[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

权利要求书

1.一种基于去噪三维卷积自编码网络的高光谱解混算法，其特征在于它包括以下步骤：

步骤一：利用高光谱图像三维体数据格式设计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：

1)构建三维卷积自编码网络结构：输入高光谱遥感图像其中R与C表示高光谱遥感图像的宽和长，L表示高光谱遥感图像的波段数目，三维卷积自编码网络由编码层与解码层级联构成，编码层网络通过堆叠p个三维卷积层与q个三维池化层获得输入数据的深层空谱联合特征；相对的，解码层采用p个三维反卷积层与q个三维反池化层通过逆序构建的方式对数据进行重建，整个三维卷积网络共包含2(p+q)个非线性映射网络层；

2)构建编码过程的三维卷积层模型：

将第i-1层m_i-1个输出通道的输出张量作为第i层输入，在该层m_i个输出通道中构造m_i个卷积核对于通道j_i,j_i＝1,...,m_i，其输出计算为：

其中*为卷积算子，b_j为该卷积层第j个输出通道的偏置项，采用线性整流函数σ(·)作为非线性激活函数，即σ(t)＝max(0,t)；

3)构建编码过程的三维池化层模型，下采样层输出通道在坐标(x,y,z)处的映射关系为其中和代表池化层的输入和输出张量，f_u、g_u和h_u分别代表三维数据中三个方向的边长，s、t和r代表对应方向的采样步长，f_v＝f_u/s，g_v＝g_u/s，h_v＝h_u/s；

4)相对于编码过程，解码过程采用逆序搭建反卷积层与反池化层的方式构建解码过程的网络堆叠结构；

对于反卷积层，采用逆卷积操作进行图像重构与信号恢复，输出为：

其中与为反卷积网络的输入输出，为反卷积层网络在输出通道j_i-1的卷积核；对于反池化层，采用补零的方式对输入进行升采样得到保留主要特征：

其中s、t和r代表采样步长，f′_v＝f′_u/s，g′_v＝g′_u/s，h′_v＝h′_u/s；

步骤二：对网络参数进行训练，在每次训练参数过程中对输入光谱数据添加随机掩码噪声，通过最小化损失函数对合成数据进行特征提取与数据重构，提取鲁棒的高光谱影像空谱联合特征并获得去噪高光谱数据集；

步骤三：采用非负稀疏自编码器同步提取端元与丰度信息，在自编码解混模型中，隐含节点视为丰度信息，隐含层到输出层的线性连接权重视为端元信息，对丰度进行约束建立非负稀疏自编码网络，将步骤二中的去噪高光谱数据集作为输入以对混合光谱进行数据重建，寻找低维信号子空间，以无监督学习的方式迭代求解得到最终端元与丰度信息，具体步骤如下：

1)将张量T′展成二维矩阵设置端元数p₀、重构误差限∈_tol、网络学习的迭代步数上限i_max、网络学习率γ、初始迭代步数i＝1；

2)对端元与丰度矩阵初始化，获得初始端元矩阵采用全约束最小二乘获得初始丰度矩阵随机初始化权值矩阵

3)在非负稀疏自编码网络架构下丰度矩阵S＝σ(WY_denoised)，采用块坐标下降法更新端元矩阵A与权值矩阵W，矩阵A的迭代公式为：

A_(i+1)＝max(A_(i)-α_i▽A_(i),0)

其中梯度步长α_i由实验指定，稀疏权值矩阵W的迭代更新公式为：

W_(i+1)＝W_(i)-β▽W_(i)

其中辅助矩阵M_(i)端元与丰度矩阵初始化记为其中sum(·)代表矩阵逐行求和运算，1_L为L维全1列向量，所有参数更新完毕后，i＝i+1，重复步骤3)直至信号重构误差∈_i＜∈_tol或迭代步数i≥i_max，最终得到关于端元矩阵的收敛解A_net与权值矩阵W_net，通过非线性映射得到丰度矩阵S_net＝σ(W_netY_denoised)。

2.根据权利要求1所述的基于去噪三维卷积自编码网络的高光谱解混算法，其特征在于所述的步骤二具体包括：

对网络参数进行训练，在每次训练参数过程中对输入光谱数据添加随机掩码噪声，通过最小化损失函数对合成数据进行特征提取与数据重构，提取鲁棒的高光谱影像空谱联合特征并获得去噪高光谱数据集，具体步骤如下：

1)对数据进行扩维，将原始三维体数据扩维为五维张量其中C_in＝1为输入通道，C_out＝1为输出通道；

2)确定噪声系数0＜γ_n＜1，学习率η，重构误差限ε_tol、网络学习的迭代步数上限k_max、初始迭代步数k＝1；

3)对T添加数据占比为γ_n的掩码噪声，随机取值并置为0，生成训练数据集T_(k)；

4)对输入数据进行正向传播，逐层计算得到各层网络的输出值，最后得到数据重构影像T₍′_k)，定义损失函数为最小信号误差：

5)采用反向传播算法对权重进行更新，k＝k+1，重复步骤3)至5)直至信号重构误差ε_k＜ε_tol或迭代步数k≥k_max。