1.一种空谱融合的高光谱影像混合像元低秩稀疏分解方法，其特征在于，包括以下步骤：归一化高光谱影像数据，采用线性迭代聚类法，生成超像素；

查找超像素的局部块的丰度矩阵，构造低秩约束表达项，加入全变分空间正则项，加入数据保真项，获得目标函数，包括以下步骤：r×c,bands

获取并转化归一化后高光谱立方体数据为二维矩阵，转化后Y∈R ，ηi(X)代表第i个超像素的丰度矩阵，其中，N＝r×c代表高光谱图像中的像素数，bands是高光谱图像的波段数，ηi(·)代表第i个超像素的位置信息；

按照列矩阵划分超像素的丰度矩阵，ηi(X)＝[ηi(X)1；ηi(X)2；...；ηi(X)s]，其中ηi(X)j是第i个超像素的丰度矩阵中的第j子矩阵；

增加低秩约束， 表示ηi(X)j的再加权的核范数 ,具体为其中σ,w为奇异值和权值；

r,c,m r,c,m

转化二维丰度矩阵为三维丰度矩阵，转化后X∈R ，X∈R 中的m是字典中的端元数；

引入全变分空间正则器，计算每个端元的丰度图水平和竖直方向的梯度值的绝对值的和，||HX||1代表全变分空间正则器， 中的j是i的一阶邻域；

增加非约束项到所述三维丰度矩阵，其中，目标函数为+

lR (X)是指示函数，该指示函数的作用为保证求解为正；

引入若干辅助变量分裂目标函数，采用增广拉格朗日转化有约束的优化问题为无约束的优化问题，包括以下步骤：分裂目标函数的变量，引入辅助变量矩阵V1,V2,V3,V4,V5和U转化目标函数为有约束的优化问题；

对目标函数拉格朗日增广，转化有约束的优化问题为无约束的优化问题，其中，增广后的目标函数为T

V≡(V1,V2,V3,V4,V5),D≡(D1,D2,D3,D4,D5)采用交替迭代算法求解目标函数，获得评估确认的丰度图，包括以下步骤：获得辅助变量以及拉格朗日乘子；

初始化辅助变量以及拉格朗日乘子，设置迭代停止的阈值和迭代次数；

计算子优化问题得到最小值时对应的辅助变量值；

(k+1) (k) (k+1) (k+1)更新对应辅助变量的拉格朗日乘子D ←D ‑GU ‑BV ，迭代次数加一；

(k+1) (k+1)

计算残差res＝GU +BV ，取res的F范数，对比分析设置的阈值或者迭代次数k，停止算法，输出最终的丰度矩阵U；

所述计算子优化问题得到最小值时对应的辅助变量值进一步包括以下步骤：求解辅助变量U，其中，是为了解决下列优化问题求出U的偏导以及偏导为零的值，其中，结果为(k+1) T ‑1 T

U ←(AA+3I) (Aξ1+ξ2+ξ4+ξ5)其中 其中K为迭代

次数；

求解辅助变量V1,其中，即求解下列优化问题求解辅助变量V2,其中，即求解下列优化问题求解辅助变量V3,其中，即求解下列优化问题soft(·,τ)代表是软阈值函数soft(u,a)≡sign(u)max{|u|‑a,0}；

求解辅助变量V4,其中，即求解下列优化问题T T

这里Sw,τ(X)＝U(Σ‑τdiag(w))+V是加权奇异值阈值收缩算法，U∑V是X奇异值分解的过程(x)+＝max{x,0}，权值 是上一代奇异值的倒数，并且在第一代权值是

1；

求解辅助变量V4,其中，求解下列优化问题

2.根据权利要求1所述的一种空谱融合的高光谱影像混合像元低秩稀疏分解方法，其特征在于，所述归一化高光谱影像数据，采用线性迭代聚类法，生成超像素的步骤包括以下步骤：确认期望获得的超像素数量number及欧氏距离与光谱距离的权重weight，在高光谱图像对应空间尺寸的特征图上，均匀地等间距地初始化number个种子点，调整种子点到周围3×3邻域内光谱梯度变化缓慢的像素位置；

获取以种子点为中心，与相邻种子点两个步长为边长的方形邻域，计算种子点与待聚类像素的光谱距离和空间距离；

筛选出满足阈值要求的像素；

聚类满足阈值要求的所述像素，并标记为已聚类；

反映结果信息到特征图，具体的距离度量如下：其中，

(ai,bi)，(aj,bj)分别是第i，j个像素的空间坐标，yi，yj是第i，j个像素对应的光谱向2

量，area＝(r×c)/(number)，r，c分别是高光谱图像空间维度上的长和宽；

查找并合并未聚类的像素点，重新平均同一个超像素点的光谱，获取新的聚类中心；

获取连续两次聚类中心光谱不发生明显变化的信息，获得特征图，分割完成。