端元光谱库自适应更新的空谱深度稀疏回归高光谱图像解混

As a major breakthrough, hyperspectral imaging technology has achieved a leap of the remote sensing observations from qualitative analysis to quantitative identification. However, mixed pixels are a major problem in the quantitative hyperspectral data processing. This project focuses on the theories and technical difficulties of deep spectral-spatial sparse regression model for hyperspectral unmixing with an adaptive endmember spectral library. The details are as follows. (1) A deep sparse regression unmixing network based on ADMM is proposed to realize adaptive selection of model parameters and improve the generalization ability of the traditional unmixing model. (2) The deep network is then utilized to automatically learn endmember spectra from hyperspectral images, based on which, a deep sparse regression unmixing model with an adaptive endmember spectral library is proposed to improve the adaptability and flexibility of the model. (3) The deep spectral-spatial sparse regression unmixing model with an adaptive endmember spectral library is finally proposed to maintain the spatial heterogeneity information of the image, thus further improving the unmixing performance. Specifically, the spatial subpixel information of hyperspectral images is obtained by superpixel segmentation technology, while the sparsity of abundance coefficients is promoted by spectral weighting.

作为遥感领域的重大突破，高光谱成像技术促使成像遥感观测实现了从定性分析到定量识别的飞跃。但利用高光谱数据进行定量化和精细化应用过程中面临混合像元问题。本项目重点对端元光谱库自适应更新的空谱深度稀疏回归高光谱图像解混理论和技术难点进行研究。(1)研究面向稀疏回归解混的ADMM深度学习网络，提出深度稀疏回归解混方法，以期实现模型参数自适应选取，提升解混模型的泛化能力。(2)构建从高光谱图像中学习出端元光谱的深度网络，提出端元光谱库自适应更新的深度稀疏回归解混方法，以期提高解混模型的适应性和灵活性。(3)基于超像素分割技术挖掘高光谱图像的亚像元信息，联合光谱稀疏，提出端元光谱库自适应更新的空谱深度稀疏回归解混方法，以期保持图像的空间异质性信息，提升解混性能。

高光谱遥感具有图谱合一的特性，可以探测出在宽波段成像遥感中缺乏的地物精细光谱特性，对于精细化地物识别和参数反演至关重要。受传感器硬件制约，高光谱遥感数据的空间分辨率较低，图像中存在大量混合像元，同物异谱及异物同谱现象更为严重，给高光谱遥感数据处理技术提出了新的挑战。本项目系统深入地研究了端元光谱库自适应更新的空谱深度稀疏回归高光谱图像解混理论与方法，主要的创新成果包括：1)提出了端元光谱库自适应更新的可解释性空谱解混技术，构造了面向当前图像描述的半监督端元光谱库，针对不同观测条件下的地学应用需求，结合成像机理探究地物的“光谱-空间”结构特性，建立了超像元、像元与亚像元跨层级的可解释关联，解决了光谱变异条件下的数据质量降低问题，实现了高效精准的混合像元自动分解。2)创建了联合空间和光谱信息的加权稀疏解混框架，设计了面向丰度矩阵的光谱和空间加权因子，精准刻画了地物的空间分布和丰度的稀疏和低秩属性，解决了端元光谱库高互相干性对解混结果造成的不利影响，有效提升了算法从光谱库中准确识别端元的能力。3)发展了地物模型与观测数据联合驱动的深度网络解混方法，刻画了地物模型与观测图像之间的深层映射机理，突破了高光谱解混理论范式研究的限制，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的深度网络稀疏解混新方法，开发了相应的软件系统，在IEEE TGRS、IEEE JSTARS、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20篇，其中SCI检索JCR 2区以上论文8篇，申请国家发明专利2项，获得软件著作权5项，培养研究生8人。项目研究成果已被转化应用于国防装备建设、建筑工程材料识别，并被广泛应用于亚像元目标探测、红树林树种识别、土地覆被变化动态监测等领域研究。