基于深度自编码网络的高光谱影像解混研究

高分系列卫星的发射和无人机高光谱技术的发展,高光谱可用数据进一步扩展。为了提升高光谱数据的精细利用价值,高光谱影像混合像元解混成为当前至关重要的任务。随着人工智能技术的快速发展,深度学习理论被引入遥感图像处理领域。自编码网络具有较强的特征提取能力,已经开始应用于高光谱影像解混方面。以自编码网络为基础对其结构进行改进,提出一种深度堆栈自编码网络(DSAE)用于高光谱图像解混研究。该网络包含两个部分:端元识别网络(EDSAE)和丰度求解的网络(ADSAE)。首先,通过添加批标准化处理、稀疏约束、“和为一”约束以及删除网络偏置项构建EDSAE网络,开展非监督训练进行高光谱影像端元识别。其次,将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强,生成多元混合的带有丰度标签的模拟高光谱数据集。最后,在堆栈自编码网络基础上,设置最后一层自编码器的激活函数为Softmax函数,构建监督训练网络ADSAE,把模拟数据集作为训练数据,高光谱影像作为测试数据,求取真实高光谱影像的丰度矩阵。对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验,基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。结果表明:对3组真实的高光谱影像开展解混,DSAE方法在端元提取方面相比于其他5种方法,具有最优精度;在丰度求解方面,基于HAPKE模型生成的模拟数据集,利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵,相比于LINEAR模型和FCLS方法,均具有最优的丰度反演结果。DSAE方法具有较好的稳定性和鲁棒性,为高光谱影像定量研究提供了新的思路。

矿物高光谱解混进展研究综述

由于高光谱传感器低空间分辨率特征,岩石高光谱一般是矿物组分的综合反映。矿物高光谱解混对矿产勘查、矿物含量定量反演和野外地质填图等提供了可行的鉴定方法。首先介绍了2种主要的光谱混合模型;其次基于矿物混合机理特征,从模型驱动法和数据驱动法2个方面,对近年高光谱数据的端元提取和丰度求解算法进行归纳,分析各解混算法的原理和优缺点;然后从实验室实测数据、模拟数据和高光谱影像数据3个方面,对目前已开展的混合矿物高光谱解混实验进行概括,总结各算法的解混效果和适用性;最后针对各解混算法的特点和研究现状指出未来矿物高光谱解混的研究方向。