Devido à incapacidade da decomposição matricial não negativa em múltiplas camadas de explorar plenamente as características espaço-espectrais das imagens hiperespectrais, bem como ao problema generalizado de ruído nessas imagens, este artigo propõe um novo algoritmo de separação baseado na reponderação espaço-espectral e na decomposição matricial não negativa esparsa em múltiplas camadas. Primeiro, um algoritmo de agrupamento de subespaço é utilizado para construir os pesos espaciais do espaço de características da imagem hiperespectral. Em seguida, utiliza-se um algoritmo de segmentação de superpixels para segmentar a imagem hiperespectral, calcula-se a similaridade entre superpixels, agrupa-se os superpixels usando o algoritmo KMEANS++ e, então, calcula-se a similaridade ao nível dos pixels dentro dos superpixels para construir os pesos espectrais. Os pesos espaciais e espectrais são fundidos, e os pesos espaço-espectrais fundidos são usados para representar a informação espaço-espectral da imagem hiperespectral. Posteriormente, o algoritmo SUnSAL é usado para calcular os pesos esparsos de redução de ruído, que podem reduzir efetivamente o impacto do ruído no desempenho da separação. Finalmente, a norma <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msub><mrow><mi>L</mi></mrow><mrow><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">4</mn></mrow></mfrac></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/29349215-BAB6-4328-845D-DDE0E9876A19-M001.jpg"/><?fx-imagestate width="3.04800010" height="3.38666677"?><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/29349215-BAB6-4328-845D-DDE0E9876A19-M001c.jpg"/><?fx-imagestate width="3.04800010" height="3.38666677"?></alternatives></inline-formula> é usada para restringir os endmembers e abundâncias do modelo, melhorando assim o desempenho da separação. Em comparação com os resultados experimentais de cinco algoritmos de separação, o algoritmo proposto obteve as melhores médias de distância angular espectral e erro quadrático médio no conjunto de dados sintéticos, além de bons resultados nos conjuntos de dados reais Jasper Ridge e Cuprite. A estimativa de erro dos endmembers do algoritmo proposto foi reduzida entre 1,49% e 4,68% e a estimação de erro de abundância entre 1,83% e 4,18% em todos os conjuntos de dados.

separação de imagens hiperespectrais; decomposição matricial não negativa multicamadas; pesos espaço-espectrais; redução de ruído; restrição esparsa