[发明专利]基于图卷积自编码器的高光谱影像非线性解混方法及系统

权利要求书

1.一种基于图卷积自编码器的高光谱影像非线性解混方法，其特征在于，包括以下步骤：

步骤1，根据给定的高光谱影像，计算其图结构信息；

步骤2，构建相应的深度分解网络，将高光谱影像及其图结构信息输入到网络中，然后设置网络的超参数，根据损失函数训练网络，直至训练收敛或达到最大训练轮数；

所述深度分解网络的编码器基于图卷积层对输入的原始影像X进行降维，得到原始影像的低维特征表达H，解码器由编码器得到的低维特征表达H重建出原始的输入影像包括分为线性和非线性两个部分来重建原始影像；整个网络通过最小化输入影像X和重建影像之间的误差来学习参数；

步骤3，网络训练结束后，提取网络中相应的隐层表达和权重分别作为丰度和端元信息，实现混合像元分解。

2.根据权利要求1所述基于图卷积自编码器的高光谱影像非线性解混方法，其特征在于：步骤1中，计算图结构信息的方式为，把给定的高光谱影像记为其中，每一个代表具有L个波段的像元点；然后以像元点为顶点构造最近邻图，将图的邻接矩阵记为A，如果x_i是x_j的一个k最近邻域，则赋相应的权值为：

其中，σ是控制RBF宽度的参数。

3.根据权利要求1所述基于图卷积自编码器的高光谱影像非线性解混方法，其特征在于：步骤2中，深度分解网络的编码器使用到一系列的图卷积层来完成降维操作，其中图卷积层能够在网络中融入高光谱影像中的非局部空间相关性，得到低维特征表达H的过程简化表示为：

H＝f_E(X)

解码器的任务是由编码器得到的低维特征表达H重建出原始的输入影像

解码器分为线性和非线性两个部分来重建原始影像，表达式如下：

其中，W是解码器线性部分的权重，非线性部分通过将线性部分重建得到的影像作为输入，从数据本身学习非线性混合成分的表达形式Φ(WH)，最后将两部分的输出进行相加得到网络最终的输出。

4.根据权利要求3所述基于图卷积自编码器的高光谱影像非线性解混方法，其特征在于：深度分解网络的编码器采用深度网络结构，包含三个图卷积层和两个批归一化层；对于输入的一幅高光谱影像，首先会经过三次图卷积操作来得到低维的特征表达，作为丰度，且前两次图卷积后都会进行批归一化；第一次图卷积后特征维数降至波段数的二分之一，第二次降至波段数的四分之一，第三次则降至端元数的大小；网络使用Softmax函数作为编码器输出层的激活函数。

5.根据权利要求4所述基于图卷积自编码器的高光谱影像非线性解混方法，其特征在于：深度分解网络的解码器同样采用深度网络结构，解码器设计成线性部分和非线性部分重建输入影像，线性部分基于线性混合模型重建丰度和端元之间的线性关系，而非线性部分从数据本身学习端元和丰度之间的非线性关系；

解码器的线性部分包含一层全连接层并且相应的偏置设为零，线性部分的输出表示如下：

O_lin＝WH

线性部分的输出经过激活后会紧接着输入到非线性部分，经由三层全连接层学习端元之间的非线性相互作用；除了编码器的输出层中使用Softmax激活函数外，网络中的其他层都使用Leaky ReLU激活函数；非线性部分的输出表示如下：

O_nlin＝Φ(O_lin)

最后将线性和非线性两部分的输出相加，得到重建的原始影像，解码器的最终输出为：

其中，Φ(g)是通过非线性部分学习出的非线性函数。