高光譜遙感是一種光學成像手段，本質上是模擬人和動物的眼睛。人的眼睛能夠感知物體的顏色、紋理，從而辨識物體的材質；響尾蛇的熱眼能夠感知高溫物體向外釋放的紅外線，從而快速定位獵物。而高光譜成像則是一套光譜維度的電磁波顯微鏡，它用納米級的分辨率覆蓋了從可見光到紅外光範圍內物體反射或者輻射的電磁波。遙感應用中的光譜感知，就像是給無人機、衛星等遙感平臺裝上了一雙具有光譜探測功能的眼睛。

高光譜遙感的核心思想是每種物質均有自己獨特的“光譜指紋”。早在19世紀初，人們在研究太陽光譜時，發現太陽內部發出的強光經過溫度比較低的太陽大氣層時，部分特定波長的電磁波會被大氣吸收。通過對太陽光的光譜進行分析，科研人員估算出太陽大氣層中含有氫、氦、氮等幾十種元素。近年來，隨着傳感器技術的發展，通過光譜分析與成像技術的結合，高光譜遙感已可實現地物光譜和空間信息的同時遠距離探測，被認爲是遙感技術誕生以來最重要的技術突破之一。

高光譜遙感的發展得益於圖譜合一的光譜成像技術的發展與成熟。光譜成像技術不僅對目標的空間特徵成像，同時對每個空間像元經過色散形成的幾十個乃至數百個波段的光譜進行成像。高光譜圖像的每個像素均可表示爲一條獨特的光譜曲線，能夠反映不同物質的光譜特徵。根據物質的光譜可以鑑別物質並確定它的化學組成和相對含量，因此，高光譜遙感在精準農業、資源調查、軍事偵察等領域均具有重大應用需求。

遙感應用中的光譜感知與實驗室裏的光譜分析存在很大差別。在實驗室環境下，研究人員可以構建固定的光源與探測傳感器，嚴格設計拍攝環境，使得測得的光譜純淨可靠。然而，在遙感應用環境下，光譜成像儀測得的地物光譜會受到大氣、光照氣候條件、拍攝環境等諸多因素的影響。高光譜遙感圖像中的光譜反射值往往難以真實反映地物的光譜反射率，甚至可能包含嚴重的失真與畸變，獲取地物純淨的光譜特徵極其困難。如何準確感知地物的真實光譜是高光譜遙感技術發展的核心難題之一。

地物純淨光譜的精確提取是實現地物光譜準確感知的前提。儘管現有高光譜本徵分解方法能較好地抑制圖像噪聲、光照變化等因素對地物光譜的影響，但考慮到不同外界干擾因素對高光譜圖像地物光譜的影響機理不同，現有的本徵光譜特徵提取方法無論是在模型還是在方法上仍存在諸多侷限性。地物純淨光譜特徵的提取仍面臨如下挑戰性難題。

1. 在光照不均、雲霧遮擋、噪聲干擾、分辨率下降、圖像模糊等不同因素影響下，地物的光譜退化機理不清；現有高光譜圖像本徵分解方法僅能在一定程度上克服光照不均導致的光譜變化問題。針對其他不同類型的圖像退化因素，分析不同干擾因素對地物純淨光譜的影響機理，是準確構建高光譜圖像光譜退化模型的前提。

2. 單一的本徵分解乘性模型無法對不同干擾因素導致的地物光譜變化準確建模。不僅場景亮度、地物的紋理和三維結構會對地物光譜造成影響，圖像噪聲、雲霧等因素的干擾同樣會導致獲取的地物光譜信息發生變化。傳統的本徵分解乘性模型無法對不同類型因素導致的光譜變化進行建模，導致在複雜成像環境與場景下，地物純淨光譜的提取仍存在諸多難題。構建更復雜的圖像光譜退化模型，是設計高光譜圖像光譜準確表徵方法的基礎。

3. 近年來，深度學習不僅在模式識別、人工智能領域取得了廣泛應用，在圖像去霧、去噪等圖像處理任務中同樣獲得了很好的性能。但是傳統基於深度學習的圖像復原方法，在未結合高光譜圖像自身特性的情形下，難以直接應用於高光譜圖像本徵分解。高光譜圖像自身的空間與光譜結構先驗在本徵光譜特徵提取過程中發揮了至關重要的作用。因此，如何構建知識引導與數據驅動相結合的高光譜圖像本徵特徵提取網絡，是高光譜圖像本徵分解領域的重要發展方向。

高光譜圖像的光譜特徵提取具有十分重要的意義。傳統的光譜特徵提取方法主要分爲兩種，一種是選取一些具有辨識度的譜段來描述典型地物的光譜特性，如植被覆蓋指數、水體指數等；另一種是通過主成分分析、獨立成分分析、流形學習等手段對光譜特徵進行變換，提升特徵的可分性。這些方法的問題是沒有考慮到地物的光譜在遙感成像的過程中會受到場景光照、地物形狀與紋理、圖像噪聲以及雲霧遮擋等因素的干擾。因此，傳統的高光譜圖像特徵提取方法均難以從根本上解決“同物異譜”“同譜異物”的難題。

近年來，研究人員發現通過高光譜圖像本徵分解，能夠將高光譜圖像分解爲純淨的光譜反射率圖與亮度圖。亮度圖包含了場景的光照變化、地物的紋理結構等會對地物光譜產生影響的干擾信息，將亮度圖從原始高光譜圖像中分離出來，得到的光譜反射率圖作爲地物的純淨光譜特徵，能夠顯著提升遙感圖像地物分類的精度。本徵分解爲遙感應用中地物光譜的準確感知提供了新的研究思路，但仍存在諸多挑戰難題。