该算法首先对高光谱影像进行空间同质分析来提取同质指数，然后根据同质指数对稀疏回归解混模型中的空间正则项赋予不同权重，转化能更好地反映高光谱影像端元丰度分布的空间复杂性，而长者对高光谱混合像元的有效分解。模拟数据和真实数据的试验分析表明：本文提出的算法能更好地保持结果的稀疏性和丰度空间分布的平滑性，并且具有一定的抗噪性，提高了整体的解混精度。

稀疏回归框架已被许多工作引入，以解决线性光谱解混问题，这是因为与像素相比，通常与光谱库或整个高光谱数据集中的端成员相比，像素由较少的端成员进行混合。 传统的稀疏分解技术着重于在不合并空间信息的情况下分析高光谱图像的光谱特性。 但是，空间信息的集成将有利于提高线性分解过程的性能。 一种通过可变分裂增强拉格朗日和总变化量的稀疏分解算法（SUnSAL-TV），在最终的分解目标函数中除了稀疏性引起的正则化器之外，还增加了总变化量空间正则化器。 总变化空间正则化有助于提高分数丰度的平滑度。 但是，图像中的