有效减轻了成像特性引起的光谱变异影响。实验结果表明，在合成数据集上，SVCDM的丰度图均方根误差（RMSE）为0.0371；在Samson数据集上，端元的光谱角映射（SAM）误差为0.0309，其性能优于现有的最先进高光谱解混方法，无论是合成数据集还是真实数据集。
?
