[发明专利]基于深度学习方法的高光谱数据处理方法

说明书

本发明提出了一种基于深度学习方法的高光谱数据处理方法，该方案能对现有的特征投影矩阵进行优化，得到优化特征投影矩阵，然后根据优化特征投影矩阵对高光谱数据进行处理，得到高光谱图像；本发明的有益技术效果是：提出了一种基于深度学习方法的高光谱数据处理方法，该方案能适用于不同的提取特征方法，能显著提高提取特征的识别能力，改善高光谱数据的处理效果。

技术领域

本发明涉及一种高光谱数据处理技术，尤其涉及一种基于深度学习方法的高光谱数据处理方法。

背景技术

如今，高光谱图像(HSI)已成为遥感领域最热门的研究领域之一；通过从可见光到近红外波段的密集光谱采样，高光谱数据中的每个像素都包含大量连续的光谱段，这些波段为土地覆被的精细分类提供了有用的信息。高光谱早已广泛应用于资源勘探，精准农业，环境科学和城市规划等许多领域。在这些领域中，对高光谱图像每个像素的分类都起着至关重要的作用。然而，高光谱图像具有的高维图像结构常常导致维数灾难，当引入传统方法进行分类时，很容易引起休斯现象。因此，从高维高光谱数据中学习其内在的低维特征是高光谱遥感技术进一步应用的关键。

特征提取(FE)是提取低维嵌入特征的一种有效手段，并且科研者们已提出大量的特征提取方法来处理高维数据。主成分分析法(PCA)是一种经典的特征提取方法，该方法通过正交投影来最大化数据的方差。独立成分分析法(ICA)，目的是寻找一个能使数据最大独立的投影方向来增强数据的独立性。但是PCA和ICA都属于无监督方法，在大多数情况下不能满足应用的需求。线性鉴别分析(LDA)是一种传统的监督方法，该方法利用样本的标签信息最大化低维空间中原始数据的方差。最大边界准则(MMC)能够进一步使类间散度最大化和类内散度最小化。然而PCA以及LDA等方法都是以统计学原理为基础，忽略了数据内在的流形结构。

过去20年的研究发现，HSI数据具有内在的流形结构。为了揭示高维空间中的流形结构，学者们设计了多种流形学习方法。这些方法包括局部线性嵌入(LLE)、等距映射(Isomap)、拉普拉斯特征映射(LE)、邻域保持嵌入(NPE)和局部保持投影(LPP)。然而，这些无监督的分类方法不能利用训练样本的标签信息来获得用于分类的判别特征。针对这一问题，学者们提出了一些监督流形学习方法。Sugiyama等人通过结合Fisher判别分析(FDA)与局部保持投影(LPP)，提出了局部Fisher鉴别分析(LFDA)，这种方法利用先前的知识探讨HSI数据的几何性质。闫等人提出了一种边界Fisher分析(MFA)方法，该方法通过构造一个类内图和一个类间图来揭示数据中的判别流形结构。罗等人提出了局部几何结构Fisher分析(LGSFA)方法，即通过训练样本及其对应的重建点来学习高光谱数据的几何特征，该方法在分离类间样本及其重建点的同时，将类内邻域与其重建点压缩。张等人提出了一种基于流形学习的监督学习框架，利用显式多项式映射学习一个压缩的低维特征空间，该方法可以实现对测试样本的快速特征提取和分类。然而，这些流形学习方法只执行单一的映射过程，缺乏迭代优化过程来获得更优化的投影矩阵。同时，上述传统的特征提取方法依赖于浅层特征描述子，所以无法处理复杂场景中的非线性关系。

深度学习(DL)方法在目标检测和场景分类等任务中取得了巨大的成功。近年来，学者们研究了通过深度学习中的层级网络从光谱带提取深度信息的方法，在HSI数据中，更深的网络层数可以处理更为复杂的非线性关系。Ratle等人提出了利用人工神经网络(ANN)提取高光谱图像的内在特征，并在损失函数中引入正则化项来训练神经网络。陈等人研究了深度信念网络(DBN)，将光谱信息学习、空间信息学习与深度特征提取相结合，提取HSI数据的深度特征，获得较高的分类精度。陈等人介绍了一种基于栈式自编码器(SAE)的深度学习模型，通过直接在深度学习框架中输入光谱信息对HSI数据进行分类。上述DL方法试图提取HSI数据的深层特征，以提高土地覆被分类的性能。然而，这些方法只关注如何提取高光谱图像的深层特征，却没有关注高光谱图像内部的流形结构。

发明内容