中文摘要：

针对高光谱遥感图像无损压缩比不可能达到很高的问题，本项目在前期研究工作的基础上，从提取端元特征信息的角度研究了高光谱遥感图像的有损压缩方法，重点解决无先验知识的端元光谱提取问题。首先，以线性光谱混合模型为假设，将高光谱数据转换到端元丰度域，从而使提取的特征具有明确的物理意义；通过贝叶斯信息准则（BIC）有效的估计高维数据的本征维数，为特征提取提供了必要的前提；利用独立成分分析（ICA）方法解决高光谱图像线性解混时，缺乏先验知识的问题；采用最大噪声分离（MNF）变换对ICA的数据预处理过程进行改进，可减小数据中噪声的干扰；ICA的具体实现采用了以一种近似负熵作为独立性度量的快速定点算法，迭代过程简单、收敛稳定的特点，尤其适用于对高维数据的处理；最后，利用统计特征对特征图像进行排序，并对目标信息与背景信息分别采用不同的压缩策略，从而在获得较高的压缩比的同时能够使小目标地物得到更可靠的保存。

结论摘要：

本项目研究按计划从降低数据维数的角度研究了高光谱遥感图像的压缩方法，重点解决了本征维数分析、稀有特征保持、端元特征提取等关键性问题。主要研究工作及成果有 (1) 系统地分析和总结了多种高光谱图像虚拟维数分析算法，提出了一种噪声抑制的虚拟维数分析算法，降低了数据计算量，增强了算法的抗噪性能，有效提高了虚拟维数分析的可靠性； (2) 研究了一种非线性学习方法——流形学习，并将其应用在高光谱维数分析中，提出了一类基于流形学习的高光谱图像降维算法，通过将其与线性降维方法比较，评价了所提算法的性能，为研究基于稀有空间保持的降维算法的提出打下了基础； (3) 深入研究了稀有特征保持的问题，实现了一种高效的高光谱图像降维新算法，该算法不仅能保持数据的主要成分特征，而且能保持一些用户感兴趣的小目标地物的稀有特征，同时还降低了信噪比变化对降维的影响，增强了保存数据的完备性，提高了压缩数据的质量； (4) 提出了一种联合空谱信息的高光谱图像端元特征提取方法，该方法在利用数据光谱信息的同时，也很好地利用了数据在图像空间上的相关性，从而弥补了现有端元提取算法存在的不足，改善了高光谱数据端元特征提取的效果。