高光谱图像非线性解混及鲁棒性算法研究

Hyperspectral unmixing is one of the prominent issues in remote sensing. This project aims to propose a data-driven, linear/nonlinear unmixing model using kernel method, and to study two classes of generalized robust criteria suitable to the unmixing problem. The corresponding optimization problems are solved with fast algorithms, such as ADMM. The major researches in this project are organized as follows. (1) A kernel-based, linear/nonlinear unmixing model is proposed, where endmembers, abundances and pixel-wise nonlinearity are jointly estimated. (2) To improve the robustness of the existing unmixing models against noise, the recent generalized maximum correntropy criterion (GMCC) is applied to linear unmixing model. Also, the GMCC provides a good framework to include common constraints raised in hyperspectral imagery. Lastly, the GMCC is extended to nonlinear models. (3) As a class of flexible and generalized robust methods, M-estimation is expected to reduce the influence brought by noisy bands. Starting with linear assumption, several robust unmixing models using distinct M-estimators are researched and compared. Furthermore, different constraints are considered in the proposed robust unmixing models. The research results of this project will provide both theoretical and technical support in nonlinear unmixing and robust unmixing domains.

高光谱图像解混是遥感领域关键问题之一。本项目旨在利用机器学习中核方法，提出一种从数据角度出发的线性/非线性解混模型，并且深入研究两类广义的、适用于解混问题的鲁棒性度量。拟采用快速算法处理对应的优化问题。本项目主要研究内容如下。（1）提出基于核方法的线性/非线性解混模型，同时估计端元和丰度，并且逐像元检测非线性程度。（2）为提升现有解混模型对噪声的鲁棒性，首次将广义最大相关熵准则应用于线性解混模型。接着，在此框架中结合解混问题中常用约束。最后，将最大相关熵准则扩展到非线性模型。（3）M-估计作为一类灵活的广义鲁棒性方法，有望减少异常信道对解混效果的影响。基于线性假设，首先建立基于不同M-估计的解混模型，并进行对比研究。接着，考虑结合不同约束的提升模型。本项目的研究成果将为高光谱图像的非线性解混和鲁棒性解混问题提供理论和技术支持。

随着日益先进的遥感和卫星技术带来数据量的海量激增，高光谱图像处理技术在国民经济多个领域产生日益重要的影响。在国家自然科学基金的支持下，本项目从高光谱图像特征提取识别与分析理解入手，主要研究了高光谱图像处理中的解混和分类两大问题，以及卷积神经网络的权值正则化等系列关键理论方法和算法实现。主要研究内容和结果如下：(1)研究高光谱图像的非线性及鲁棒性解混算法：提出了基于线性/非线性非负矩阵分解模型的解混；提出了基于多线性解混模型的图正则化方法；提出了基于L21范数的多线性模型鲁棒性解混方法；提出了基于广义相关熵的鲁棒性非负矩阵分解方法。(2)研究深度学习下的高光谱图像分类算法：提出了基于中心损失的神经网络光谱-空间特征提取与分类方法；提出了CNN的空间特征融合分类算法；提出了利用解混提升分类效果的算法，及其他系列结果。(3)研究CNN网络的正则化：提出了一种基于核方法的权重向量的去相关正则化算法。