武汉大学测绘遥感信息信息工程国家重点实验室的RSIDEA（智能化遥感数据提取与分析）团队共享高光谱遥感影像的空间组稀疏正则化非负矩阵分解代码(Spatial Group Sparsity Regularized Nonnegative Matrix Factorization for Hyperspectral Unmixing, SGSNMF)，该方法由博士生王心宇和钟燕飞教授等发表于IEEE Transactions on Geoscience and Remote Sensing（vol. 55, no. 11，2017）。
       由于空间分辨率有限、地物分布复杂性等因素，高光谱遥感影像中存在大量的混合像元。混合像元问题不仅影响地物的识别和分类精度，而且是遥感技术向定量化发展的重要障碍。为了解决该类问题，国内外学者提出了VCA、MVCNMF、MVSA等基于几何的光谱分解方法。但该类方法仍然存在影像空间信息利用不足的问题。相比于上述方法，本文提出的SGSNMF方法，通过超像素分割处理建模地物的空间相关性，并利用空间组稀疏正则化约束挖掘丰度影像的结构化稀疏特性，有效解决了分解过程中空间信息利用不足的问题。
       该方法旨在挖掘丰度影像结构化的稀疏特性（邻域内光谱相似的混合像元具有结构相似的稀疏表达），提出的空间组稀疏约束（spatial group sparsity）同时建模地物分布的稀疏性以及空间相关性。由于其在优化过程中将空间与稀疏项同时建模，减少了模型优化时所需要的参数，提升了算法的适用性。相比于传统的基于L1、L1/2范数稀疏约束的混合像元分解方法，该方法可以实现空间上结构化的稀疏表达。其理想结构化分解效果如图1所示，其spatial groups通过改进的SLIC超像素分割技术定义。

图1. 结构化稀疏分解，其中矩阵A为端元光谱，矩阵Xi为SLIC分割方法获取的超像素，Si表示结构化稀疏丰度。

图2. 噪声敏感度分析，其中SNR={15,20,25,30,35,45,50}dB，所选用的对比方法为VCA，MVCNMF，ASSNMF，L1/2NMF。