高光譜遙感影像稀疏深度學習與分類研究

《高光譜遙感影像稀疏深度學習與分類研究》是依託河海大學，由薛朝輝擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：高光譜遙感影像稀疏深度學習與分類研究
• 項目類別：青年科學基金項目
• 項目負責人：薛朝輝
• 依託單位：河海大學

項目摘要

高光譜遙感影像的高維、信息冗餘、光譜維與空間維的同質與異質性等特性使得高光譜數據空間呈現出複雜的非線性結構，對準確的影像分類帶來巨大挑戰。因此，如何更有效的表達複雜、非線性的高光譜數據並實現高精度分類是當前亟需解決的重要科學問題。稀疏表達能夠增強高維信號的判別性，而深度學習能夠有效刻畫影像的高層特徵，二者結合的潛力巨大。本項目深入探索高光譜遙感影像稀疏深度學習與分類方法，從三個層面對稀疏表達和深度學習進行理論分析和方法完善：發掘稀疏表達與相似性度量之間的密切關聯，研究基於協同稀疏表達的維數約減方法；探索引入空間鄰近和稀疏性約束的深度卷積網路，研究基於稀疏深度卷積網路的特徵學習方法；藉助稀疏圖進行類別標記信息的傳播，研究基於稀疏圖正則化的分類方法。本項目研究稀疏深度學習與分類方法，對複雜、非線性數據空間條件下的高光譜遙感影像特徵學習以及大場景影像的小樣本分類具有重要的科學研究和實際套用價值。

結題摘要

針對高維特性和現實分類場景中樣本的有限性，構建穩定、可靠的特徵學習與小樣本分類方法是高光譜遙感影像處理領域亟待解決的重要科學問題。本項目系統研究了高光譜遙感影像基於稀疏圖嵌入的特徵提取和分類方法，重點提出了基於協同稀疏圖嵌入和稀疏多流形學習的特徵提取方法，以及基於稀疏圖正則化的主動半監督分類方法。採用國際通用測試數據集 ROSIS 和 AVIRIS 檢驗了本文方法的性能，同時針對黑河流域張掖綠洲農業區精細農作物的區分，採用 CASI/SASI 航空高光譜遙感影像對本文方法進行了套用驗證。研究揭示了高光譜遙感影像稀疏表達與圖構建之間的有機聯繫，提出了兩種改進的稀疏圖構建方法；根據構建的稀疏圖，套用圖嵌入思想提取高光譜遙感影像光譜維特徵以提高對地物的區分能力，提出了基於協同稀疏圖嵌入和稀疏多流形學習的特徵提取方法；藉助稀疏多項式邏輯回歸模型（SMLR），實現了基於稀疏圖嵌入特徵提取的高光譜遙感影像分類；採用全約束稀疏表達構建稀疏圖，提出了稀疏圖正則化的主動半監督分類方法。本項目研究稀疏深度學習與分類方法，對複雜、非線性數據空間條件下的高光譜遙感影像特徵學習以及大場景影像的小樣本分類具有重要的科學研究和實際套用價值。