[发明专利]一种基于去噪三维卷积自编码网络的高光谱解混算法

说明书

一种基于去噪三维卷积自编码网络的高光谱解混算法，解决了传统端元提取算法无法快速同步获得端元光谱与丰度信息，同时易受到干扰、鲁棒性差的问题。本发明的步骤为：一、基于高光谱体数据结构设计并建立三维卷积自编码网络；二、利用去噪自编码算法采用生成数据集训练网络，提取鲁棒的空谱联合特征；三、设计并实现非负稀疏自编码器，对丰度添加非负性与稀疏性约束，将数据映射到低维信号子空间从而同步获得高精度的端元与丰度信息。本发明的基本思想是采用深层自编码网络提取空谱联合特征，以无监督的方式同步获得影像的端元与丰度信息，解混精度高，适用于高光谱端元提取与丰度反演应用，如城市遥感、精准农业、勘探侦查等，社会经济价值高。

技术领域

本发明涉及一种针对高光谱数据的端元提取与类别丰度计算的解混方法，具体涉及一种基于去噪三维卷积自编码网络的高光谱像元无监督解混方法。

背景技术

高光谱遥感成像将二维空间成像技术与光谱成像相结合，能够在可见光及近红外谱带宽度内精细测量上百个连续光谱波段的地物辐射信息，从而获得图谱合一的三维光谱数据立方体。高光谱图像在军用与民用的各个领域发挥着重要作用。然而由于成像技术的限制，光谱成像仪的空间分辨率较高，从而使得混合象元产生。这为目标精细化分类带来困难。为了提高获取地表信息的精度，必须解决混合像元的识别问题，即解混问题，这对精准农业、城市遥感、勘探侦查等领域都有着重要的意义。

传统的纯象元类解混算法要求影像中存在端元光谱，而在实际成像场景中由于噪声干扰与地物分布的复杂性通常很难满足。基于凸面几何学的端元提取算法容易受到异常点的影响，而且累积误差会进一步影响后续的端元丰度反演。而半监督类稀疏解混算法依赖于一个完备且过冗余的匹配先验光谱库，这需要大量光谱特征采集与校正等工作。近些年来发展的神经网络解混能够同时获得端元光谱与丰度信息。

自编码解混网络是一种新式的基于深度学习的高光谱线性解混算法模型。在图像处理领域，深层神经网络能够通过逐层构建网络达到提取高度抽象的输入特征的目的，避免了传统的特征提取算法在降维时输入信息的部分丢失导致计算精度的下降。高光谱数据谱段相关性较高，像元光谱存在较多的冗余信息。自编码解混网络通过非线性编码将数据映射到低维流形中，能够学习到输入光谱的潜在表示；并采用线性解码的方式最小化重构误差实现端元矩阵与像元丰度的同步更新。为了有效提取高光谱输入特征并避免数据噪声对结果的干扰，通常选择在自编码解混网络前级联卷积网络或去噪网络等。

基于自编码的高光谱解混网络仅仅考虑了像素的光谱特征信息，没有利用到图像内端元物质的空间分布特性。本文设计并建构三维卷积去噪自编码网络。同时，非负自编码网络添加稀疏约束，从而获得更鲁棒的表示形式本发明通过将三维卷积去噪自编码网络与非负稀疏自编码网络级联的方式对高光谱图像进行降噪处理与解混计算，最终得到端元光谱特征与对应丰度分布。

发明内容

本发明的目的在于通过构建多层卷积网络对图像进行特征提取与去噪获得降噪图像，并利用自编码模型对光谱解混进行分析，从而无监督的得到端元与丰度信息，实现高光谱解混工作。

本发明的目的是通过以下技术方案实现的：利用高光谱图像三维体数据特点，通过搭建三维卷积自编码网络提取空谱联合信息实现对数据的重构；采用降噪自编码网络学习的方式提取图像鲁棒的深层特征信息，从而实现对含噪声影像的高精度恢复；同时在网络模型后级联非负稀疏自编码网络，采用反向传播算法对端元矩阵与权值矩阵进行更新，以实现高精度的端元提取与丰度反演。

本发明的流程图如图1所示，共分为三个步骤，具体步骤如下：

步骤一：利用高光谱图像三维体数据格式建立三维卷积自编码网络模型，充分挖掘图像中空谱联合信息，引入空间信息并搭建深层卷积网络逐层提取特征信息实现光谱数据的高精度重构，具体步骤如下：

步骤1-1：构建三维卷积自编码网络结构。