[发明专利]混合像元双线性深层解混方法、系统、应用及存储介质

说明书

本发明公开了一种混合像元双线性深层解混方法、系统、应用及存储介质。本发明首先构建一个深层双线性光谱混合模型；然后建立两个深度自编码器来分层对应深层双线性混合模型，采用多任务处理模式对两个深度自编码器进行无监督联合训练，学习出端元、丰度及表征二阶散射的散射参数。本发明在构建解混方法时考虑了二阶散射作用对光谱混合产生的影响，在光谱混合的建模方面更接近高光谱遥感器成像机理的实际情况，能有效抑制散射效应带来的负面影响，最终得到比传统方法精度更高的端元和丰度。同时，利用散射参数能将散射效应的影响情况进行可视化，能直观地反映出散射效应在高光谱图像中的分布情况，为用户分析散射效应分布的合理性提供便利。

技术领域

本发明涉及图像处理技术领域，尤其是一种混合像元双线性深层解混方法、系统，该方法在高光谱图像上的应用，以及对应的存储介质。

背景技术

高光谱遥感将空间成像与光谱采集相结合，在获取成像区域内地物空间格局的同时，也能获取目标地物的光谱信息。因此，通过高光谱遥感获取的高光谱图像能够为定量化对地观测提供更丰富的表征信息，目前已在精准农业、环境监测等领域发挥出重要作用。但是，高光谱遥感图像中通常存在大量混合像元，混合像元的光谱信号来自多种地物的混合响应，会对地物信息精细解译带来严重困难，因此处理混合像元对高光谱遥感图像的应用非常重要。混合像元分解(解混)是目前处理混合像元的最有效的专业技术，它可以突破图像空间分辨率限制，在亚像元层次下分析地物的分布情况和属性特征，获取成像区域内各类地物的纯净信号(端元)和像元内各类端元所占的比例(丰度)。解混方法按照是否需要已知端元可以分为两类：监督解混和非监督解混。监督解混在运行前需要提前获取端元作为已知条件，自动化程度低，而且当研究区域内的端元难以准确获取时，此类方法的可靠性会大打折扣。非监督解混不需要提前获取端元作为已知条件，应用面广，使用方便，因而备受关注。

近年来，深度学习的发展对解混技术产生了重要影响，并催生出了很多基于深度学习的非监督解混方法，这些方法利用深度网络结构的特点进一步提升了解混技术在精度或鲁棒性方面的表现。目前，基于深度学习的非监督解混方法主要采用自动编码器理论实现非监督训练来估算端元与丰度。2011年，Guo等将降噪自编码器和非负稀疏自编码器进行层叠组合，提出了基于自编码器层叠的解混方法[1]。该方法先用降噪自编码器处理高光谱图像中的噪声，然后用非负稀疏自编码器对图像进行盲信号分离来得到端元和丰度，但是该方法的数学模型缺乏对端元和丰度的约束条件，导致结果的准确性不稳定。此后，以Guo等提出的方法为启迪，发展出了很多新算法，这些方法采用加入约束条件的自编码器来实现解混，通过自编码器的隐藏层来得到丰度，通过隐藏层之间的连接权重来估算端元，例如：基于堆栈非负稀疏自编码器的解混方法[2]、基于联合降噪自编码器的解混方法[3]、基于稀疏自编码器的解混算法[3]、基于深度自编码器网络的解混方法[4]、基于神经网络自编码器的解混方法[6]等。此外，近年来还发展出了基于深度矩阵分解的解混方法[7]，该算法依据深度矩阵分解理论与线性光谱混合模型来估算端元与丰度。2019年，Wang等提出了基于自编码器的非监督非线性解混方法，相对前述解混方法而言，非线性解混方法得到的结果从理论上更接近于实际情况[8]。

由于高光谱遥感图像的空间分辨率普遍低于1米，对于散射效应影响而言，二阶以上的散射作用对解混结果影响甚微，但是二阶散射对冠层、城市和林地等存在明显三维结构场景的高光谱图像仍然有较大的影响，不应该被完全忽略[9-10]。