高光谱遥感大数据语义分割研究

With the development of imaging spectroscopy technology, hperspectral remote sensing can get the abundant spectral and spatial information of the scene and it has the characteristics of volume and variety. So, the processing of hyperspectral data is challenging. There are two aspects: 1) with the improvement of spatial resolution, the pixle-based processing methods have their shortcomings; 2) on hyperspectral data of different scenes, different time, different scene classes, the processing methods is not effective of hyperspectral big data. In order to promote the understanding of hyperspectral big data, the research is focus on the robust spectral-spatial feature extraction and the semantic description of hyperspectral images using deep networks. The main contents of the project include four parts: 1) the analysis of the characteristics of hyperspectral images under the condition of different time, different locations and different spectra; 2) the integration representation and robust feature extraction of hyperspectral images based on hybrid deep networks; 3) to solve the difficulty of deep network design and local minima, the evolving deep network is proposed; 4) the feature based hyperspectral image segmentation is proposed, which is useful for hyperspetral image understanding. The research algorithms will form a hyperspectral feature extraction and semantic understanding software package, and it will promote the real application of hyperspectral remote sensing in many research areas.

成像光谱技术的发展，在确保光谱分辨率的基础上，在促使空间分辨率提高的同时，也带来了体量大、类别多的高光谱遥感大数据。数据获取手段的提升给信息处理方法带来了新的挑战，主要体现在：一、高光谱数据空间分辨率的提高，使得以像素级层面处理为中心的方法难以适应；二、高光谱遥感获取了广域场景、不同时相、地物类别众多的大数据，而当前处理方法难以满足实际需求。本项目针对高光谱遥感大数据的语义理解，应用深度网络处理高光谱数据的空间、光谱信息，提取鲁棒的空谱特征，最终形成对数据的语义分割。主要研究内容包括：一、时间-空间-光谱变化下的高光谱数据特性分析；二、基于混合深度网络的高光谱数据一体化表达及鲁棒特征提取；三、针对深度网络设计困难及容易形成局部极值，提出进化深度网络；四、完成深度特征下高光谱数据分割，促使高光谱数据的语义理解。研究将形成高光谱数据特征提取及语义理解软件包，促进高光谱遥感的理论研究及实际应用。

（特别说明：由于项目执行期限由4年调整为1年，在项目计划书中对研究内容进行了较大程度的调整，研究内容主要集中在高光谱数据的分类上。）.高光谱遥感能够以纳米级的光谱精度对目标地物进行成像，这种具有“图谱合一”成像方式是遥感领域的一大突破。然而，如何有效处理高光谱遥感不仅是理论热点，更是现实问题。高光谱数据分类是高光谱遥感信息处理的核心问题，也是高光谱遥感得到广泛、深入应用的前提。本项目利用深度学习技术，对高光谱数据的分类问题开展了创新性科学研究。这一年来的进展主要体现在以下两个方面：.1、提出结合Gabor滤波的卷积神经网络用于高光谱数据分类方法。利用一组具有特定频率和相位的Gabor滤波器，提取方向和相位的纹理细节，将经过Gabor滤波器滤波之后的高光谱数据作为卷积神经网络的输入，从而有利于图像分类精度的进一步提升。针对训练样本量较少问题，通过Gabor滤波器进行预处理，有效解决了高光谱数据小样本分类问题。.2、提出基于生成对抗网络的有监督高光谱数据分类方法。从数据的光谱维度和空间-光谱相结合的维度进行分析和研究，并针对性的提出高光谱数据1D-GAN和3D-GAN的网络结构，对不同层面的数据进行特征提取，从而完成对高光谱数据进行监督分类的任务并有效提高分类精度。.所提出的分类方法在高光谱实际数据中均得到验证，相对于传统方法，分类精度有较大程度的提高。.近年来，深度学习作为人工智能领域的一个重大突破，用来分析图像、语音和文本等数据，在学术界和工业界取得了广泛关注。具体到高光谱遥感领域，项目组提出高光谱数据的小样本分类方法以及基于对抗思想的高光谱数据分类方法，拓展了高光谱数据分类技术，不仅具有较强的理论意义，也具有一定的实用价值，推动了高光谱遥感数据分类技术的发展。