基于深度矩阵分解的高光谱图像解混研究

Hyperspectral unmixing, as an important technology for acquiring information from hyperspectral images, has become a hot topic in hyperspectral images analysis. Within the arrival of big data and parallel computing, the idea of deep learning has been applied to many fields and demonstrated good performance. Deep matrix, as an application inspired from the idea of deep learning, has achieved good performance in many applications because it has a good ability for data mining. Based on the deep learning, this application studies the deep matrix factorization based hyperspectral unmixing method and proposes a mathematical model for the deep matrix factorization based hyperspectral unmixing, a solution for the model and a algorithm of a graph learning based region regularized deep matrix factorization for hyperspectral unmixing. This application provides a novel method for improving the performance of hyperspectral unmixing, and a theoretical support for object classification and identification. Moreover, it also provides a reliable technology which could let the idea of deep learning be applied in hyperspectral unmixing field.

高光谱图像解混作为高光谱图像有效获取信息的一种重要手段，成为了高光谱数据分析领域内的研究热点。同时，深度学习思想，伴随着大数据及并行计算的到来，广泛应用于各个领域，并取得了良好的效果。然而，由于数据量的限制，深度学习思想很少应用于高光谱图像解混中。深度矩阵，作为一种深度学习思想在矩阵中的应用，由于其可以挖掘数据内部的特性，在实际应用中取得了良好的效果。本项目申请基于深度学习思想，研究基于深度矩阵分解的高光谱图像解混的方法，探索基于深度矩阵分解的高光谱图像解混的数学模型、相应解法，以及增加基于图学习区域限制的深度矩阵分解的高光谱图像解混算法。该项目的实现，将为提高高光谱图像解混精度，解决地物目标的分类和识别问题提供新的理论支撑，并且为深度学习思想应用于高光谱图像解混提供一种可靠的技术手段。

高光谱图像解混作为高光谱图像有效获取信息的一种重要手段，成为了高光谱数据分析领域内的研究热点。本项目围绕基于深度矩阵分解的高光谱图像解混的研究，重点研究了基于深度矩阵分解的高光谱图像解混模型，光谱空间域在高光谱解混中的限制，以及相关理论在高光谱图像分类、显著度检测等问题。并取得了以下成果：1）研究了深度矩阵分解的机理，将深度矩阵与高光谱图像特性相结合，提出了基于深度矩阵分解的高光谱图像解混模型；2）在基于深度矩阵分解的高光谱图像解混模型基础之上，研究并提出了不同的空间及光谱域的相关限制，提升了高光谱图像解混算法的精度；3）研究了图像显著度的相关方法，提出了基于材料的图像显著度物体检测算法，有效的将高光谱图像与物体显著度检测联系到一起，提升了不同材料物体显著度的检测精度；4）研究了图卷积神经网络的机理，在此基础之上提出了基于归纳表示学习图卷积网络的高光谱图像分类方法。项目组在IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing等权威学术期刊发表论文7篇，申请发明专利5项，在高光谱图像信息处理领域产生了一定的学术影响力。