基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法

1.本发明基于遥感图像技术处理领域，特别涉及一种基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法。


背景技术：

2.高光谱遥感影像具有较高的光谱分辨率，但其空间分辨率通常较低。低空间分辨率以及地物的致密性混合，使混合像元广泛存在于高光谱遥感影像中。混合像元是指包含多种土地覆盖类型的像元。由于混合像元广泛存在，像元难以获得唯一的类别标签，传统像元级分类方法并不适用于混合像元分析，所以必须解决混合像元分解问题，即光谱解混。经过光谱解混，混合像元被分解为一系列不同的纯物质光谱(称为端元)以及它们在像元对应观测区域内的地表覆盖比例(称为丰度)。在此基础上，高光谱混合像元分解引起了许多研究学者的关注。
3.与此同时，高光谱混合像元分解是一项艰巨的任务。其一，传统的混合像元分解依靠固定的数学模型，同时引入高光谱的凸几何、稀疏、空间相关性等数据先验约束以提升混合像元分解鲁棒性，但是人工先验约束存在着数据依赖的特点，其泛化性不足。其二，大多数盲分解方法建立在线性混合模型假设基础上，仅考虑了像元瞬时视场内地物的线性混合，但在实际辐射传输过程中，像元内地物之间存在多次散射问题，现有无监督混合像元分解方法对上述非线性混合建模能力不足。其三，现有的混合模型大多假设不同波段对地物的混合作用相同，未考虑不同波段对地物的起到不同的混合效应。由于上述几个问题的存在影响高光谱混合像元分解的精度。


技术实现要素：

4.本发明的目的在于提出一种基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法。
5.本发明所提供的一种基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法。本发明基于自编码的基本框架，将混合像元的分解过程和自编码结构的编码层进行对应，将混合像元的生成过程与自编码结构的解码层进行对应，利用卷积层进行高光谱图像空间信息的提取，充分考虑高光谱影像的空间信息。同时加入非线性变化模块，考虑真实场景中存的非线性混合，因不同地物在不同波段具有不同光谱特征，所以在进行损失函数计算时，对不同的波段赋予不同的权重进行损失计算。本发明可以解决高光谱遥感影像深度学习混合像元分解问题，实现全自动端到端混合像元分解，可以同时获得端元光谱和丰度分解结果。
6.在本发明中我们所提出的一种基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法具有以下三个显著特点。一是端到端数据驱动的混合像元盲分解，不依赖固定的数学模型，使具有泛化性；其二，考虑到真实场景中存在非线性混合，因此本方法中加入了非线性转换模块，使其可以更好的表达非线性混合，提升对非线性混合数据的适用性；其
三，考虑不同波段对地物的起到不同的混合效应，加入光谱诊断特征，针对不同波段进行加权，使得不同波段特征得以较好体现。
7.本发明提供基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法，实现步骤如下：
8.步骤1，输入一幅待探测的高光谱遥感影像其中，h，w，l分别为影像行，列和波段数；
9.步骤2，使用顶点成分分析方法进行端元光谱提取，并将其作为解码权重w
d
的初始化值；
10.步骤3，构建网络模型，用于提取丰度、端元光谱和生成重建影像，所述网络模型为编码和解码结构，其中编码部分包括多个卷积层，批归一化层和激活层，解码部分包括卷积层和非线性转换部分，非线性转换部分包括卷积层，批归一化层和激活层，输入高光谱遥感影像经过编码部分输出丰度，再经过解码部分的卷积层，其权重输出得到端元光谱，最后经过非线性转换部分生成重建影像；设计损失函数，对网络模型进行迭代训练，直到满足设置的迭代次数，则结束训练；
11.步骤4，输出解混得到的丰度和端元光谱，其中，编码结构的最后一层输出得到丰度，解码层的权重输出得到端元光谱。
12.进一步的，步骤3的具体实现方式如下；
13.步骤3.1，基于随机梯度下降算法，对网络模型进行训练，待解混的高光谱影像x作为输入，将输入的高光谱影像使用3层卷积核为3
×
3，步长为1卷积层，批归一化层和激活层，再经过和为一和丰度非负的约束，输出得到丰度s；
[0014][0015]
再经过卷积核为1
×
1，步长为1卷积层，将卷积层的权重w
d
输出即可得到端元光谱a，最后经过由卷积核为1
×
1，步长为1卷积层，批归一化层和激活层构成的非线性转换部分，生成重建影像k为当前迭代次数；
[0016]
步骤3.2，计算基于光谱诊断特征加权的损失；
[0017][0018]
其中n为影像中像元个数，x
i
为输入高光谱影像单个像元的光谱向量，为第k次迭代生成的重建高光谱影像的单个像元光谱向量，w为进行光谱诊断的各波段权重向量，其单个值的计算公式为
[0019]
w
j
＝e[(x
j
‑
μ)2],j∈[1,l]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]
其中，x
j
为输入高光谱影像单个像元的光谱向量，μ为光谱向量的均值，e表示期望；
[0021]
步骤3.3，误差反向传播更新网络参数；
[0022]
[0023]
其中，v
k
为此时的加速度，表示损失函数进行偏导计算，η为学习率η，γ为动量；
[0024]
对网络参数进行更新：
[0025]
θ
k+1
＝θ
k
‑
v
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0026]
θ
k
为第k次迭代的网络参数，θ
k+1
为第k+1次迭代的网络参数；
[0027]
步骤3.4，判断网络训练是否完成，即是否到设置迭代次数，若满足，则结束训练，若不满足，则回到步骤3.1。
[0028]
进一步的，学习率η＝0.0001，动量γ＝0.9。
[0029]
与现有技术相比，本发明的优点和有益效果为：(1)基于数据驱动的方式，不依赖固定的数学模型，泛化性较好；(2)加入了非线性转换模块，考虑真实场景中的非线性混合，更符合实际情况；(3)考虑波段间的差异性，减少冗余的波段信息，使得不同波段特征得以较好体现。
附图说明
[0030]
图1是本发明实施的整体网络结构图。
[0031]
图2是本发明实施例1的步骤4中所输出的最终高光谱混合像元分解结果。
具体实施方式
[0032]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0033]
实施例1：
[0034]
本发明提供的一种基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法，包括以下步骤：
[0035]
步骤1，输入一幅待探测的高光谱遥感影像其中，h，w，l分别为影像行，列和波段数；
[0036]
步骤2，使用顶点成分分析方法进行端元光谱提取，并将其作为解码权重w
d
的初始化值；
[0037]
步骤3，构建网络模型，用于提取丰度、端元光谱和生成重建影像，所述网络模型为编码和解码结构，其中编码部分包括多个卷积层，批归一化层和激活层，解码部分包括卷积层和非线性转换部分，非线性转换部分包括卷积层，批归一化层和激活层，输入高光谱遥感影像经过编码部分输出丰度，再经过解码部分的卷积层，其权重输出得到端元光谱，最后经过非线性转换部分生成重建影像；设计损失函数，对网络模型进行迭代训练，直到满足设置的迭代次数，则结束训练；
[0038]
步骤3的具体实现方式如下；
[0039]
步骤3.1，基于随机梯度下降算法，对网络模型进行训练，待解混的高光谱影像x作为输入，将输入的高光谱影像使用3层卷积核为3
×
3，步长为1卷积层，批归一化层和激活层，再经过和为一和丰度非负的约束，输出得到丰度s；
[0040]
[0041]
再经过卷积核为1
×
1，步长为1卷积层，将卷积层的权重w
d
输出即可得到端元光谱a，最后经过由卷积核为1
×
1，步长为1卷积层，批归一化层和激活层构成的非线性转换部分，生成重建影像k为当前迭代次数；
[0042]
步骤3.2，计算基于光谱诊断特征加权的损失；
[0043][0044]
其中n为影像中像元个数，x
i
为输入高光谱影像单个像元的光谱向量，为第k次迭代生成的重建高光谱影像的单个像元光谱向量，w为进行光谱诊断的各波段权重向量，其单个值的计算公式为
[0045]
w
j
＝e[(x
j
‑
μ)2],j∈[1,l]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0046]
其中，x
j
为输入高光谱影像单个像元的光谱向量，μ为光谱向量的均值，e表示期望；
[0047]
步骤3.3，误差反向传播更新网络参数；
[0048][0049]
其中，v
k
为此时的加速度，表示损失函数进行偏导计算，学习率η＝0.0001，动量γ＝0.9；
[0050]
对网络参数进行更新：
[0051]
θ
k+1
＝θ
k
‑
v
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0052]
θ
k
为第k次迭代的网络参数，θ
k+1
为第k+1次迭代的网络参数；
[0053]
步骤3.4，判断网络训练是否完成，即是否到设置迭代次数，若满足，则结束训练，若不满足，则回到步骤3.1。
[0054]
步骤4，输出解混得到的丰度和端元光谱，其中，编码结构的最后一层输出得到丰度，解码层的权重输出得到端元光谱。
[0055]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。