一、引言
高光谱成像技术凭借其能捕捉地表目标精细反射特性的能力，在地质勘探、精准农业、环境监测等众多领域发挥着关键作用。然而，受成像系统空间分辨率限制，高光谱图像中普遍存在混合像元，即单个像素包含多种地物信息，这严重影响了地物信息提取的准确性。混合像元分解成为解决这一问题的核心手段，而线性光谱混合模型（Linear Mixing Model, LMM）作为其中最基础且应用广泛的模型，为高光谱图像解混提供了重要的理论框架与技术支撑。
二、线性光谱混合模型的基本原理
（一）模型假设与数学表达
线性光谱混合模型基于一个关键假设：到达遥感传感器的光子仅与唯一地物发生作用，不同地物间不存在多次散射，混合像元的光谱是各端元光谱按丰度比例的线性叠加。其数学表达式为： [ y = \sum_{i=1}^{n} a_{i}x_{i} + \epsilon ] 其中，( y ) 表示混合像元光谱向量，( x_{i} ) 为第 ( i ) 个端元的光谱向量，( a_{i} ) 是第 ( i ) 个端元的丰度，满足丰度非负约束（( a_{i} \geq 0 )）和丰度和为一约束（( \sum_{i=1}^{n}a_{i}=1 )），( \epsilon ) 代表噪声项。这两个约束条件保障了丰度值的物理合理性，即端元在像元中的占比非负且总和为100%。
从宏观角度看，该模型认为反射面是地物规则混合且平整的，混合像元的形成主要源于成像光谱仪的低分辨率。在理想状况下，端元地物面积较大，光子与单一地物作用后进入传感器，各端元光谱线性组合形成混合像元光谱。
（二）模型求解方法
线性光谱混合模型的求解核心是端元提取与丰度估计。端元提取旨在从高光谱数据中确定纯净的地物光谱，常用方法包括基于几何的顶点成分分析（VCA）、像素纯度指数（PPI）等，这些方法通过寻找数据凸包顶点来确定端元。丰度估计则是在确定端元后，求解各端元在混合像元中的占比，常用的有最小二乘法，根据约束条件不同可分为无约束最小二乘法（ULS）、非负约束最小二乘法（NCLS）和全约束最小二乘法（FCLS）。附加约束条件能有效提高丰度反演的精度，例如全约束最小二乘法同时考虑丰度非负和丰度和为一约束，使解更符合实际物理意义。
三、线性光谱混合模型的优势与局限性
（一）优势
线性光谱混合模型具有结构简单、计算效率高、物理意义明确、普适性好等显著特点。其简单的数学形式便于理解与实现，能快速处理大规模高光谱数据。同时，该模型的物理意义清晰，与实际地物光谱混合的理想状况相契合，在米级以下空间分辨率的高光谱图像中，能较好地描述实际光谱混合现象，因此成为目前国内外研究最深入和应用最广泛的混合像元分解模型，也有利于与深度网络等现代技术结合实现自动化解混。
在实际应用中，基于线性光谱混合模型的解混方法能得到具有物理意义的结果，例如在水质监测中，可准确分析水体中各种污染物的光谱特征及其含量；在土壤含水量反演中，能将混合像元中的土壤光谱从其他地物光谱中分离出来，进而建立数学模型反演土壤含水量。
（二）局限性
尽管线性光谱混合模型应用广泛，但也存在明显局限性。其基本假设是混合像元中各端元之间的相互影响可忽略不计，这是一种粗略假设，未考虑光子与物体接触时的能量传递过程和多重散射现象。在实际场景中，当地物分布范围较小时，光子会与多个端元组分发生作用，产生非线性混合，此时线性模型的解混精度会大幅下降。此外，光照条件、地形变化以及大气等因素会导致成像光谱发生扰动，偏离地物真实光谱，降低了线性模型的适用性。
四、线性光谱混合模型的改进与发展
为克服线性光谱混合模型的局限性，国内外学者从多个角度进行了改进与拓展。
（一）模型修正与扩展
针对光谱扰动问题，研究人员提出了多种修正模型。例如，光谱扰动修正的LMM（SPC_LMM）通过引入光谱修正项来修正光谱扰动；扩展的LMM（ELMM）利用标量因子缩放端元光谱以模拟光谱扰动变化；还有研究将ELMM与PLMM结合，引入谱变异字典（SVD）纠正光谱扰动。这些修正模型能在一定程度上提高线性模型在复杂环境下的适用性。
（二）与其他方法结合
将核方法（如KLSOSP, KNCLS, KFCLS）与线性模型结合，在高光谱图像丰度反演中表现出优于传统方法的性能。核方法能将线性模型扩展到非线性空间，更好地处理实际场景中的非线性混合问题。此外，深度学习技术也逐渐应用于线性光谱混合模型的解混过程，通过深度展开架构和对抗学习，有效建模并处理高光谱图像中的光谱可变性，同时保持物理可解释性，如可解释的深度网络方法（IDNSVS），其解混精度优于传统方法。
（三）适用尺度与模型优化
有研究从辐射原理出发，探讨了模型的适用观测尺度，并提出了积分线性光谱混合模型，使模型能更好地适应不同观测尺度下的高光谱数据。针对固定端元影响精度的问题，提出了端元谱形的区域修正和端元子集的局域确定方法，即柔性光谱端元方式，提高了端元提取的准确性。
五、线性光谱混合模型的应用实例
（一）土壤含水量反演
土壤的光谱反射率随含水量变化显著，随着含水量增加，土壤对电磁波的吸收增强，反射率总体下降，尤其在近红外和中红外波段的水分吸收带，反射率下降明显。利用高光谱线性解混技术，可将混合像元中的土壤光谱从植被等其他地物光谱中分离出来。通过建立多元线性回归模型、偏最小二乘回归模型等数学模型，对分离出的土壤端元光谱进行分析，能准确反演土壤含水量，为农业灌溉、土壤墒情监测提供科学依据。
（二）高光谱图像目标嵌入
在军事等领域，由于实际光谱数据获取困难且具有保密性，研究人员采用光谱重建技术，通过RGB图像重建飞机等目标的光谱，再利用线性光谱混合模型将重建的前景高光谱图像嵌入到背景高光谱图像中，构建可检测多种类目标的高光谱数据集。例如，通过自制飞机RGB数据集，利用三维密集残差重建网络生成具有飞机目标的高质量前景高光谱图像，再结合线性模型完成目标嵌入，为目标检测算法的训练提供了关键数据支持。
六、结论与展望
线性光谱混合模型作为高光谱图像解混的基础模型，在过去几十年中得到了广泛研究与应用，为地物信息提取提供了重要技术手段。其简单高效的特点使其在众多领域发挥着不可替代的作用，但面对实际场景中的非线性混合、光谱扰动等问题，仍存在一定局限性。未来，线性光谱混合模型的发展方向将集中在与深度学习等前沿技术的深度融合，进一步提高模型对复杂场景的适应性和解混精度；加强模型的物理可解释性研究，确保解混结果不仅具有高精度，还符合实际物理意义；拓展模型在更多新兴领域的应用，如智慧城市建设、文物保护等，挖掘高光谱成像技术的更大潜力。随着研究的不断深入，线性光谱混合模型必将在高光谱遥感领域持续发挥重要作用，推动相关技术的进一步发展。