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

本发明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。

背景技术：

1、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。

2、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

1、本发明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。

2、本发明为解决上述技术问题所采取的技术方案是：

3、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：

4、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；

5、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；

6、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；

7、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；

8、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。

9、本发明的有益效果是：

10、本发明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；同时本发明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，本发明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。

11、为了验证本发明所提出方法的性能，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，实验结果验证了本发明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。

技术特征：

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：

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：

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；

4.根据权利要求3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，所述反射率分量估计子网络的输出损失项为：

5.根据权利要求4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，所述明暗分量估计子网络包含编码器和解码器两个部分；

6.根据权利要求5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，所述明暗分量估计子网络的工作过程为：

7.根据权利要求6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，所述明暗分量估计子网络的输出损失项为：

8.根据权利要求7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，所述输入数据为：

9.根据权利要求8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，所述重建损失项为：

10.根据权利要求9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，所述损失函数项为：

技术总结
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。本发明方法可以应用于高光谱遥感图像的本征分解。

技术研发人员：谷延锋,谢雯
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/1/14