10.3964/j.issn.1000-0593(2023)05-1508-09
基于深度自编码网络的高光谱影像解混研究
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
43
P258(专业测绘)
国家重点研发计划;国防基础科研计划
2023-06-09(万方平台首次上网日期,不代表论文的发表时间)
共9页
1508-1516