提出了一种基于线性混合模型的高光谱图像绿藻面积估计算法。利用端元提取算法, 自动获取图像中绿藻端元的光谱曲线, 根据得到的端元及原始图像, 通过全约束最小二乘算法, 求得绿藻端元的丰度图, 丰度图作为绿藻面积的估计结果。算法能够有效克服由于高光谱图像分辨率不足造成的绿藻面积估计不准确的问题, 实现亚像素水平的绿藻面积估计。利用2013年6月29日获取的GOCI传感器获取的8波段光谱图像展开实验, 计算得到当日绿藻覆盖面积为321 km2, 与HJ-1B卫星的实测结果高度接近, 相比于NDVI等传统算法具有明显优势。方法为绿藻灾害预警和监测提供了一条新的解决思路和技术途径, 具有较高的应用价值。

高光谱解混是学术界的一个难题, 稀疏高光谱解混指的是利用已知光谱库进行解混, 旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元, 并利用这些端元求解相应的端元丰度, 这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混, 但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法(ParetoSU), 将稀疏解混问题转化为一个两目标优化问题, 其中一个优化目标是建模误差, 另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题, 不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。