作者单位
摘要
核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室, 北京 100029
高分系列卫星的发射和无人机高光谱技术的发展, 高光谱可用数据进一步扩展。 为了提升高光谱数据的精细利用价值, 高光谱影像混合像元解混成为当前至关重要的任务。 随着人工智能技术的快速发展, 深度学习理论被引入遥感图像处理领域。 自编码网络具有较强的特征提取能力, 已经开始应用于高光谱影像解混方面。 以自编码网络为基础对其结构进行改进, 提出一种深度堆栈自编码网络(DSAE)用于高光谱图像解混研究。 该网络包含两个部分: 端元识别网络(EDSAE)和丰度求解的网络(ADSAE)。 首先, 通过添加批标准化处理、 稀疏约束、 “和为一”约束以及删除网络偏置项构建EDSAE网络, 开展非监督训练进行高光谱影像端元识别。 其次, 将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强, 生成多元混合的带有丰度标签的模拟高光谱数据集。 最后, 在堆栈自编码网络基础上, 设置最后一层自编码器的激活函数为Softmax函数, 构建监督训练网络ADSAE, 把模拟数据集作为训练数据, 高光谱影像作为测试数据, 求取真实高光谱影像的丰度矩阵。 对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验, 基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。 结果表明: 对3组真实的高光谱影像开展解混, DSAE方法在端元提取方面相比于其他5种方法, 具有最优精度; 在丰度求解方面, 基于HAPKE模型生成的模拟数据集, 利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵, 相比于LINEAR模型和FCLS方法, 均具有最优的丰度反演结果。 DSAE方法具有较好的稳定性和鲁棒性, 为高光谱影像定量研究提供了新的思路。
高光谱影像 深度堆栈自编码 端元识别 丰度求解 解混 Hyperspectral image Deep stacked autoencoders Endmember extraction Abundance estimation Unmixing 
光谱学与光谱分析
2023, 43(5): 1508
作者单位
摘要
核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室, 北京 100029
自然界中岩石一般是由多种矿物集合而成的紧致混合物, 由于高光谱传感器低空间分辨率的特征, 获得的高光谱数据多为矿物组分的综合反映。 受噪声干扰以及矿物复杂的混合机理等因素影响, 高光谱端元识别和定量分析成为目前研究的热点与难点。 基于深度学习理论, 对原始自编码结构进行改进, 提出了一种改进的堆栈稀疏自编码的矿物高光谱端元识别方法(stacked sparse autoencoders, SSAE), 为高光谱解混提供新的思路。 首先, 根据矿物混合光谱的特点, 对原始自编码结构进行三点改进: 第一, 去掉自编码神经网络的偏置项(bias); 第二, 在隐藏层激活函数之前添加批归一化(batch normalization, BN)层, 最后一层输出层使用Relu激活函数; 第三, 用光谱角函数(LSAD)代替均方误差(LMSE)作为目标函数。 SSAE法通过梯度下降方式对目标函数进行优化求解获取神经网络参数。 然后, 利用Hapke模型建立不同矿物组合和不同质量分数的两个模拟数据集, 数据集共包括高岭石、 叶腊石、 蒙脱石、 绿泥石、 白云母、 方解石、 赤铁矿、 白云石、 钾长石和褐铁矿10种常见矿物光谱。 最后, 利用SSAE方法对模拟数据集进行端元提取测试, 测试结果与网络结构改进过程中产生的6种情况以及顶点成分分析法(VCA)和基于最小体积的变元切分增量拉格朗日单形体识别算法(SISAL)提取结果进行比较。 实验证明, 本研究提供的是一种盲端元识别方法, 改进后的SSAE神经网络端元提取精度比未完成改进前有明显提升。 SSAE法可以成功识别两个模拟数据集所有的端元, 光谱角距离(spectral angle distance, SAD)的平均误差分别为0.0597和0.0344, 与VCA法提取精度差异较小, 均优于SISAL法的识别结果。 SSAE法为矿物高光谱解混提供了新的方向, 对高光谱遥感的地质应用和高光谱遥感定量分析研究具有较好的促进作用。
堆栈稀疏自编码 神经网络 端元识别 高光谱 矿物 Stacked sparse autoencoders Neutral network Endmember extraction Hyperspectral Mineral 
光谱学与光谱分析
2021, 41(4): 1288

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!