基于空谱域联合特征深度强化学习的光谱遥感图像在轨处理

Spectral sensor, which is capable of obtaining the physical characters of targets by measuring the spectrum of the electromagnetic energy they reflect or emit, has been widely used in remote sensing field for natural disaster detection and damage evaluation. However, we can only get the analyzed data after the spectral remote sensing image transmitted to ground station and processed with specified algorithms, decrease the time efficiency significantly. For this reason, more and more researchers focus on spectral remote sensing image processing technology on oribit. Spectrum function unmixing, target classification and target detection is two main analysis methods in spectral image processing and the performance of them will directly affect the accuracy of following process and the final result. In this application, we focus on remote sensing image processing algorithms and their implementations on orbit. Deep learning can achieve excellent performance even better than what we human can be and therefore has been widely used in artificial intelligence. A deep learning algorithm based on spectral feature is also presented in this application to get a superior classification result. Meanwhile, real time processing of hyperspectral image, which may contain hundreds of spectrum bands, is usually very difficult due to the huge volume of remote sensing data. We use GPU-based high performance computing technology to accelerate the processing speed on satellite. After all, we hope to solve the on-orbit preprcessing, classification and target detection of spectral remote sensing image with this application, which will greatly enhance the earth observation and deep-space exploration ability of our country.

光谱图像能够获取目标丰富的光谱信息，有效提高了对地观测以及深空探测效率。光谱特征分析是光谱图像解混、地物分类、目标识别的主要手段，直接影响到后续产品生成的准确性。为了保证光谱图像处理的准确性，本项目拟利用基于空谱域联合特征的深度学习来提高处理精度，研究光谱图像谱段选择算法，研究光谱特征的稀疏表示模型，研究隐含层的物理含义，研究基于搜索与监督的深度学习策略。为了提高遥感观测任务的时效性，对遥感图像进行实时在轨处理是目前研究热点。由于谱段数目较多，光谱图像处理算法运算复杂度普遍较高，为满足在轨实时处理需求，本申请拟利用高性能并行计算技术提高处理速度。本项目将研究在轨高性能并行计算架构技术，研究基于CPU-GPU异构的高性能并行处理方法，研究遥感图像预处理、深度学习分类、目标检测等算法的高性能并行实现方案。本申请拟通过以上研究内容，解决光谱遥感图像在轨处理问题。

高光谱图像能够获取到地物空间信息外的谱间信息，是对地遥感观测的重要传感数据。高光谱图像丰富的光谱特征能够有效的提高对地遥感的准确性，但是如何有效提取谱间信息是目前研究的难点。同时高光谱图像的数据量比较大，谱间处理比较复杂，需要对算法进行并行优化以提高遥感观测任务的时效性，对遥感图像进行实时在轨处理也是目前的研究热点。.本项目开展了以下研究内容：（1）为了保证在轨处理的准确性，利用基于谱间特征的深度学习来提高处理精度，研究光谱特征的稀疏表示模型、策略梯度强化学习、基于搜索与监督的深度学习策略。（2）由于谱段数目较多，光谱图像处理算法运算复杂度普遍较高，为满足在轨实时处理需求，本报告研究CPU-GPU异构的高性能并行处理方法。.本项目针对以上研究内容，取得的主要研究成果包括：（1）采用基于暗通道先验的引导滤波算法进行遥感图像质量提升，基于GPU内存访问模式，结合快速局部最小滤波算法和积分图像算法，提出了一种简单而有效的转置滤波算法。通过以上研究成果，该方法成功地加速了并行最小滤波算法和并行均值滤波算法，对于1920x 1080图像处理速度可以达到167fps。通过异步流处理进一步加速，加速比可以达到226倍，实现了遥感图像的实时质量提升。（2）为了解决高光谱图像实时处理问题，提出了基于GPU的实时目标检测方案，提出了一种大津算法的并行实现方案，并行计算不同像素值下的类间方差，并通过并行规约方式求取最大类间方差。提出了一种导向滤波的并行实现方案，通过对导向滤波中均值滤波这一关键算法的解构和优化，以及对整个导向滤波流程的简化，实现实时处理。.本项目通过以上研究成果，实现了基于GPU的高光谱图像的目标检测系统，该系统能够实海面目标的智能提取，同时识别舰船和飞机的目标数量大于10个，对每类目标的识别正确率大于90%。对于256x256x224高光谱图像，在NVIDIA GeForce RTX 2080Ti平台上处理时延小于2秒，能够满足高光谱图像的在轨实时处理要求，有着很好的在轨应用前景。