基于深度流形学习的高光谱数据非线性特征提取方法研究

Hyperspectral remote sensing can get abundant spectral information of the target, but it has to pay the price of high dimensionality. To deal with the high dimensionality of hyperspectral data, the mainstream solution is feature extraction. Theoretical analysis and experiment results show than there are nonlinear characteristics in hyperspectral data, while the traditional feature extraction method ignore the nonlinear characteristics. The research will focus on the nonlinear characteristics of hyperspectral data, and we use the application of hyperspectral data as a guide. Under the framework of manifold learning, we use deep learning as mathematical tool to deal with problem of hyperspectral data nonlinear feature extraction. The research will focus on three parts: Analysis and measument of hyperspectral data nonlinear characteristics; manifold learning and it's capability of extract hyperspectral data nonlinear characteristics; deep manifold learning based hyperspectral data nonlinear feature extraction method. The research algorithms will form a hyperspectral data nonlinear feature extraction software package, and it will promote the real application of hyperspectral remote sensing in many research areas such as classification detection and recognition.

高光谱遥感能够获取目标丰富的光谱信息，但这是以高数据维数作为代价的。针对高光谱数据的高数据维，解决这一问题的主流方法是特征提取。理论分析及具体实验均证明高光谱数据蕴含着相当程度非线性特性，而传统的线性特征提取方法忽略了非线性特性。因此，本研究针对高光谱高维数据中固有的非线性，以高光谱数据应用为导向。在深度学习的框架下，以流形学习为手段，对高光谱数据的非线性特征提取问题进行探索性和可应用性的研究。研究内容集中在以下三个方面：一、高光谱数据的非线性分析及其度量；二、流形学习理论及其非线性特征提取能力分析；三、基于深度流行学习的高光谱数据非线性特征提取。研究算法将形成高光谱非线性特征提取软件包，促进高光谱遥感在分类、检测、识别等多个领域内的实际应用，使高光谱数据得到充分、有效的利用。

高光谱遥感能够获取地物目标丰富的空间及光谱信息，从而以更高的可信度的辨别和区分地物，但这是以高数据维数为代价的。如何从高光谱数据中提取出有效特征，是高光谱遥感信息处理的一个核心问题，也是高光谱遥感得到广泛、深入应用的前提。因此，本项目首次利用深度学习技术，对高光谱数据的非线性特征提取进行了开创性研究。.首先，对高光谱数据的非线性特性进行了分析及度量，证明了高光谱数据蕴含着相当程度的非线性，为后续的高光谱数据的非线性特征提取奠定了理论基础。.接下来，利用流形学习和深度学习，对高光谱数据的特征提取问题进行了深入的研究。提出了基于黎曼流形学习的高光谱数据非线性特征提取方法。更为重要的是，首次提出利用深度学习进行高光谱特征提取的理念，设计并实现了一系列具有深度结构的非线性特征提取方法，使深度学习的理念能够用于高光谱图像的处理，开辟了高光谱遥感数据特征提取及分类的新方向。.在2014年，设计并实现了高光谱遥感数据特征提取及分类的第一个具有深度结构的模型。具体来说，研究了利用堆栈自动编码机这一深度模型来提取高光谱数据的非线性特征，提出了堆栈自动编码机-支持向量机与堆栈自动编码机-逻辑回归分类器两种特征提取及分类方案。在此基础上，提出基于堆栈自动编码机的空谱信息联合的高光谱数据特征提取方法。.在2015年，首次将深度置信网应用到高光谱数据的特征提取及分类中，分别从光谱、空间以及光谱-空间三个角度使用深度置信网实现高光谱数据特征提取及分类。.在2016年，针对高光谱数据蕴含的光谱、空间及空谱信息，分别构造基于一维、二维和三维的深层卷积神经网络，实现了高光谱数据特征的分级表达，并将提取的特征引入高光谱数据的地物分类中。.所提出的一系列非线性特征提取方法在高光谱实际数据中均得到验证，相对于经典特征提取，分类精度有较大程度的提高。.近年来，深度学习作为特征学习的一个重要突破，用来解释图像、语音和文本等数据，在学术界和工业界取得了广泛关注。具体到遥感领域，项目组首次提出深度学习适用于高光谱遥感非线性特征提取，设计并实现了一系列具有深度结构的模型。自2014年起，在高光谱遥感领域，基于深度学习的数据处理方法得到了越来越多的应用，已经形成了高光谱数据特征提取及分类的新分支。项目组所提出的一系列深度学习方法不仅具有较强的理论意义，也具有一定的实用价值，推动了高光谱遥感特征提取技术的发展。