高光谱遥感图像混合像元非线性分解理论方法及应用研究

Nowaday data processing techniques are far from adequate for large amounts of data in hyperspectral remote sensing images. Meanwhile, the technique for nonlinear decomposition of mixed pixels, as an important way to extract useful information from hyperspectral remote sensing images, has started to attract more attentions recently.. This project systematically addresses the issue of nonlinear decomposition of mixed pixels for hyperspectral remote sensing images by use of constrained nonlinear optimization, manifold learning and kernel function theories. It includes nonlinear endmember extraction, nonlinear abundance estimation and unsupervised nonlinear unmixing. Combining spectral mixing models and constrained nonlinear optimization, the research deals with model-based nonlinear unmixing problems; combining inherent features of hyperspectral images and manifold learning or kernel function theories, it also studies model-free nonlinear unmixing problems. Moreover, the project emphasizes on experimental validation of the proposed theories and methods, conducting application research on investigating vegetation areas and monitoring chlorophyll and suspended sediment concentrations at the Yangtze River Estuary in Shanghai with these new methods based on the theoretical studies.. This project aims at making a breakthrough in the existing framework for decomposition of mixed pixels and realizing accurate data-driven nonlinear unmixing. Its goals include providing novel theories, methods and implementation means to solve the problems of fine classification and identification of ground objects for hyperspecteral remote sensing images.

相对于高光谱遥感图像提供的巨大数据量，当前的数据处理技术尤显不足。而混合像元非线性分解技术作为从高光谱遥感图像中有效提取有用信息的一个重要途径，近年来开始受到重视。. 本项目系统地研究高光谱遥感图像混合像元非线性分解问题，采用约束非线性优化、流形学习和核函数理论开展非线性解混研究，其研究内容包括非线性端元提取、非线性丰度估计和无监督非线性解混。将光谱混合模型与约束非线性优化相结合，研究基于模型的非线性解混问题；将高光谱图像的固有特性与流形学习或核函数理论相结合，研究不基于模型的非线性解混问题。更进一步，将高度重视理论和方法的实验验证，在理论研究基础上，结合这些新方法开展植被区域调查和上海长江口叶绿素浓度、悬浮泥沙量监测的应用研究。. 本项目旨在突破现有混合像元分解框架，实现数据驱动下非线性混合像元精确分解，为解决高光谱遥感图像地物目标精细分类与识别问题，提供新的理论方法及实现手段。

高光谱遥感图像中混合像元的大量存在使得像元级的地物目标精细分类和识别操作变得异常困难，因此，相应的解混技术在实际应用中具有极其重要的意义。近年来，随着高光谱遥感图像处理的发展，非线性解混问题越来越引起人们的重视，然而，现有的非线性解混的研究水平尚属起步不久，在理论和应用上都很不成熟。.我们在深入分析和研究高光谱遥感图像成像机理和特点的基础上，在约束非线性优化、流形学习和核函数理论框架下，通过结合高光谱遥感数据的特点（例如：引入必要的物理约束等），采用有效的运算步骤，取得了更为理想的高光谱遥感图像非线性解混效果。.在理论和算法研究方面，主要的创新性工作包括如下：.（1）在基于非线性光谱混合模型方面，提出了一种基于双线性混合模型的有监督高光谱图像非线性光谱解混算法；提出了一种基于双线性混合模型和约束非负矩阵分解的无监督高光谱图像非线性光谱解混算法；提出了一种基于多线性光谱混合模型的逐波段高光谱图像非线性解混算法。.（2）在不基于模型的高光谱图像非线性解混方面，提出了一种基于丰度约束核非负矩阵分解的高光谱图像非线性解混算法；提出了一种考虑光谱变异性的基于核变换的高光谱图像非线性解混算法。.（3）在高光谱图像分类方面，提出了基于隶属度评分的空谱特性相结合的高光谱图像分类算法。.（4）在高光谱图像的目标探测方面，提出了几种基于低秩表示、学习字典和张量分析的高光谱图像目标探测算法。.在演示系统的研制方面：对所提出的新理论和新方法，我们都编制了相应的实现软件，搭建了软件系统，可进行相应的演示表演。我们课题组开发了一套功能较为完备的高光谱遥感图像处理和分析软件包。该软件包的主要功能是，可完成高光谱遥感图像的像元解混、分类和目标探测任务，以及高光谱遥感图像的输入/输出、预处理、降噪、可视化等相关操作。.在本项目的完成过程中，共发表学术论文38篇，其中发表属SCI检索的论文20篇，属EI检索的论文31篇；国际期刊论文15篇，国内权威期刊论文6篇，核心期刊论文4篇，国际会议论文13篇。已申请国家发明专利7项，其中已获授权1项。另外，培养博士研究生7名（其中3名已毕业），硕士研究生15名（其中9名已毕业），培养中青年学术带头人2名。