基于稀疏低秩表示与深度学习理论的高光谱图像光谱变化处理研究

The widespread presence of spectral variation in spectral signature of pixels in hyperspectral images result in great difficulty for many applications, such as classification and recognition. By utilizing the new-emerging signal processing theories, i.e., sparse and low-rank representation, and deep-learning theory, the problem of spectral variation in hyperspectral image processing is handled in this proposal based on our previous achievements in related areas. In order to alleviate the influence of spectral variation, three schemes are carried out: 1). based on sparse and low-rank decomposition theory, the low-rank property in both spectral domain and spatial domain are explored for intrinsic image restoration; 2). the concept of spectral-variation library is firstly introduced to improve traditional sparse theory based hyperspectral image processing; 3). based on deep-learning theory, spatial optimized hyperspectral deep feature extraction are researched, thus, the influence of spectral variation can be alleviated by jointly using spatial context and feature extraction. Multi-source hyperspectral data are collected to evaluate the performance proposed in this project. Particularly, CPU-GPU coordination processing is adopted for fast parallel high-performance hyperspectral image processing. The achievements of this project are of great potentials in the applications such as deep-space exploration, environment projection, vegetation investigation, National defense and military, and etc. It will also make major contributions to the development of remote sensing and signal and information processing subjects.

高光谱图像中像元光谱特征的光谱变化现象是影响分类和识别等处理精度的关键因素之一，该项目基于稀疏低秩表示和深度学习等相关新兴信号处理理论，以课题组在高光谱图像处理方面的多年积累为基础，围绕影响高光谱图像处理中的光谱变化这一核心问题，主要进行以下三个方面的研究：1）基于稀疏低秩分解理论，综合高光谱图像在光谱域和空间域的低秩特性进行本征图像恢复研究，减小光谱变化的影响；2）首次提出光谱变化库的概念，并基于稀疏表示理论，研究基于光谱变化库的高精度高光谱图像处理；3）基于深度学习理论，研究空间优化的高光谱图像深度特征提取，综合空间信息和深度特征提取减小光谱变化的影响。项目基于多源高光谱数据进行算法验证，并研究基于CPU-GPU协同处理的高速并行高精度高光谱图像处理系列算法，其研究成果可应用于深空探测、环境保护，植被覆盖率调查、军事国防等领域，对遥感科学和信号与信息处理学科发展均具有重要的促进作用。

围绕影响高光谱图像分析与处理性能的像元特征光谱的光谱变化问题，该项目基于稀疏低秩分解和深度学习等理论，主要从以下三个方面减小光谱变化对于高光谱图像处理的影响：1）基于稀疏低秩分解理论，综合利用高光谱图像在光谱域和空间域的低秩特性进行本征图像恢复，减小光谱变化的影响；2）基于稀疏表示理论，提出光谱变化库的概念，并利用光谱变化库的稀疏表示实现高精度高光谱图像处理；3）基于深度学习理论，利用深度神经网络强大的特征表示能力从图像中学习出有效特征，综合空间信息和深度特征提取减小光谱变化的影响，并基于迁移学习和度量学习等理论解决小样本条件下网络的训练与学习问题。本项目共发表期刊论文论文22篇，其中SCI二区索引以上论文18篇，包括遥感领域顶级期刊IEEE TGRS论文4篇；发表EI索引会议论文28篇，申请专利1项，获国际会议最佳论文奖和陕西省电子学会自然科学一等奖，培养研究生19人。项目的相关成果对于提高高光谱等多波段图像处理精度具有重要意义，目前已应用于多波段图像联合去噪以及红外多波段图像目标检测等国防领域。