高光谱遥感图像的鲁棒核空间联合稀疏表示研究

By generalizing the pixel-based sparse representation to the pixel-set-based joint sparse representation and incorporating the intrinsic structure information of hyperspectral image (HSI) via a matrix sparsity constraint, joint sparse representation (JSR) model has shown excellent performance and has become a hot topic in the fields of hyperspectral image classification and unmixing. However, the original JSR model doesn’t consider the noise and nonlinear structure of hyperspectral data. Based on the data characteristics of HSI, this project mainly focuses on the following three topics: (1) discussing the effect of noise and nonlinearity on the JSR model, analyzing the theoretical performance of JSR model, and presenting a unified framework for the robust kernel-based JSR; (2) designing robust objective function based on robust statistics or self-paced learning, constructing the Log-Euclidean kernel and hierarchical Gaussian kernel, and generating robust kernel-based JSR classification models; (3) proposing robust kernel-based sparse nonnegative matrix factorization algorithms based on self-paced weighted loss or truncated Cauchy loss, and solving the unmixing problems for real world hyperspectral images. The research achievements help to enrich the theory of JSR, to improve the robustness, accuracy and practicability of HSI classification and unmixing models, and to provide reference for the processing of complex data sets and complex tasks, which have important academic value and wide application prospect.

联合稀疏表示模型通过嵌入数据的内在结构信息，将单像素稀疏表示推广至像素集联合稀疏表示，目前已成为高光谱遥感图像分类和解混处理的热门研究方向。然而，联合稀疏表示理论应用于高光谱数据存在两大关键问题：(1)容易受到噪声影响；(2)没有很好地考虑非线性因素。因此，本项目拟：(1)探讨图谱数据噪声和非线性因素对联合稀疏表示模型的影响，搭建鲁棒核空间联合稀疏表示的统一框架，并分析其理论性能；(2)设计基于稳健统计与自步学习的鲁棒度量函数，构造对数欧式核与层次高斯核，形成统一框架下的联合稀疏表示分类模型；(3)提出基于自步加权损失与截断柯西损失的鲁棒稀疏非负矩阵分解模型，解决统一框架下的解混应用问题。项目研究成果有助于丰富和完善高光谱联合稀疏表示理论，提升高光谱图像分类和解混处理的准确性和实用性，为复杂数据采集环境、复杂任务下高光谱图像处理提供借鉴与参考，具有重要的学术价值和广泛的应用前景。

联合稀疏表示模型通过嵌入数据的内在结构信息，将单像素稀疏表示推广至像素集联合稀疏表示，目前已成为高光谱遥感图像分类和解混处理的热门研究方向。然而，联合稀疏表示理论应用于高光谱数据存在两大关键问题：（1）容易受到噪声影响；（2）没有很好地考虑非线性因素。为了解决噪声和非线性因素影响，本项目：（1）研究了图谱数据噪声和非线性因素对联合稀疏表示模型的影响，搭建了鲁棒核空间联合稀疏表示的统一框架，并从理论角度给出了噪声影响下稀疏信号恢复逼近误差。（2）设计了基于稳健统计与自步学习的鲁棒度量函数，构造了基于局部矩阵特征表示的对数欧式核，形成统一框架下的联合稀疏表示分类模型。（3）提出了基于自步加权损失与截断柯西损失的鲁棒稀疏非负矩阵分解模型，解决统一框架下的解混应用问题。（4）探讨了噪声和异质像素对深度分类模型的影响，构建了高光谱图像的空域-光谱挤压残差网络，有效抑制了噪声波段和边界像素的影响。考虑小样本分类情形和模型轻量化需求，提出了轻量型高光谱深度学习网络框架：LiteDepthwiseNet，LiteSCANet，ESSINet，实现了深层空谱特征的有效提取，解决了小样本下深度学习分类难的问题。（5）探讨了跨场景分类的领域自适应问题，提出了基于局部流形结构保持的判别域适应算法和深度对抗域适应算法，解决了不同影像之间分布差异问题。项目研究成果有助于丰富和完善高光谱联合稀疏表示理论，提升高光谱图像分类和解混处理的准确性和实用性，为复杂数据采集环境、复杂任务下高光谱图像处理提供借鉴与参考，具有重要的学术价值和广泛的应用前景。项目成果在权威期刊和会议上发表论文50篇，包括 IEEE Transactions期刊 16 篇，含 ESI 高被引论文 6 篇、ESI 热点论文 3 篇。应邀在权威期刊IEEE GRSM和JSTARS上发表稀疏表示和领域自适应相关综述论文2篇。项目成果获中国测绘科学技术奖二等奖 1 项。