简介面向高光谱遥感解混领域的算法研究与工程应用CoNMF.zip提供了一套完整的约束非负矩阵分解即CoNMF解混工具包。它主要适用于遥感图像处理、地物分类和环境监测等场景便于研究者理解并验证高光谱混合像元分解的完整流程也可作为相关课题的对比实验工具。压缩包内共30个文件其中包含18个Matlab源码脚本、6个光谱数据文件并提供针对真实矿物数据的演示程序与参考文档整体大小约20.21MB结构紧凑下载后即可运行。目前已有198人浏览学习适合对高光谱解混算法感兴趣的在校师生、科研人员及从事遥感应用开发的工程师。通过这一工具包可以获得算法实现、约束条件处理、端元提取与丰度估计环节的示例以及可复现的完整实验数据与测试脚本有助于快速上手并开展进一步改进与扩展。1. 高光谱像元混叠与 CoNMF 入手的切入点高光谱图像的空间分辨率通常在几十米到几米之间单个像元很容易同时覆盖植被、土壤、岩石等多种地物记录到的光谱是这些端元光谱按面积比例线性混合的结果。若不把这层混叠关系解开后续分类、定量反演和目标探测都会带上系统性误差。线性混合模型把观测矩阵 X 拆成端元矩阵 A 与丰度矩阵 S 的乘积标准 NMF 能在无监督条件下完成分解但它只保证非负性不保证物理可解释性解存在明显的缩放自由度。CoNMF 在 NMF 基础上增加丰度加和为一与端元矩阵行和两类约束把分解结果拉回物理合理的解空间。资源包里同时包含 SUNSAL 稀疏解混实现、USGS 光谱库剪枝数据、Cuprite 矿区参考丰度和多组 demo 脚本可以跑通从端元初始化、噪声估计到丰度验证的完整链路。全文按约束原理、数据预处理、代码走读和结果验证四层推进适合做高光谱遥感解混的研究者快速复现也适合把解混结果接入分类或目标检测流程的工程师参照。2. CoNMF 的约束设计与优化策略目标函数、更新迭代与 SUNSAL 互补2.1 标准 NMF 的尺度自由与 CoNMF 的两类约束标准 NMF 的目标函数只包含重建误差损失。设观测矩阵 X 维度为 L×N端元矩阵 A 为 L×P丰度矩阵 S 为 P×N目标函数写作最小化 ||X − AS||_F²约束为 A ≥ 0、S ≥ 0。问题在于如果 D 是一个正对角缩放矩阵那么 AS (AD)(D⁻¹S) 的重建误差与 AS 完全一致。也就是说端元向量的长度可以被任意放大丰度可以等比例缩小分解结果依然成立。这种尺度自由度在遥感场景中直接导致丰度失去物理含义——丰度不再是面积百分比无法用于后续定量分析。CoNMF 在目标函数里加入两个显式约束项一处面向端元矩阵 A一处面向丰度矩阵 S。丰度约束要求每个像元的丰度向量之和接近 1即 sum(S(:, i)) ≈ 1对应“一个像元内所有地物覆盖率总和为 100%”的物理事实。端元约束则要求端元矩阵的行和接近全 1 向量即 A·1_P ≈ 1_L。这个约束的作用是把端元光谱的数值范围固定下来让端元矩阵每一行的元素总和保持在同一辐射标定尺度上避免 VCA 初始化后端元能量漂移。两处约束共同作用既消除缩放自由度也压制迭代过程中端元光谱出现负反射率或过饱和值。2.1.1 conmf.m 中的目标函数与更新骨架conmf.m 的核心迭代结构在资源包中可以这样理解先对 A 做顶点成分分析初始化再对 S 做随机初始化之后交替固定一个矩阵去更新另一个。伪码层面的骨架如下% conmf.m 主体迭代骨架与资源包源码一致 % X: L×N 观测光谱矩阵P: 端元数量 % alpha: 端元行和约束权重beta: 丰度加和约束权重 A VCA(X, P); % 端元初始化顶点成分分析 S rand(P, size(X, 2)); % 丰度随机初始化确保列非零 for iter 1:options.maxiter % 固定 A更新 S投影梯度下降 gradS A * (A * S - X) beta * repmat(sum(S, 2), 1, size(X, 2)) - beta; S max(S - stepS * gradS, 0); % 非负投影 % 固定 S更新 A加入行和约束梯度 gradA (A * S - X) * S alpha * (A * ones(P, 1) - ones(L, 1)) * ones(1, P); A max(A - stepA * gradA, 0); % 非负投影 % 综合误差重建误差 两个约束项 res(iter) norm(X - A * S, fro) ... alpha * norm(A * ones(P, 1) - ones(L, 1), 2)^2 ... beta * norm(sum(S, 1) - ones(1, size(X, 2)), 2)^2; if res(iter) options.tol, break; end endgradS 里 beta 后面的项把丰度列和向 1 方向拉拽stepS 是步长。gradA 里的 alpha 项则把端元矩阵的行和向全 1 方向校正。max(x, 0) 是投影步保证 A 和 S 的非负性。这一步是 CoNMF 与普通梯度型 NMF 最明显的分界点普通 NMF 只有非负投影CoNMF 多了两个梯度偏置项需要同时调 alpha 和 beta 两个超参。2.2 目标函数各权重参数的物理含义alpha 和 beta 分别控制端元行和约束与丰度加和约束的强度。把 alpha 设得过大端元矩阵每一行的和会被强行压向 1这会压缩真实端元光谱的反射率幅值导致重建误差升高设得过小端元能量漂移问题又会出现解混结果在跨场景对比时不稳定。beta 过大的后果是丰度被均匀化原本稀疏的端元分布被拉成接近等比例分配beta 过小则丰度加和约束失效像元覆盖比例之和明显偏离 1。实际调参顺序一般先固定 beta 在 0.01 到 0.1 之间再对 alpha 做线性搜索观察重建误差和端元光谱平滑度。参数常规范围偏大时的症状偏小时的症状alpha0.011端元光谱幅值被压缩重建误差升高端元能量漂移跨帧不匹配beta0.0010.1丰度被均匀化稀疏性丢失丰度之和明显偏离 1maxiter5002000收敛变慢但更稳未收敛导致残差偏大tol1e-61e-4迭代次数过长提前停止约束项未稳定如果观察 res 曲线alpha 和 beta 都只有在最优区间内时重建误差和约束项才同时收敛。调参时我会把 res 拆成三个分量单独绘制哪一个分量不降就说明对应约束权重偏小哪一个分量降得过快就说明权重偏大压过了重建项。这个技巧比只看总误差曲线有效得多。2.3 SUNSAL 解混与 CoNMF 的互补关系SUNSAL 解决的是另一类问题给定一个已知光谱库从库中挑选少量端元来解释像元。它通过交替方向乘子法把数据保真项与稀疏正则项拆开迭代目标函数是 min (1/2)||X − A·S||_F² λ·||S||_1,1并支持丰度非负和加和为一约束。SUNSAL 的显著特征是不需要预先知道端元数量但需要光谱库足够完备库的完备性直接决定解混上限。CoNMF 则适合端元完全未知的场景从数据里同时估计端元矩阵与丰度矩阵。两种方法的适用范围正好互补。对比维度CoNMFSUNSAL光谱库依赖不需要端元从数据中学习需要预定义光谱库核心约束丰度加和为一端元行和归一l1 稀疏正则非负约束输出端元数需要预先指定或由 hysime 估计由稀疏度自动决定典型场景无监督解混、端元未知库已知的稀疏回归、像元分解资源包里同时出现 conmf.m 与 sunsal.m还有一个实用用法值得说明先跑 CoNMF 从数据中估计出一组端元矩阵 A再把 A 作为光谱库放进 SUNSAL用 SUNSAL 对新的观测像元做快速稀疏丰度估计。这样既规避了 CoNMF 在新增数据时需要重启迭代的问题也比直接用通用光谱库更贴合实测数据分布。演示脚本 core 步骤里sunsal 通常作为对比基线或后处理精化工具出现。3. 端元初始化与数据预处理USGS 光谱库剪枝、VCA 与 hysime3.1 资源包文件结构及各模块调用关系拿到 zip 解压后文件分为四类核心算法、辅助函数、实验数据、演示脚本。核心算法是 conmf.m 与 sunsal.m辅助函数里 VCA.m 做端元提取hysime.m 做端元数估计estNoise.m 做噪声协方差估计spectMixGen.m 用来生成模拟混合光谱数据部分包括 USGS_1995_Library.mat、USGS_pruned_3_deg.mat 到 USGS_pruned_30_deg.mat 四个剪枝光谱库以及 cuprite_ref.mat、Cuprite 矿区参考数据。align_matrices.m 用于把解混得到的端元顺序与参考库对齐这在结果验证阶段非常重要。文件功能定位调用关系conmf.mCoNMF 主算法接收 X、P、alpha、beta返回 A、Ssunsal.m稀疏解混实现接收光谱库与 X返回丰度矩阵VCA.m顶点成分分析输入 X 与端元数输出端元初值 A0hysime.m高光谱信号子空间识别输入 X 与噪声估计输出端元数 PestNoise.m噪声协方差估计供 hysime.m 内部调用align_matrices.m端元列重排按参考库对 A 的列顺序做匹配spectMixGen.m光谱混合生成器生成模拟 X 用于演示与评估cuprite_ref.matCuprite 矿区参考数据解混结果验证的基准运行顺序通常是用 estNoise 和 hysime 估计端元数量再用 VCA 提取初始端元然后交给 conmf 迭代精化。演示脚本 demo1 到 demo30 的差异集中在端元数量假设上正确端元数、过估计端元数、不同光谱库剪枝角度分别对应不同实验目的。先跑通 demo10_conmf_npp_p_correct.m 这类正确端元数的脚本再对比 demo1_conmf_npp_p_overestimated.m能直观看到端元数量假设对结果的影响。3.2 USGS 光谱库的剪枝逻辑与角度选择USGS_1995_Library.mat 是原始的 USGS 光谱库包含数百条矿物光谱。直接用全部光谱库做 SUNSAL 稀疏解混矩阵规模太大而且库里大量光谱高度相关会把稀疏约束推向随机选择导致解混结果不稳定。USGS_pruned_3_deg.mat 到 USGS_pruned_30_deg.mat 是经过光谱角度剪枝后的子集。剪枝逻辑是在光谱库中计算光谱角距离把与已选光谱角度差小于预设阈值的条目剔除保留在光谱空间上分布最分散的代表性矿物光谱。角度越小保留的条目越多库的粒度越细30_deg 的库最小计算速度最快但细粒度矿物可能被合并掉。实际使用时我一般先在 20_deg 或 30_deg 的库上跑 SUNSAL 做快速侦察确认场景主要矿物成分再用 3_deg 的库做精细解混。如果直接上 3_deg 库矩阵维度大SUNSAL 的迭代时间会成倍增加。另一个容易忽略的点是剪枝库与 Cuprite 数据的光谱匹配度USGS 库是实验室测量光谱波长范围和重采样方式需要与 AVIRIS 传感器数据保持一致资源包里的 cuprite_ref.mat 已经做过重采样处理所以演示脚本直接加载即可。3.3 VCA 端元提取与 hysime 噪声估计的配合VCA 的核心假设是高光谱数据的端元位于数据云的单形体顶点上。它通过不断投影寻找数据的最极端方向来提取端元效率高、对噪声相对鲁棒但不保证提取的端元是纯像元。hysime 则从信号噪声角度估计数据中的信号子空间维数这个维数可以近似理解为主要端元数量。两个算法的配合顺序是固定的先用 estNoise 估计噪声协方差矩阵再交给 hysime 计算信号子空间维数然后把维数作为 P 传入 VCA。下面的调用序列是演示脚本里的标准模式% demo10_conmf_npp_p_correct.m 中数据准备与初始化 load(USGS_1995_Library.mat); % 加载 USGS 光谱库 [X, M] spectMixGen(dirichlet, P, N); % 生成模拟混合像元 w estNoise(X); % 噪声协方差估计 [Phat, ~] hysime(X, w); % 信号子空间维数估计 A0 VCA(X, Phat); % 顶点成分分析提取端元初值hysime 输出的 Phat 并不总是与真实端元数一致。当场景中某些端元占比过低或者光谱极度相似时Phat 通常小于真实值。演示脚本里 demo10 到 demo30 按“正确端元数”运行正是为了让用户看到 Phat 与真实值一致时的解混效果demo1 则故意让端元数高于真实值观察 CoNMF 在过完备假设下的行为。这个对照设计对理解算法边界很有帮助。4. 从 demo 脚本到实际解混sunsal 基线对比与 conmf 迭代调参4.1 四组 demo 脚本的运行差异资源包里 demo1、demo10、demo20、demo30 四个脚本构成一组对照实验。demo10、demo20、demo30 的命名与端元数量假设有关都按“正确端元数”配置区别在于生成模拟数据时的光谱库剪枝角度——对应 USGS_pruned_10_deg.mat、20_deg、30_deg 三个不同粒度的库demo1 是 endmember 数量过估计的脚本命名中的 p_overestimated 直接点明了实验目的。运行顺序建议先跑 demo10 建立基线再跑 demo1 观察过估计行为最后切换剪枝角度看粒度影响。% demo10_conmf_npp_p_correct.m 脚本核心调用 % 在 MATLAB 命令行直接执行即可输出端元数与丰度图 [P, ~] hysime(X, w); % 自动估计端元数量 A0 VCA(X, P); % 端元初始化 S0 soft(A0 * X, 0.01); % 软阈值给出初始丰度 [A, S] conmf(X, A0, S0, 1, 0.05); % CoNMF 迭代解混 [S_sunsal] sunsal(A, X, LAMBDA, 0.001, POSITIVITY, yes, ADDONE, yes);demo1 与 demo10 的主要差别在第一行demo1 手动把端元数量从 P 改成 P k模拟 hysime 过估计时的情形。过估计时端元矩阵中会出现冗余列CoNMF 的丰度约束会把这些冗余列的丰度压到接近零但如果约束权重不够冗余端元会分散真实端元的丰度导致结果偏离。对比两个脚本的输出能直观看到这个现象。4.2 conmf 迭代循环与 sunsal 调用的代码走读conmf.m 的完整实现中有两处地方与简单梯度骨架不同。第一处是步长选择代码里每轮迭代会计算当前步长下的残差变化若目标函数没有下降就折半步长这比固定步长稳定得多尤其在目标函数含两个约束项时固定步长很容易震荡。第二处是收敛判断残差曲线同时监控重建误差与约束项变化源码里通过 residual 数组把所有分量累加起来数量级跨度过大时各分量并不平衡这时应分别观察每个分量。sunsal.m 的调用参数中需要重点理解三个选项。LAMBDA 控制稀疏惩罚强度值越大丰度矩阵越稀疏但过大会丢失弱端元POSITIVITY 强制丰度非负ADDONE 强制丰度加和为一。稀疏解混里真正的难点是 LAMBDA 的选取太小则光谱库中大量高相关光谱同时被激活太大则仅保留最强端元。常见做法是先生成模拟数据用若干 LAMBDA 值跑一遍 SUNSAL选重建误差与稀疏度平衡较好的值。4.3 端元数量偏差与约束权重取舍hysime 估计的端元数量不准确时CoNMF 的行为可以总结为三种模式。端元数偏少算法会把多种矿物合并成一个混合端元丰度图相关性显著下降端元数偏多冗余端元随机分布在丰度矩阵中占用本该属于真实端元的份额端元数恰好时约束项能最大程度发挥稳定作用。demo1 过估计实验里能看到一个有意思的现象如果 alpha 和 beta 权重足够大CoNMF 会把冗余端元的行和约束惩罚放大迫使冗余端元趋近零向量本质上实现了一次自动剪枝。端元数假设CoNMF 行为典型对策小于真实值端元合并丰度混叠检查 hysime 输入噪声增大噪声惩罚等于真实值约束效果最佳丰度接近参考保持默认权重微调 alpha大于真实值冗余端元占据部分丰度增大 beta或引入稀疏正则远大于真实值算法退化丰度分裂改用 SUNSAL 稀疏回归实际处理真实高光谱数据时端元数量估计错误是最常见的问题源。我的经验是先跑 VCA 提取端元光谱人为检查端元是否像真实地物光谱再做定量验证不要盲目信任 hysime 的输出。5. 用 Cuprite 参考数据验证解混结果光谱角距离与端元调优Cuprite 矿区是高光谱解混的经典验证场景资源包里的 cuprite_ref.mat 提供了参考端元和参考丰度。解混算法在合成数据上表现好不等于在真实数据上可靠必须用参考数据做定量验证。最常用的两个指标是光谱角距离SAD与丰度均方根误差RMSE。SAD 对幅度缩放不敏感适合评估端元光谱的波形匹配度RMSE 直接反映丰度数值偏离程度。计算前有一个关键步骤VCA 提取的端元列顺序与参考库不保证一致必须先做列对齐否则 SAD 计算完全没有意义。% 用 align_matrices 对齐端元列顺序后计算 SAD load(cuprite_ref.mat); % 加载参考端元 ref_A 和参考丰度 ref_S [order, ~] align_matrices(A, ref_A); % 按最大相关系数重排 A 的列 A_aligned A(:, order); % 对齐后的端元矩阵 S_aligned S(order, :); % 同步重排丰度行 sad zeros(1, size(A_aligned, 2)); for i 1:size(A_aligned, 2) sad(i) acosd(dot(A_aligned(:,i), ref_A(:,i)) / ... (norm(A_aligned(:,i)) * norm(ref_A(:,i)))); end fprintf(平均光谱角距离: %.2f 度\n, mean(sad));端元调优的核心技巧不是调 alpha 和 beta而是先确认端元顺序匹配。align_matrices.m 用相关系数矩阵做列匹配每次运行 VCA 的初始方向不同匹配结果可能在极端情况下出现列交换。如果 SAD 整体偏高但个别端元明显错位先怀疑排序问题再怀疑端元数量假设。排除排序干扰后若 SAD 仍大于 5 度我会回去检查 USGS 光谱库与传感器的波段匹配情况以及是否需要把模拟生成的 X 从合成数据换成真实数据重新初始化。本文还有配套的精品资源点击获取 高光谱解混实践：CoNMF约束NMF与SUNSAL稀疏回归的完整链路
简介面向高光谱遥感解混领域的算法研究与工程应用CoNMF.zip提供了一套完整的约束非负矩阵分解即CoNMF解混工具包。它主要适用于遥感图像处理、地物分类和环境监测等场景便于研究者理解并验证高光谱混合像元分解的完整流程也可作为相关课题的对比实验工具。压缩包内共30个文件其中包含18个Matlab源码脚本、6个光谱数据文件并提供针对真实矿物数据的演示程序与参考文档整体大小约20.21MB结构紧凑下载后即可运行。目前已有198人浏览学习适合对高光谱解混算法感兴趣的在校师生、科研人员及从事遥感应用开发的工程师。通过这一工具包可以获得算法实现、约束条件处理、端元提取与丰度估计环节的示例以及可复现的完整实验数据与测试脚本有助于快速上手并开展进一步改进与扩展。1. 高光谱像元混叠与 CoNMF 入手的切入点高光谱图像的空间分辨率通常在几十米到几米之间单个像元很容易同时覆盖植被、土壤、岩石等多种地物记录到的光谱是这些端元光谱按面积比例线性混合的结果。若不把这层混叠关系解开后续分类、定量反演和目标探测都会带上系统性误差。线性混合模型把观测矩阵 X 拆成端元矩阵 A 与丰度矩阵 S 的乘积标准 NMF 能在无监督条件下完成分解但它只保证非负性不保证物理可解释性解存在明显的缩放自由度。CoNMF 在 NMF 基础上增加丰度加和为一与端元矩阵行和两类约束把分解结果拉回物理合理的解空间。资源包里同时包含 SUNSAL 稀疏解混实现、USGS 光谱库剪枝数据、Cuprite 矿区参考丰度和多组 demo 脚本可以跑通从端元初始化、噪声估计到丰度验证的完整链路。全文按约束原理、数据预处理、代码走读和结果验证四层推进适合做高光谱遥感解混的研究者快速复现也适合把解混结果接入分类或目标检测流程的工程师参照。2. CoNMF 的约束设计与优化策略目标函数、更新迭代与 SUNSAL 互补2.1 标准 NMF 的尺度自由与 CoNMF 的两类约束标准 NMF 的目标函数只包含重建误差损失。设观测矩阵 X 维度为 L×N端元矩阵 A 为 L×P丰度矩阵 S 为 P×N目标函数写作最小化 ||X − AS||_F²约束为 A ≥ 0、S ≥ 0。问题在于如果 D 是一个正对角缩放矩阵那么 AS (AD)(D⁻¹S) 的重建误差与 AS 完全一致。也就是说端元向量的长度可以被任意放大丰度可以等比例缩小分解结果依然成立。这种尺度自由度在遥感场景中直接导致丰度失去物理含义——丰度不再是面积百分比无法用于后续定量分析。CoNMF 在目标函数里加入两个显式约束项一处面向端元矩阵 A一处面向丰度矩阵 S。丰度约束要求每个像元的丰度向量之和接近 1即 sum(S(:, i)) ≈ 1对应“一个像元内所有地物覆盖率总和为 100%”的物理事实。端元约束则要求端元矩阵的行和接近全 1 向量即 A·1_P ≈ 1_L。这个约束的作用是把端元光谱的数值范围固定下来让端元矩阵每一行的元素总和保持在同一辐射标定尺度上避免 VCA 初始化后端元能量漂移。两处约束共同作用既消除缩放自由度也压制迭代过程中端元光谱出现负反射率或过饱和值。2.1.1 conmf.m 中的目标函数与更新骨架conmf.m 的核心迭代结构在资源包中可以这样理解先对 A 做顶点成分分析初始化再对 S 做随机初始化之后交替固定一个矩阵去更新另一个。伪码层面的骨架如下% conmf.m 主体迭代骨架与资源包源码一致 % X: L×N 观测光谱矩阵P: 端元数量 % alpha: 端元行和约束权重beta: 丰度加和约束权重 A VCA(X, P); % 端元初始化顶点成分分析 S rand(P, size(X, 2)); % 丰度随机初始化确保列非零 for iter 1:options.maxiter % 固定 A更新 S投影梯度下降 gradS A * (A * S - X) beta * repmat(sum(S, 2), 1, size(X, 2)) - beta; S max(S - stepS * gradS, 0); % 非负投影 % 固定 S更新 A加入行和约束梯度 gradA (A * S - X) * S alpha * (A * ones(P, 1) - ones(L, 1)) * ones(1, P); A max(A - stepA * gradA, 0); % 非负投影 % 综合误差重建误差 两个约束项 res(iter) norm(X - A * S, fro) ... alpha * norm(A * ones(P, 1) - ones(L, 1), 2)^2 ... beta * norm(sum(S, 1) - ones(1, size(X, 2)), 2)^2; if res(iter) options.tol, break; end endgradS 里 beta 后面的项把丰度列和向 1 方向拉拽stepS 是步长。gradA 里的 alpha 项则把端元矩阵的行和向全 1 方向校正。max(x, 0) 是投影步保证 A 和 S 的非负性。这一步是 CoNMF 与普通梯度型 NMF 最明显的分界点普通 NMF 只有非负投影CoNMF 多了两个梯度偏置项需要同时调 alpha 和 beta 两个超参。2.2 目标函数各权重参数的物理含义alpha 和 beta 分别控制端元行和约束与丰度加和约束的强度。把 alpha 设得过大端元矩阵每一行的和会被强行压向 1这会压缩真实端元光谱的反射率幅值导致重建误差升高设得过小端元能量漂移问题又会出现解混结果在跨场景对比时不稳定。beta 过大的后果是丰度被均匀化原本稀疏的端元分布被拉成接近等比例分配beta 过小则丰度加和约束失效像元覆盖比例之和明显偏离 1。实际调参顺序一般先固定 beta 在 0.01 到 0.1 之间再对 alpha 做线性搜索观察重建误差和端元光谱平滑度。参数常规范围偏大时的症状偏小时的症状alpha0.011端元光谱幅值被压缩重建误差升高端元能量漂移跨帧不匹配beta0.0010.1丰度被均匀化稀疏性丢失丰度之和明显偏离 1maxiter5002000收敛变慢但更稳未收敛导致残差偏大tol1e-61e-4迭代次数过长提前停止约束项未稳定如果观察 res 曲线alpha 和 beta 都只有在最优区间内时重建误差和约束项才同时收敛。调参时我会把 res 拆成三个分量单独绘制哪一个分量不降就说明对应约束权重偏小哪一个分量降得过快就说明权重偏大压过了重建项。这个技巧比只看总误差曲线有效得多。2.3 SUNSAL 解混与 CoNMF 的互补关系SUNSAL 解决的是另一类问题给定一个已知光谱库从库中挑选少量端元来解释像元。它通过交替方向乘子法把数据保真项与稀疏正则项拆开迭代目标函数是 min (1/2)||X − A·S||_F² λ·||S||_1,1并支持丰度非负和加和为一约束。SUNSAL 的显著特征是不需要预先知道端元数量但需要光谱库足够完备库的完备性直接决定解混上限。CoNMF 则适合端元完全未知的场景从数据里同时估计端元矩阵与丰度矩阵。两种方法的适用范围正好互补。对比维度CoNMFSUNSAL光谱库依赖不需要端元从数据中学习需要预定义光谱库核心约束丰度加和为一端元行和归一l1 稀疏正则非负约束输出端元数需要预先指定或由 hysime 估计由稀疏度自动决定典型场景无监督解混、端元未知库已知的稀疏回归、像元分解资源包里同时出现 conmf.m 与 sunsal.m还有一个实用用法值得说明先跑 CoNMF 从数据中估计出一组端元矩阵 A再把 A 作为光谱库放进 SUNSAL用 SUNSAL 对新的观测像元做快速稀疏丰度估计。这样既规避了 CoNMF 在新增数据时需要重启迭代的问题也比直接用通用光谱库更贴合实测数据分布。演示脚本 core 步骤里sunsal 通常作为对比基线或后处理精化工具出现。3. 端元初始化与数据预处理USGS 光谱库剪枝、VCA 与 hysime3.1 资源包文件结构及各模块调用关系拿到 zip 解压后文件分为四类核心算法、辅助函数、实验数据、演示脚本。核心算法是 conmf.m 与 sunsal.m辅助函数里 VCA.m 做端元提取hysime.m 做端元数估计estNoise.m 做噪声协方差估计spectMixGen.m 用来生成模拟混合光谱数据部分包括 USGS_1995_Library.mat、USGS_pruned_3_deg.mat 到 USGS_pruned_30_deg.mat 四个剪枝光谱库以及 cuprite_ref.mat、Cuprite 矿区参考数据。align_matrices.m 用于把解混得到的端元顺序与参考库对齐这在结果验证阶段非常重要。文件功能定位调用关系conmf.mCoNMF 主算法接收 X、P、alpha、beta返回 A、Ssunsal.m稀疏解混实现接收光谱库与 X返回丰度矩阵VCA.m顶点成分分析输入 X 与端元数输出端元初值 A0hysime.m高光谱信号子空间识别输入 X 与噪声估计输出端元数 PestNoise.m噪声协方差估计供 hysime.m 内部调用align_matrices.m端元列重排按参考库对 A 的列顺序做匹配spectMixGen.m光谱混合生成器生成模拟 X 用于演示与评估cuprite_ref.matCuprite 矿区参考数据解混结果验证的基准运行顺序通常是用 estNoise 和 hysime 估计端元数量再用 VCA 提取初始端元然后交给 conmf 迭代精化。演示脚本 demo1 到 demo30 的差异集中在端元数量假设上正确端元数、过估计端元数、不同光谱库剪枝角度分别对应不同实验目的。先跑通 demo10_conmf_npp_p_correct.m 这类正确端元数的脚本再对比 demo1_conmf_npp_p_overestimated.m能直观看到端元数量假设对结果的影响。3.2 USGS 光谱库的剪枝逻辑与角度选择USGS_1995_Library.mat 是原始的 USGS 光谱库包含数百条矿物光谱。直接用全部光谱库做 SUNSAL 稀疏解混矩阵规模太大而且库里大量光谱高度相关会把稀疏约束推向随机选择导致解混结果不稳定。USGS_pruned_3_deg.mat 到 USGS_pruned_30_deg.mat 是经过光谱角度剪枝后的子集。剪枝逻辑是在光谱库中计算光谱角距离把与已选光谱角度差小于预设阈值的条目剔除保留在光谱空间上分布最分散的代表性矿物光谱。角度越小保留的条目越多库的粒度越细30_deg 的库最小计算速度最快但细粒度矿物可能被合并掉。实际使用时我一般先在 20_deg 或 30_deg 的库上跑 SUNSAL 做快速侦察确认场景主要矿物成分再用 3_deg 的库做精细解混。如果直接上 3_deg 库矩阵维度大SUNSAL 的迭代时间会成倍增加。另一个容易忽略的点是剪枝库与 Cuprite 数据的光谱匹配度USGS 库是实验室测量光谱波长范围和重采样方式需要与 AVIRIS 传感器数据保持一致资源包里的 cuprite_ref.mat 已经做过重采样处理所以演示脚本直接加载即可。3.3 VCA 端元提取与 hysime 噪声估计的配合VCA 的核心假设是高光谱数据的端元位于数据云的单形体顶点上。它通过不断投影寻找数据的最极端方向来提取端元效率高、对噪声相对鲁棒但不保证提取的端元是纯像元。hysime 则从信号噪声角度估计数据中的信号子空间维数这个维数可以近似理解为主要端元数量。两个算法的配合顺序是固定的先用 estNoise 估计噪声协方差矩阵再交给 hysime 计算信号子空间维数然后把维数作为 P 传入 VCA。下面的调用序列是演示脚本里的标准模式% demo10_conmf_npp_p_correct.m 中数据准备与初始化 load(USGS_1995_Library.mat); % 加载 USGS 光谱库 [X, M] spectMixGen(dirichlet, P, N); % 生成模拟混合像元 w estNoise(X); % 噪声协方差估计 [Phat, ~] hysime(X, w); % 信号子空间维数估计 A0 VCA(X, Phat); % 顶点成分分析提取端元初值hysime 输出的 Phat 并不总是与真实端元数一致。当场景中某些端元占比过低或者光谱极度相似时Phat 通常小于真实值。演示脚本里 demo10 到 demo30 按“正确端元数”运行正是为了让用户看到 Phat 与真实值一致时的解混效果demo1 则故意让端元数高于真实值观察 CoNMF 在过完备假设下的行为。这个对照设计对理解算法边界很有帮助。4. 从 demo 脚本到实际解混sunsal 基线对比与 conmf 迭代调参4.1 四组 demo 脚本的运行差异资源包里 demo1、demo10、demo20、demo30 四个脚本构成一组对照实验。demo10、demo20、demo30 的命名与端元数量假设有关都按“正确端元数”配置区别在于生成模拟数据时的光谱库剪枝角度——对应 USGS_pruned_10_deg.mat、20_deg、30_deg 三个不同粒度的库demo1 是 endmember 数量过估计的脚本命名中的 p_overestimated 直接点明了实验目的。运行顺序建议先跑 demo10 建立基线再跑 demo1 观察过估计行为最后切换剪枝角度看粒度影响。% demo10_conmf_npp_p_correct.m 脚本核心调用 % 在 MATLAB 命令行直接执行即可输出端元数与丰度图 [P, ~] hysime(X, w); % 自动估计端元数量 A0 VCA(X, P); % 端元初始化 S0 soft(A0 * X, 0.01); % 软阈值给出初始丰度 [A, S] conmf(X, A0, S0, 1, 0.05); % CoNMF 迭代解混 [S_sunsal] sunsal(A, X, LAMBDA, 0.001, POSITIVITY, yes, ADDONE, yes);demo1 与 demo10 的主要差别在第一行demo1 手动把端元数量从 P 改成 P k模拟 hysime 过估计时的情形。过估计时端元矩阵中会出现冗余列CoNMF 的丰度约束会把这些冗余列的丰度压到接近零但如果约束权重不够冗余端元会分散真实端元的丰度导致结果偏离。对比两个脚本的输出能直观看到这个现象。4.2 conmf 迭代循环与 sunsal 调用的代码走读conmf.m 的完整实现中有两处地方与简单梯度骨架不同。第一处是步长选择代码里每轮迭代会计算当前步长下的残差变化若目标函数没有下降就折半步长这比固定步长稳定得多尤其在目标函数含两个约束项时固定步长很容易震荡。第二处是收敛判断残差曲线同时监控重建误差与约束项变化源码里通过 residual 数组把所有分量累加起来数量级跨度过大时各分量并不平衡这时应分别观察每个分量。sunsal.m 的调用参数中需要重点理解三个选项。LAMBDA 控制稀疏惩罚强度值越大丰度矩阵越稀疏但过大会丢失弱端元POSITIVITY 强制丰度非负ADDONE 强制丰度加和为一。稀疏解混里真正的难点是 LAMBDA 的选取太小则光谱库中大量高相关光谱同时被激活太大则仅保留最强端元。常见做法是先生成模拟数据用若干 LAMBDA 值跑一遍 SUNSAL选重建误差与稀疏度平衡较好的值。4.3 端元数量偏差与约束权重取舍hysime 估计的端元数量不准确时CoNMF 的行为可以总结为三种模式。端元数偏少算法会把多种矿物合并成一个混合端元丰度图相关性显著下降端元数偏多冗余端元随机分布在丰度矩阵中占用本该属于真实端元的份额端元数恰好时约束项能最大程度发挥稳定作用。demo1 过估计实验里能看到一个有意思的现象如果 alpha 和 beta 权重足够大CoNMF 会把冗余端元的行和约束惩罚放大迫使冗余端元趋近零向量本质上实现了一次自动剪枝。端元数假设CoNMF 行为典型对策小于真实值端元合并丰度混叠检查 hysime 输入噪声增大噪声惩罚等于真实值约束效果最佳丰度接近参考保持默认权重微调 alpha大于真实值冗余端元占据部分丰度增大 beta或引入稀疏正则远大于真实值算法退化丰度分裂改用 SUNSAL 稀疏回归实际处理真实高光谱数据时端元数量估计错误是最常见的问题源。我的经验是先跑 VCA 提取端元光谱人为检查端元是否像真实地物光谱再做定量验证不要盲目信任 hysime 的输出。5. 用 Cuprite 参考数据验证解混结果光谱角距离与端元调优Cuprite 矿区是高光谱解混的经典验证场景资源包里的 cuprite_ref.mat 提供了参考端元和参考丰度。解混算法在合成数据上表现好不等于在真实数据上可靠必须用参考数据做定量验证。最常用的两个指标是光谱角距离SAD与丰度均方根误差RMSE。SAD 对幅度缩放不敏感适合评估端元光谱的波形匹配度RMSE 直接反映丰度数值偏离程度。计算前有一个关键步骤VCA 提取的端元列顺序与参考库不保证一致必须先做列对齐否则 SAD 计算完全没有意义。% 用 align_matrices 对齐端元列顺序后计算 SAD load(cuprite_ref.mat); % 加载参考端元 ref_A 和参考丰度 ref_S [order, ~] align_matrices(A, ref_A); % 按最大相关系数重排 A 的列 A_aligned A(:, order); % 对齐后的端元矩阵 S_aligned S(order, :); % 同步重排丰度行 sad zeros(1, size(A_aligned, 2)); for i 1:size(A_aligned, 2) sad(i) acosd(dot(A_aligned(:,i), ref_A(:,i)) / ... (norm(A_aligned(:,i)) * norm(ref_A(:,i)))); end fprintf(平均光谱角距离: %.2f 度\n, mean(sad));端元调优的核心技巧不是调 alpha 和 beta而是先确认端元顺序匹配。align_matrices.m 用相关系数矩阵做列匹配每次运行 VCA 的初始方向不同匹配结果可能在极端情况下出现列交换。如果 SAD 整体偏高但个别端元明显错位先怀疑排序问题再怀疑端元数量假设。排除排序干扰后若 SAD 仍大于 5 度我会回去检查 USGS 光谱库与传感器的波段匹配情况以及是否需要把模拟生成的 X 从合成数据换成真实数据重新初始化。本文还有配套的精品资源点击获取