基于计算共形几何的海洋高光谱遥感影像特征分析与目标识别

Marine hyperspectral remote sensing has the advantage of high spectral resolution and spatial resolution. As an advanced technology in recent years, marine hyperspectral remote sensing plays a key role in marine observation, marine disaster prevention and mitigation, sea target recognition and surveillance, maritime emergency rescue, etc. High noise and weak edge of marine hyperspectral remote sensing image cause great difficulties to target recognition. What’s more, the existing methods of image denoising and target recognition have many shortcomings such as loss of location feature of spectrum surface, prominent "ambiguity" caused by noise. Therefore, on the basis of the establishment of a new system model for the feature analysis and target recognition of multi-level hyperspectral remote sensing images, a method of marine hyperspectral images feature analysis and target recognition based on computational conformal geometry is proposed. First of all, computational conformal geometry method is innovatively introduced to this project, which has advantage in keeping local surface shape and the geometric structure. Dimension reduction and denoising method of spectral surface feature conformal mapping is proposed. Furthermore, a method of target recognition based on multi-instance learning is proposed, adopting multi-dimension gradient super pixel construction and visual attention mechanism target feature extraction, and solving the problem of uncertainty between the target and the training sample caused by noise. The research results will provide advanced and effective theories for the application of hyperspectral remote sensing technology.

海洋高光谱遥感具有极高的光谱分辨率和空间分辨率优势，作为近年来发展的先进技术手段，在海洋观测、海洋防灾减灾、海上目标识别与监视、海上突发事件应急搜救等方面可发挥关键作用。海洋高光谱遥感影像的高噪声和弱边缘特性，导致目标识别时存在很大困难，现有的海洋遥感影像去噪与目标识别方法存在光谱曲面局部特征丢失、噪声引起的“歧义性”突出等诸多不足。为此，本项目拟在建立多层级海洋高光谱遥感影像特征分析与目标识别的新型系统模式基础上，提出基于计算共形几何的遥感影像特征分析与目标识别方法。首先，通过创新引入计算共形几何方法，发挥其在保持光谱曲面局部形状和几何结构方面的优势，提出光谱曲面特征共形映射降维去噪方法；然后，通过多维梯度的超像素构建与视觉注意机制的目标特征提取，及解决噪声引起的目标与训练样本间的不确定性问题，提出基于多示例学习的目标识别方法。研究成果将为海洋高光谱遥感技术应用提供先进有效的理论方法。

高光谱遥感具有极高的光谱分辨率和空间分辨率优势，作为近年来发展的先进技术手段，在海洋防灾减灾、海上目标识别与监视、海上突发事件应急搜救等方面可发挥关键作用。针对高光谱影像分割、分类和识别算法展开研究，主要研究内容包括：（1）考虑到采用单一评价准则波段选择方法目标的片面性及多准则波段选择方法的多个准则可能存在冲突，使得难以寻找最优波段组合，本文以波段间的相关性为前提，综合信息量和类别间可分性构建评价准则函数，引入博弈策略和多目标粒子群算法，提出基于博弈策略及多目标粒子群算法的高光谱影像降维方法，将博弈思想引入到降维过程中，利用博弈论对信息量和类别间可分性这两个目标进行优化，从而搜寻到最优波段组合；（2）高光谱影像标注代价昂贵，使得标记样本缺乏，这使得现有基于深度学习的高光谱影像分类方法容易过拟合。针对该问题，提出基于多分支融合网络的高光谱影像分类方法，在普通网络增加多个分支结构，并辅以BN算法和L2正则技术，改善模型特征提取能力并有效减轻过拟合现象；（3）因深层结构或采用3D卷积，现有模型训练参数普遍过多，计算代价大。针对此问题，提出基于特征融合网络的高光谱影像快速分类与识别方法，通过采用大幅小卷积核设计出具有轻量化特点的卷积神经网络模型，通过跨层连接实现特征复用机制，对中层特征重复利用，使模型在小样本条件下具备良好的泛化性能；（4）针对样本缺乏的问题，提出基于多判别器生成对抗网络的高光谱影像分类与识别方法，实现高光谱影像的无监督特征提取。本文选取多个常用高光谱数据集，通过对比实验证实所提出的降维和分类方法的有效性。研究成果为海洋高光谱遥感技术应用提供先进有效的理论方法。