高光谱遥感图像通常包含上百个波段的信息,光谱分辨率高。由于地物的复杂性及遥感器空间分辨率低,因此高光谱图像中存在着大量的混合像元。混合像元的存在对于传统的像元级遥感分类精度以及目标检测会造成一定的误差与影响,不能真实地反映地物覆盖情况,混合像元分解是解决上述问题的重要途径,其中关键步骤是端元提取。此外,由于高光谱图像数据量过多,而MapReduce技术是一种用于大数据量并行处理的编程模型,因此本文研究基于非监督分类与凸面几何学理论,提取高光谱图像中的端元并给出并行化实现方案,主要研究的内容及成果如下:(1)本文主要针对高光谱图像端元提取进行研究,将非监督分类与端元提取相结合,提出了基于非监督分类与凸面几何学理论的高光谱图像端元提取算法。首先针对图像上不同地物的光谱信息利用二分K-means聚类算法对高光谱数据进行非监督分类,按照其物质特性将性质相近的像元聚在同一类中,同一类中的像元具有相似的光谱特征,而不同类中像元的光谱信息差异较大。其次,使用二分K-means聚类算法对高光谱图像进行分类,避免了初始聚类中心随机选取导致分类结果不同,从而影响端元提取的精确率;同时,根据光谱信息熵理论,计算并选取每类中光谱信息熵较小的像元加入候选端元集与初始端元集,根据凸面几何学理论,计算单形体体积,体积最大的单形体顶点处的像元为所求端元,以上方法能对高光谱图像中的端元进行快速、有效的提取。(2)高光谱数据量大,传统的二分K-means聚类算法在对高光谱数据进行非监督分类时会占用大量的时间以及空间,为解决上述问题,本文提出对二分K-means聚类算法进行并行化处理。另外,在进行单形体体积计算时,由于涉及到大量的矩阵乘法以及行列式的操作,这些操作会占用空间以及算法运行的时间,降低端元提取算法的运行效率,基于以上问题本文提出并行化处理高光谱图像端元提取的算法,使二分K-means聚类算法与矩阵乘法以及行列式计算均在MapReduce框架下进行并行化处理,并给出并行化方案。实验结果表明,对端元提取算法进行并行化处理会加快端元提取算法的时间,使空间使用率降低,同时具有可扩展性。