用深度学习进行高光谱解混

1、什么是解混

与传统RGB彩色图像不同，高光谱图像是三维图像，其在空间维度外增加了光谱维度。高光谱图像的最大优势就在于它的光谱维度上的光谱特征，这也是其能够精确识别各种地物的最根本依据。
然而鱼和熊掌不可兼得，舍弃高空间分辨率换来了高光谱分辨率，空间维上的每一个像元的空间分辨率有些会达到5m，这就会出现每个像元中可能包含不止一种对象的情况，那如果在进行分类、检测、分割这些下游任务时，你的算法默认将每一个像元中的多个类别为一个类别，那这个效果可想而知了吧。

2、 方法研究

本人是深度学习（图像处理方向），研究的是基于高光谱处理的纯深度学习方法。
目前基于深度学习来做分为：自编码器、CNN、卷积自编码器方法。
使用深度学习来进行解混，将原始图像提取通过编码器深度语义特征后，可以得到丰度，解码器的权重就是端元。端元就是每个像元中包含的几种纯物质，丰度是端元占每个像元的分数比例。