公元10世紀，光學領域著名學者埃及物理學家阿爾哈曾（Alhazen）曾指出：「人的眼睛能夠感知到的只是光的強度和顏色，其他信息都是通過洞察、推理、識別等方法來獲取的」（Nothing of what is visible，apart from light and color，can be perceived by pure sensation，but only by discernment，inference，and recognition，addition to sensation）。換言之，早在公元10世紀或更早以前，人類已意識到光的強度（由成像場景的亮度變化決定）和顏色（由物質的光譜反射特性決定）是人眼所能感知到的物體的本徵屬性。1978年，基於阿爾哈曾的觀察，「本徵分解」的概念被首次提出。
反射率圖反映了物體在無色均勻光照下的顏色和表面材質屬性，即物體的本徵反射屬性。而亮度圖則由場景中的各種光照和物體的幾何形狀構成，反映了場景中各個位置的光照信息。計算機視覺和圖像處理中的很多任務都會受到物體顏色、紋理和光照變化的影響，因此圖像本徵分解具有十分重要的研究意義。
本徵分解問題，即從原始圖像去估計反射率圖與亮度圖的問題，是非常具有挑戰性的。通常，現有本徵分解模型會假設亮度圖是單波段的灰度圖像，而反射率圖與原始圖像均是包含了紅、綠、藍三個波段的彩色圖像。換言之，不同的反射率圖搭配不同的亮度圖，均可能產生一幅完全一樣的原始圖像。因此，現有圖像本徵分解方法旨在設計合理的約束，如局部先驗、非局部空間連續性先驗、稀疏先驗、深度先驗等，儘可能真實地恢復出場景中與人眼視覺感知相符的反射率圖和亮度圖。
「純淨」光譜特徵提取：
1. 高光譜圖像本徵分解模型在傳統圖像本徵分解模型中，亮度圖被認為是幅固定的灰度圖像。換言之，圖像在不同波長上的亮度成分被認為是固定的。與可見光圖像的本徵分解不同，高光譜遙感圖像往往是通過被動的光學成像方式採集得到，獲取的信息主要來自地面目標對太陽光的反射信息。高光譜圖像的亮度圖會受到太陽光譜的影響，在不同波長上存在差異。
2. 基於本徵分解的高光譜圖像光譜特徵提取地物光譜反射率反映了地物的材質，然而受到傳感器成像機理、拍攝環境以及氣候條件等因素的影響，遙感高光譜圖像中的光譜反射值往往並不純淨，甚至可能包含嚴重的失真與畸變。傳統的光譜特徵提取方法（如波段選擇法、主成分分析法等）均未考慮到場景光照、噪聲等因素對地物光譜的影響。通過高光譜本徵分解，可以有效地將光照、噪聲等因素導致的地物光譜變化作為亮度圖從原始圖像中分離出來，剩下的光譜反射率圖實際上就度圖是地物純淨的光譜反射率特徵，有望實現地物純淨光譜的準確表徵。
針對這一問題，2015年就有學者首次提出了一種基於本徵圖像分解的高光譜圖像特徵提取算法。該算法將高光譜影像分解為亮度特徵與純淨的光譜反射特徵，並將純淨的光譜反射特徵用於地物分類。結果表明，高光譜圖像的本徵分能夠有效消除多種不利因素（如場景光照、陰影以及成像噪聲等）對影像光譜反射值的影響，提供了更高的地物分類精度。
原始高光譜圖像是採用可見光與紅外機載式光譜成像儀器（AVIRIS）獲取的美國印第安納州西北部農作物場景的高光譜圖像。圖像中包含了16種不同類型的農作物。通過高光譜圖像本徵分解，可以有效去除受場景光照和地物三維形狀影響的亮度成分，提取地物純淨的光譜反射率特徵。算法對原始高光譜圖像和光譜反射率特徵進行二維可視化，並將屬於不同類別地物標籤的特徵標註為不同顏色。可以看出，相比於原始高光譜圖像，高光譜圖像的本徵光譜反射率成分具備更高的可分性，能夠更好地區分不同地物。
為了更準確地估計高光譜圖像的純淨光譜反射成分，南京大學構建了針對高光譜圖像本徵分解的公用數據集，提供可參考的高光譜反射率圖與亮度圖，為驗證不同類型高光譜圖像本徵分解方法的性能提供了支撐。哈爾濱工業大學分別於2017年和2019年提出了基於超像素的高光譜圖像本徵光譜特徵提取方法和結合反射與亮度先驗的高光譜圖像本徵分解模型。研究人員發現，在高光譜圖像本徵分解模型中引入適用於高光譜圖像的先驗約束，能夠獲得更優的本徵分解性能。此外，高光譜圖像本徵分解模型能夠有效去除光照不均、噪聲等因素導致的地物光譜變化，獲取的本徵光譜反射率圖與原始高光譜圖像相比，辨識度更高。因此，與特徵提取前相比，地物的識別精度得到了顯著提升。