Le désentrelacement hyperspectral (HU) est une technique clé pour résoudre les pixels mixtes et caractériser les composants de la couverture terrestre. Bien que la décomposition matricielle non négative profonde (DNMF) affiche d’excellentes performances dans le HU, les méthodes existantes se concentrent principalement sur la modélisation de l’abondance, négligeant l’extraction de caractéristiques multiniveaux des endmembers et montrant une capacité insuffisante de représentation non linéaire, ce qui limite la précision du désentrelacement. Ainsi, cet article propose un cadre DNMF orienté vers l’analyse hiérarchique des endmembers, incorporant une contrainte d’orthogonalité inter-couches dans l’espace des endmembers et une régularisation dynamique sparse affinant l’abondance. Premièrement, une décomposition multiniveau des endmembers améliore l’expression des caractéristiques non linéaires du spectre ; deuxièmement, un mécanisme d’orthogonalité du sous-espace guidé par la distance minimale améliore la séparabilité des endmembers, en synergie avec une stratégie de parcimonie pondérée dynamique qui renforce la cohérence spatiale de l’estimation de l’abondance ; enfin, un algorithme d’optimisation hiérarchique en deux étapes est construit, basé sur une initialisation grossière pré-entraînée et un ajustement fin rétro-propagé à travers les couches. Des expériences menées sur deux ensembles de données synthétiques et quatre ensembles réels montrent que la méthode atteint des valeurs de SAD de 0,0042 à 0,0782 et de RMSE de 0,0140 à 0,0925 sous différents rapports signal sur bruit, surpassant les méthodes de comparaison respectivement de 1,42% à 5,64% et de 1,87% à 6,48%, validant ainsi sa précision et sa robustesse.

désentrelacement hyperspectral; décomposition matricielle non négative profonde; discrimination des endmembers; contrainte d’orthogonalité; régularisation parcimonieuse hiérarchique