联合空谱上下文的高光谱遥感图像低秩表示分类理论与算法

Hyperspectral image classification is a hot topic in the field of remote sensing information processing. Because of the image characteristics of high dimensionality, strong spectral correlation, big inter-class difference and insufficience of training samples, it is difficult to realize high precision hyperspectral classification. Existing sparse representation classification methods mainly use structured sparsity to design hyperspectral classification model, which take into consideration the partial local correlation without global structure. In order to further improve the classification accuracy, discriminative structured dictionary learning method for low rank representation of hyperspectral image is studied, graph structured sparsity with spectral-spatial joint context is expoited, low rank representation classification model is advanced based on the global correlation and intrinsic local structure of hyperspectral image, fast algorithm and its parallel optimization for hyperspectral classification is designed on CPU/GPU heterogeneous execution mode. A novel hyperspectral image classification method based on low-rank representation and spatial-spectral context is proposed, which will lay the foundations for efficient hyperspectral information processing and quantitative interpretation, and have wide application perspectives in the fields of earth observation and deep space exploration.

高光谱图像分类是遥感信息处理领域的研究热点。高光谱图像维数高，波段间相关性大，空间分辨率低，类内差异性强，存在噪声等退化情况，且训练样本相对不足，分类精度很难保证。现有的稀疏表示分类方法主要利用结构化稀疏先验来设计分类模型,只考虑了高光谱像元局部邻域内的部分相关性，缺乏对数据全局特性的建模，其精确性有待提高。本项目研究空谱上下文联合的高光谱低秩表示分类理论和算法，主要内容包括：高光谱图像的鉴别性结构化低秩表示字典学习，空谱上下文联合的高光谱数据图结构化稀疏性建模，利用数据的全局相关性和内在局部结构建立空谱联合的高光谱低秩表示分类模型，基于凸分析理论设计快速分类算法，结合CPU/GPU异构混合执行模式进行多级协同并行优化，并面向地质勘探和水域环境监测进行应用试验和测试验证。为提高高光谱遥感信息处理和定量解译的精度奠定基础，推动高光谱遥感在对地观测、深空探测领域的实际应用，具有广阔的应用前景。

高光谱图像分类是高光谱遥感数据处理的关键环节，是遥感领域的研究热点。高光谱图像维数高，波段间相关性大，空间分辨率低，类内差异性强，存在噪声等退化情况，且训练样本相对不足，分类精度很难保证。针对上述问题，本项目首先基于稀疏和低秩表示理论框架充分提取高光谱图像空谱上下文的全局和局部相关性先验信息，创新提出了一系列基于空谱结构化特征的高光谱遥感图像低秩表示分类方法，主要包括基于核低秩表示的高光谱图像分类模型和算法、基于空谱联合多核学习的低秩表示高光谱图像分类方法、基于概率核协同表示的高光谱图像空谱联合分类模型和算法等11个模型和算法，取得了高效、稳定、鲁棒的高精度分类效果。其次，针对高光谱数据高效处理与应用需求，结合CPU-GPU异构混合执行模式，充分利用CPU的逻辑控制能力和GPU的紧密度高性能并行计算能力，设计了多层次的存储与I/O优化策略，基于CUDA架构建立通用并行映射模型和合理数据划分，设计了高光谱图像空谱联合分类的高效并行优化算法，有效提升了数据处理效率。同时，针对海量遥感图像的单机计算瓶颈问题，提出了基于云计算的海量高光谱遥感数据分布式高效存储与可扩展并行计算模型和方法，达到了大数据量的存储和可扩展计算处理能力。更进一步地，本项目将空谱联合高光谱分类研究成果拓展应用于高光谱目标检测中，提出了一系列空/谱/时融合的高光谱目标检测模型和算法。本项目形成了一套联合空谱上下文的高光谱遥感图像低秩表示分类新方法，开发了相应的软件系统，并利用实际应用验证了项目研究成果的有效性。在IEEE Trans. on GRS等国际高水平学术刊物上共发表论文38篇，其中SCI检索23篇，包括SCI检索JCR 1区论文5篇，SCI检索JCR 2区论文13篇，申请国家发明专利6项 (1项已授权)，获得软件著作权3项，培养研究生36人。项目相关成果在对地观测、深空探测等领域具有广阔的应用前景。