[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

说明书

本发明提供一种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，包括根据高光谱影像计算图结构信息；构建深度分解网络，将高光谱影像及图结构信息输入，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进行降维，得到原始影像的低维特征表达，解码器由编码器得到的低维特征表达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；训练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。本发明通过深度学习实现线性混合模型到非线性混合模型的映射，挖掘影像非局部空间信息，增强网络的空间感知能力，提高分解精度。

技术领域

本发明涉及高光谱影像混合像元分解领域，特别涉及一种通过图卷积神经网络建立高光谱影像像元之间的图结构信息来完成影像非局部空间信息提取的技术，以数据驱动的方式完成线性混合模型到非线性混合模型的映射，实现影像的非线性混合像元分解。

背景技术

高光谱影像蕴含丰富的光谱信息，能够以较高的光谱诊断能力对物质类别和属性进行精细化分析。然而，遥感影像的空间和光谱分辨率是相互制约的。高光谱影像较高的光谱分辨率使得其空间分辨率较低，而且由于地物覆盖的复杂性，导致高光谱影像中普遍存在混合像元问题。混合像元严重制约了高光谱影像从定性化分析向定量化描述方向的发展。传统的高光谱混像元分解方法通过建立数学模型进行优化求解，得到端元和丰度信息。但传统方法存在求解算法复杂，需手动设计先验信息等问题。近年来，深度学习发展迅速，被广泛应用于各个领域，且取得了很好的效果。高光谱混合像元分解的实质是一个函数逼近问题，即用端元矩阵和丰度矩阵去逼近原始观测数据。深度学习具有强大的拟合能力，只要网络足够深就能逼近任意连续函数，非常适合进行混合像元分解。

目前，混合像元分解的方法可归为四类：

基于几何的方法：该方法以凸面几何为基础，通过寻找单形体的顶点作为端元来实现混合像元分解。该方法的优点是计算复杂度小，概念明确，在高光谱混合像元分解中有着广泛应用，其缺点是不适用于高度混合的情况。

基于统计的方法：该方法将端元和丰度看做随机变量，通过统计模型中参数的估计来确定端元和其对应的丰度。该方法的优点是可以很好的克服数据高度混合的情况，且可以同时进行端元提取和丰度估计，其缺点是计算复杂度过高，模型求解困难。

基于稀疏回归的方法：该方法利用日渐完善的光谱库以半监督的方式进行混合像元分解，稀疏解混模型将含有大量端元的光谱库作为先验的过完备字典，其中的端元视为原子，通过将线性混合模型和稀疏表达的有效结合，自适应的选择少量的原子对目标光谱进行稀疏重构，从而实现稳健的丰度估计。该方法的优点在于进行丰度估计时不再依赖某种端元提取算法的性能，但该方法需要使用光谱仪在室内或室外采集地物的大量光谱数据，建立地物的光谱库要投入大量的时间和人力，并且在采集光谱数据的时候并不能保证和所使用的高光谱影像是同一个成像条件，这就使得光谱库中的端元和场景中实际包含的端元有所差异，这限制了使用光谱库进行稀疏分解的发展。

基于深度学习的方法：该方法主要采用自编码器网络，通过编码器将输入光谱映射为丰度，同时解码器采用线性映射来重建原始的输入光谱，然后将线性映射作为端元信息，最终实现混合像元分解。

但是，在基于深度学习的方法中，目前考虑了非线性混合的网络只适合某一类非线性混合场景，不足以涵盖多种非线性混合的情况，其泛化性还需进一步加强。此外，深度分解网络通常只考虑了影像中局部的空间信息，网络的空间感知能力不够。

可见，尚未出现理想的深度非线性分解网络，本领域亟待出现更具有实用性的技术方案。

发明内容

针对现有基于深度学习的混合像元分解中的缺点，本发明提出一种基于图卷积自编码器的高光谱影像非线性混合像元分解方案，通过构建图结构挖掘高光谱影像中非局部的空间相关性。此外，为了增强网络对于非线性混合场景的泛化性，提出的方法将解码器设计为线性和非线性两部分，并基于更广义的后验非线性混合模型进行解混。