基于自适应光谱库的高光谱遥感图像稀疏解混算法研究

Hyperspectral remote sensing image has been widely used in many fields, thanks to its continuous spectral signature, with which different land-covers can be distinguished effectively. However, because the limited spatial resolution of the sensors and complex diversity of materials, there are lots of mixed pixels in hyperspectral imagery, which limit the range and potential of its applications. This proposal intends to investigate sparse unmixing of hyperspectral remote sensing image, considering the mismatching between an endmember spectral signature in the scene and its corresponding dictionary sample, spatial constraint of the observed data and estimated abundance is not enough, furthermore, there is no theoretical guidance about how to estimate the regularization parameters in the optimization problems, this proposal tries to develop a robust and more accuracy hyperspectral sparse unmixing method, simultaneously adaptive adjusting spectral library and selecting regularization parameters efficiently. This proposal aims at accurately unmixing the mixed pixels, as well as acquiring information from sub-pixels and improving retrieval accuracy. Enhancing interpretation capabilities and practical application potentials with the existing remote sensing observation systems, which is of great importance in many applications, such as military reconnaissance, geologic survey, precision agriculture and so on.

高光谱遥感图像可以提供连续的光谱曲线，有效的反映出不同地物的诊断性光谱特征，被广泛的应用在诸多领域。然而由于遥感影像传感器空间分辨率较低以及地物的复杂多样性，使得混合像元普遍存在于高光谱图像中，限制了高光谱遥感图像应用的范围与潜力。本项目研究高光谱遥感图像混合像元稀疏解混，针对高光谱遥感图像中的端元光谱特征与光谱库中相应物质的光谱特征之间的误匹配、观测数据和估计丰度的空间约束不够、以及稀疏解混目标函数中的规范化参数估计缺乏理论指导。发展稳健、准确性高的高光谱遥感图像稀疏解混方法，同时实现光谱库的自适应修正、规范化参数的有效选取。拟发展的方法能够准确地分解混合像元，从亚像元级别上获取地物信息，提高了高光谱图像丰度反演的精度。基于现有遥感观测系统提升图像的解译能力与实际应用潜力，在军事侦察、地质调查、精细农业等方面具有重要应用价值。

作为对高光谱图像处理的关键技术，高光谱图像解混已成为当前高光谱图像处理领域研究的新热点，广泛应用于制药、食品安全、矿物提取和自然灾害监测与评估等。本项目旨在利用非负矩阵分解、张量分解和图像稀疏表示等理论提出能够满足实际应用、稳健有效的高光谱解混新算法，并通过实际应用验证算法有效性。为此，利用双权重稀疏表示（空间稀疏、光谱稀疏）、张量分解发展出针对高光谱图像的解混算法；提出端元中心化约束和丰度稀疏表示的高光谱图像非负张量分解算法；提出基于光谱-空间双约束的稀疏解混算法，所设计的光谱权重有效提高了解混的噪声鲁棒性；提出基于稀疏子空间表示的高光谱解混方法，有效利用数据的空间全局信息；提出基于自适应全变分表示和非负矩阵分解的高光谱解混方法，有效抑制全变分约束产生的阶梯效应；最后，总结非负矩阵高光谱图像解混方法，并进行综述，为高光谱解混研究提供扎实的研究基础；此外，还拓展支持开展基于深度神经网络的高光谱分类研究、基于稀疏、低秩、张量的高光谱图像降维与分类研究，极化SAR 图像分类方法研究等。并将研究成果应用于工程实践和人才培养，取得了一定的社会效益。在遥感领域国际顶级学术刊物和国际学术会议上已发表论文4篇，其中被SCI收录1篇；另外还有4篇处于正在审稿中。该项研究丰富、发展高光谱图像解混的相关理论和技术，为后续高光谱图像处理与应用奠定良好基础。