双约束深度卷积网络的高光谱图像空谱解混方法

高光谱图像凭借其“图谱合一”的特点逐渐在军事、环境、农业等方面发挥出重要作用。但是,由于传感器空间分辨率的限制以及地物分布的复杂多样性,高光谱遥感图像中通常存在大量的混合像元,严重制约了高光谱遥感的应用范围。目前,处理混合像元问题最有效的分析方法是混合像元分解(解混)。近年来,深度学习的发展对高光谱遥感产生了重大影响,也催生出一系列基于深度学习的解混方法。现有基于深度学习的解混方法在隐藏信息挖掘方面表现出极大的潜力和优势,通常情况下能够取得更加准确的结果。然而,这些方法大多只考虑了地物的光谱信息而忽略空间分布规律,导致在复杂场景中估算结果可能并不理想,逐渐难以满足工程应用的实际需求。为进一步发掘和利用空间信息提升解混的准确性,本文构建了一种新的深度学习网络来实现高光谱图像解混。新提出的解混网络采用卷积层来获取先验信息,利用高斯核函数的特性来协助区分物质属性,并且通过分配中心像元与邻域像元间的权重来增进丰度平滑性。在新网络中,本文使用Softmax作为丰度对应层的激活函数来约束丰度的输出。此外,在Softmax中,本文采用了L1/2正则化来避免节点出现过拟合而影响最终结果,进一步强化了网络性能,最终形成了一种双约束强化的深度卷积自编码网络来实现无监督的解混。为了验证新方法的有效性和优势,本文将新提出的方法与同类解混方法应用在一系列高光谱数据(包括模拟图像和真实图像)中进行测试,均达到了预期效果。本文的研究成果能够为处理混合像元问题提供了新的技术支撑和理论参考。

深度嵌套式Transformer网络的高光谱图像空谱解混方法

目的基于深度学习的解混方法在信息挖掘和泛化性能上优于传统方法,但主要关注光谱信息,对空间信息的利用仍停留在滤波、卷积的表层处理。这使得构建解混网络时需要堆叠多层网络,易丢失部分图像信息,影响解混准确性。Transformer网络因其强大的特征表达能力广泛应用于高光谱图像处理,但将其直接应用于解混学习容易丢失图像局部细节。本文基于Transformer网络提出了改进方法。方法本文以TNT(Transformer in Transformer)构架为基础提出了一种深度嵌套式解混网络(deep embedded Transformer network,DETN),通过内外嵌入式策略实现编码器中局部与整体空间信息共享,不仅保留了高光谱图像的空间细节,而且在编码器中只涉及少量卷积运算,大幅度提升了学习效率。在解码器中,通过一次卷积运算来恢复数据结构以便生成端元与丰度,并在最后使用Softmax层来保障丰度的物理意义。结果最后,本文分别采用模拟数据集和真实高光谱数据集进行对比实验,在50dB模拟数据集中平均光谱角距离和均方根误差取得最优值,分别为0.0386和0.0045,在真实高光谱数据集Samson、Jasper Ridge中取得最优平均光谱角距离,分别为0.1194,0.1027。结论实验结果验证了DETN方法的有效性和优势,并且能为实现深度解混提供新的技术支撑和理论参考。