由于混合像元，导致普通的遥感仪器并不能得到目标的精度和达到期待的使用要求，于是，为了改善遥感仪器的使用精度，本文必须想办法解决混合像元的问题，将其分解，把像元级提高到亚像元级，这时候出现了所谓的“光谱分解”，简而言之，即把像元再次分解为更简单的单元，称之为“端元”，并且求得这些单元所占的比例。27284
现在把端元理解为遥感图像中的纯数据，将得到的数据中的纯数据提取出来，也就是所谓的“端元提取”，这样，就为高光谱图像的分解和分析提供了基础，于是目前大量的研究围绕端元提取展开。
1999年，Winter[9]提出了N．FINDR的端元提取算法；1995年，Boardman、Kruse、Green[10]提出了纯净像元指数端元提取算法PPI。2004年，耿修瑞和张兵[11]等人提出了一种基于高文空间的凸面单形体体积的高光谱图像混合像元分解算法；2007年，武大褚海峰和瞿中敏[12]等人提出了一种自动选择最佳凸锥角点的方法，且把它在传统的凸锥的分析方法进行了应用，因而提高了凸锥分析的执行效率；2009年，信工大陈伟和余旭初[13]等人提出了提出了一种基于osp原理的非监督的快速端元提取方法；2010年，解放军信工大李二森和张正华[14]等人提出了利用BBA算法来实现MVC．NMF算法的迭代更新；2010年，哈工大王立国和张晶[15]等人提出了一种端元谱形的区域修正方法和端元子集的局域确定方法，从而建立了基于柔性端元的新型混合像元分解算法；2012年，复旦大学普晗晔和王斌[16]等人提出了一种基于Cayley．Menger行列式的快速端元提取算法。论文网
由混合光谱的线性模型的几何解释可知，图像中的端元是几何单形体的顶点，经过投影后得到的端点必定处于投影点集合的边界点，即投影值的最大值或者最小值；而混合像元的投影点则处于这些最大值和最小值之间[8]。现在用于端元提取的一些普遍算法大都直接在光谱特性方向进行获取，没有重视到像元在空间上的特性，除此以外，怎么使用空间信息来获取端元是当前研究的重点。
云计算在遥感数字图像处理领域的应用也是研究的热点，主要的研究方向为大数据的存储管理、图像的并行处理模型和算法的研究。随着多时相、多分辨率、多传感器、多波段的遥感卫星产生的遥感图像总数据量急剧上升，单幅或单波段的遥感图像数据大小的增加，都给计算机在数据存储和处理上带来了很大的性能问题。
Alonso-Calvo[17]等人提出将遥感图像划分为小图像进行存储，在这些小图像之间建立底层的语义关系。Zhenhua Lv[18]等人实现了基于 MapReduce 的并行K-Means 聚类算法，Li B[19]等人实现了基于 MapReduce 的 ISODATA 聚类算法，并应用于遥感数字图像的聚类，克服了 PC 上传统遥感图像处理软件在处理海量遥感图像时的时间瓶颈和硬件限制，缩短了处理大量遥感图像的时间。 端元提取算法国内外研究现状:http://www.youerw.com/yanjiu/lunwen_21746.html