一种基于物理知识驱动和无监督学习的高光谱本征分解方法技术

一种基于物理知识驱动和无监督学习的高光谱本征分解方法，它属于遥感图像处理领域。本发明专利技术解决了采用现有本征分解方法分解出的反射率分量的准确度差的问题。本发明专利技术采取的主要技术方案为：步骤1、基于物理模型对高光谱遥感图像进行分解，得到反射率分量；步骤2、构建反射率分量估计子网络以及反射率分量估计子网络的输出损失项；步骤3、构建明暗分量估计子网络以及明暗分量估计子网络的输出损失项；步骤4、将物理模型输出与原始高光谱数据结合生成混合物理知识的输入数据，并初始化模型参数；步骤5、结合损失函数项优化网络模型，输出反射率分量。本发明专利技术方法可以应用于高光谱遥感图像的本征分解。图像的本征分解。图像的本征分解。

【技术实现步骤摘要】
一种基于物理知识驱动和无监督学习的高光谱本征分解方法


[0001]本专利技术属于遥感图像处理领域，具体涉及一种基于物理知识驱动和无监督学习的高光谱本征分解方法。

技术介绍

[0002]高光谱遥感图像中包含丰富的光谱信息，这对地物精确分类、目标识别、农业监测等应用具有重要意义。然而，由于高光谱图像成像过程中各种环境因素的影响，同种物质材料的反射率存在差异，即出现同物异谱的现象，这会导致高光谱遥感图像在后续应用中的精确度下降。
[0003]近年来，为了解决同物异谱的问题，本征分解技术在高光谱领域逐渐发展，但目前现有的遥感领域的本征分解方法主要是基于优化的模型，这种方法根据物理观测模型建立合理的约束假设，通过简化模型得到迭代的或非迭代的估计本征分量的方式。然而由于模型经过简化，基于优化的模型在本征分解的能力表现上存在一定的局限性，因此，采用现有本征分解方法分解出的反射率分量的准确度较差。随着深度学习技术的不断发展，基于深度学习的模型也被应用于遥感领域以更好地挖掘遥感图像数据在后续任务中的潜力。但是目前并没有利用深度学习框架解决高光谱本征分解问题的先例，因此，目前而言利用深度学习网络解决高光谱本征分解问题仍是一个技术瓶颈。

技术实现思路

[0004]本专利技术的目的是为解决采用现有本征分解方法分解出的反射率分量的准确度差的问题，而提出的一种基于物理知识驱动和无监督学习的高光谱本征分解方法，通过结合来自物理模型输出的知识，构建了由两部分估计子网络组成的双通道本征分解无监督网络，充分挖掘来自高光谱遥感图像数据的内在信息，完成从单一高光谱遥感图像分解出高质量反射率分量的任务。
[0005]本专利技术为解决上述技术问题所采取的技术方案是：
[0006]一种基于物理知识驱动和无监督学习的高光谱本征分解方法，所述方法具体包括以下步骤：
[0007]步骤1、基于物理模型对高光谱遥感图像进行分解，得到反射率分量；
[0008]步骤2、构建反射率分量估计子网络以及反射率分量估计子网络的输出损失项；
[0009]步骤3、构建明暗分量估计子网络以及明暗分量估计子网络的输出损失项；
[0010]步骤4、基于步骤1中的分解结果生成输入数据，结合反射率分量估计子网络和明暗分量估计子网络的输出损失项构造重建损失项，根据输入数据和重建损失项对反射率分量估计子网络和明暗分量估计子网络进行预训练，达到设定的预训练次数M1时停止预训练，将预训练结束时的网络参数作为训练反射率分量估计子网络和明暗分量估计子网络时的初始化参数；
[0011]步骤5、根据重建损失项、反射率分量估计子网络的输出损失项和明暗分量估计子
网络的输出损失项构造损失函数项，利用输入数据和损失函数项对参数初始化后的反射率分量估计子网络和明暗分量估计子网络进行训练，达到设定的训练次数M2时停止训练，将停止训练时反射率分量估计子网络的输出作为最终的反射率分量。
[0012]本专利技术的有益效果是：
[0013]本专利技术结合了来自物理模型的知识输入网络，使网络能够学习到从原始高光谱遥感图像中学不到的知识；同时本专利技术针对高光谱遥感图像的物理模型观测对两个本征分量估计子网络提出了合理的损失函数项，相比现有技术，本专利技术方法能在本征分解性能上得到提升，获得高准确度的反射率分量，更有助于后续在精细观测等其它应用上的表现。
[0014]为了验证本专利技术所提出方法的性能，针对资源一号02D卫星拍摄的一组高光谱遥感数据进行了实验，实验结果验证了本专利技术提出的基于物理知识驱动和无监督学习的高光谱本征分解方法的有效性。
附图说明
[0015]图1为本专利技术的一种基于物理知识驱动和无监督学习的高光谱本征分解方法的流程图；
[0016]图2为本专利技术构建的反射率分量估计子网络的结构图；
[0017]图3为本专利技术构建的明暗分量估计子网络的结构图。
具体实施方式
[0018]下面通过具体实施方式结合附图对本申请作进一步详细说明。显然，所描述的实施方式仅仅是本专利技术的一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施方式，都属于本专利技术保护的范围。
[0019]具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种基于物理知识驱动和无监督学习的高光谱本征分解方法，所述方法具体包括以下步骤：
[0020]步骤1、基于物理模型对高光谱遥感图像进行分解，得到反射率分量；
[0021]步骤2、构建反射率分量估计子网络以及反射率分量估计子网络的输出损失项；
[0022]步骤3、构建明暗分量估计子网络以及明暗分量估计子网络的输出损失项；
[0023]步骤4、基于步骤1中的分解结果生成输入数据，结合反射率分量估计子网络和明暗分量估计子网络的输出损失项构造重建损失项，根据输入数据和重建损失项对反射率分量估计子网络和明暗分量估计子网络进行预训练，达到设定的预训练次数M1时停止预训练(本专利技术中设置为1000次)，将预训练结束时的网络参数作为训练反射率分量估计子网络和明暗分量估计子网络时的初始化参数；
[0024]步骤5、根据重建损失项、反射率分量估计子网络的输出损失项和明暗分量估计子网络的输出损失项构造损失函数项，利用输入数据和损失函数项对参数初始化后的反射率分量估计子网络和明暗分量估计子网络进行训练，达到设定的训练次数M2时停止训练(本专利技术中设置为9000次)，将停止训练时反射率分量估计子网络的输出作为最终的反射率分量。
[0025]在预训练和训练过程中，反射率分量估计子网络和明暗分量估计子网络的输入均
为生成的输入数据。本专利技术将物理模型知识和深度学习模型结合，首次将深度学习框架应用于高光谱遥感图像的本征分解，充分发挥了来自物理模型知识的作用和网络提取特征的能力可以提升高光谱图像的本征分解的能力，估计出高质量的本征反射率分量。而且，本专利技术方法能够为单幅高光谱遥感图像优化最佳的网络估计模型，生成高质量的反射率分量，无样本数量限制，易于实现。
[0026]具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤1的具体过程为：
[0027]将高光谱遥感图像分解为明暗分量和只与材料自身有关的反射率分量的物理模型(该物理模型在对数域上通过逐像元相加的形式表示)为：
[0028]I＝ρ+S
[0029]其中，I表示高光谱遥感图像，ρ表示反射率分量，S表示明暗分量，其中，I表示高光谱遥感图像，ρ表示反射率分量，S表示明暗分量，表示实数域，n表示高光谱遥感图像中像元的总个数，d为高光谱遥感图像的光谱数；
[0030]基于高光谱本征分解基本模型，可经过非迭代的方式计算本征分量，反射率分量的表达式如下：
[0031][0032]其中，表示经过光谱维和空间维平均后的高光谱遥感图像，E
n
表示n
×
n的单位矩阵，I
d
表示d
...

【技术保护点】

【技术特征摘要】
1.一种基于物理知识驱动和无监督学习的高光谱本征分解方法，其特征在于，所述方法具体包括以下步骤：步骤1、基于物理模型对高光谱遥感图像进行分解，得到反射率分量；步骤2、构建反射率分量估计子网络以及反射率分量估计子网络的输出损失项；步骤3、构建明暗分量估计子网络以及明暗分量估计子网络的输出损失项；步骤4、基于步骤1中的分解结果生成输入数据，结合反射率分量估计子网络和明暗分量估计子网络的输出损失项构造重建损失项，根据输入数据和重建损失项对反射率分量估计子网络和明暗分量估计子网络进行预训练，达到设定的预训练次数M1时停止预训练，将预训练结束时的网络参数作为训练反射率分量估计子网络和明暗分量估计子网络时的初始化参数；步骤5、根据重建损失项、反射率分量估计子网络的输出损失项和明暗分量估计子网络的输出损失项构造损失函数项，利用输入数据和损失函数项对参数初始化后的反射率分量估计子网络和明暗分量估计子网络进行训练，达到设定的训练次数M2时停止训练，将停止训练时反射率分量估计子网络的输出作为最终的反射率分量。2.根据权利要求1所述的一种基于物理知识驱动和无监督学习的高光谱本征分解方法，其特征在于，所述步骤1的具体过程为：将高光谱遥感图像分解为明暗分量和反射率分量的物理模型为：I＝ρ+S其中，I表示高光谱遥感图像，ρ表示反射率分量，S表示明暗分量，其中，I表示高光谱遥感图像，ρ表示反射率分量，S表示明暗分量，其中，I表示高光谱遥感图像，ρ表示反射率分量，S表示明暗分量，表示实数域，n表示高光谱遥感图像中像元的总个数，d为高光谱遥感图像的光谱数；反射率分量的表达式如下：其中，表示经过光谱维和空间维平均后的高光谱遥感图像，E
n
表示n
×
n的单位矩阵，I
d
表示d
×
d的单位矩阵，1
d
表示d
×
1的全1向量，1
n
表示n
×
1的全1向量，上角标T表示转置，上角标
‑
1表示矩阵的逆，G表示分解矩阵；其中，表示相似度矩阵。3.根据权利要求2所述的一种基于物理知识驱动和无监督学习的高光谱本征分解方法，其特征在于，所述步骤2中，构建的反射率分量估计子网络包括编码器、解码器、第一连接模块、第二连接模块、第三连接模块、第四连接模块以及第五连接模块；对于反射率分量估计子网络的编码器部分：从编码器的输入端开始，所述编码器部分依次包括第一下采样模块、第二下采样模块、第一残差模块、第三下采样模块、第四下采样模块以及第五下采样模块，其中：所述第一下采样模块包含大小为7
×
7、步长为2的卷积层，批量归一化层以及线性整流函数层；
所述第二下采样模块包含大小为3
×
3、步长为2的最大池化层；所述第一残差模块包含3个残差单元A；所述第三下采样模块包含4个下采样残差单元A'；所述第四下采样模块包含6个下采样残差单元A'；所述第五下采样模块包含3个下采样残差单元A'；所述残差单元A包含大小为1
×
1、步长为1的卷积层，大小为3
×
3、步长为2的卷积层以及大小为1
×
1、步长为1的卷积层；所述下采样残差单元A'是在残差单元A后面接一个大小为1
×
1、步长为2的卷积层；对于反射率分量估计子网络的解码器部分：从解码器的输入端开始，所述解码器部分依次包括第一上采样模块、第二上采样模块、第三上采样模块、第四上采样模块、第二残差模块、第五上采样模块以及sigmoid激活函数模块，其中：所述第一上采样模块包含6个上采样残差单元B'；所述第二上采样模块包含4个上采样残差单元B'；所述第三上采样模块包含3个上采样残差单元B'；所述第四上采样模块包含3个上采样残差单元B'；所述第二残差模块包含3个残差单元B；所述第五上采样模块包含大小为2
×
2、步长为0.5的卷积层；所述残差单元B包含大小为3
×
3、步长为1的卷积层以及大小为3
×
3、步长为0.5的卷积层；所述上采样残差单元B'是在残差单元B后面接一个大小为2
×
2、步长为0.5的卷积层；所述第一下采样模块的输出经过第一连接模块后，再将第一连接模块的输出与第四上采样模块的输出进行拼接，将拼接结果作为第二残差模块的输入；所述第一残差模块的输出经过第二连接模块后，再将第二连接模块的输出与第三上采样模块的输出进行拼接，将拼接结果作为第四上采样模...

【专利技术属性】
技术研发人员：谷延锋，谢雯，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：