非负张量分解模型驱动的深度学习高光谱盲解混

Tensor is the natural representation of high-dimension data, which can effectively represent the high-dimension features and keep those integrality. Therefore, nonnegative tensor factorization has the natural advantage in hyperspectral unmixing. This project will focus on the spatial-spectral based nonnegative tensor factorization model-driven deep-learning method for hyperspectral unmixing. The details are as follows. (1) Three-order nonnegative tensor factorization framework used to unmixing will be studied, and a new data-driven tensor factorization method will be proposed. By introducing spectral sparsity and neighborhood similarity, spatial-spectral based nonnegative tensor factorization for hyperspectral unmixing will be proposed. (2) Nonnegative tensor factorization model-driven deep-learning method for unmixing will be studied. And ADMM-Net based deep-learning framework for nonnegative tensor factorization unmixing will be established. (3) We will also research on the nonlinear unmixing based on nonnegative tensor factorization. We hope we can propose a new robust nonnegative tensor factorization model-driven deep-learning method for unmixing. The purpose of this project is to unearth the intrinsic high-order features in hyperspectral data to improve the performance of unmixing, and use deep-learning to adaptively determine the parameters of unmixing to realize the blind unmixing. Therefore, we think this project will be meaningful to both academic and engineering application.

张量是高维数据的自然表现形式，它能够有效地表达高维空间中的特征，并保持特征结构的完整性。对高光谱解混问题，非负张量分解具有天然的优势。本项目重点对联合空谱信息非负张量分解模型驱动的深度学习高光谱盲解混理论和技术难点进行研究。(1) 研究面向高光谱解混的三阶张量分解形式，基于高光谱影像内在结构，提出数据驱动的非负张量分解形式，联合光谱稀疏和空间局域自相似信息，提出联合空谱信息的非负张量分解高光谱解混框架。(2) 研究非负张量分解模型驱动的深度学习高光谱解混，提出面向高光谱解混的ADMM-Net深度学习网络，实现光谱盲解混。(3) 研究非负张量分解非线性光谱解混，提出鲁棒非负张量分解的深度学习非线性盲解混方法。本项目研究旨在利用张量方式挖掘高光谱影像内在高阶结构特征，以期获得更精确的解混效果；利用深度学习方式自适应选取解混模型参数，以期实现光谱盲解混，具有重要科学意义和应用价值。

本项目以高光谱解混为应用背景，以非负张量分解和深度学习为技术手段，系统深入地对联合空谱信息非负张量分解模型驱动的深度学习高光谱解混的理论和技术难点进行研究。主要的创新成果包括：1）提出了联合空谱信息的稀疏约束高光谱图像解混方法，利用光谱和空间先验模型，在图像中搜寻相似结构信息并加以利用，将空间和光谱信息的有效纳入稀疏正则化解混模型，与此同时，基于ADMM思想，通过内外部双循环迭代方法解决了模型的优化问题，实现在纯净像元获取困难情况下的高精度快速解混。2）创建了鲁棒双权重加权稀疏非负盲源分解解混框架，在非负张量/矩阵分解解混框架中，一方面引入刻画变异光谱的字典学习和低秩子空间投影学习思想，实现对端元光谱变异问题的处理，另一方面引入空谱双权重因子对丰度施以约束，保留了丰度图像更精细的结构和纹理信息，解决了光谱变异情况下对高光谱图像进行盲信号分离的难题。3）发展了空谱深度神经网络盲解混技术，基于深度自编码通过多层次网络学习实现异常像元与地物光谱信号的分离，突破了异常像元等数据污染严重情况下的低精度分解问题，实现了高光谱图像的高精度解混。.本项目形成了一套联合空谱信息非负张量分解模型驱动的深度学习高光谱解混新方法，开发了相应的软件系统，并在实际应用中验证了研究成果的有效性。在IEEE TGRS、IEEE JSTARS、Signal Processing、遥感学报、电子学报等国内外高水平学术刊物上共发表论文33篇，其中SCI检索15篇，包括SCI检索JCR 2区以上论文8篇，申请国家发明专利10项，其中6项已授权，获得软件著作权6项，培养研究生12人。项目相关成果在环境监测、土地利用调查以及亚像元目标识别等领域具有广阔的应用前景。