一种基于高光谱图像的解混方法及系统

本发明涉及高光谱图像处理，尤其涉及一种基于高光谱图像的解混方法及系统。

背景技术：

1、光谱遥感技术是将成像技术与光谱技术相结合，与其它光学图像不同，高光谱图像是一个三维图像，其光谱维包含数百个窄而连续的通道信息，可以反映出地物的细微特征，并识别出其它图像无法检测到的地物。由于机载过程中普遍存在传感器的低空间分辨率现象，高光谱图像中不可避免地会出现混合像元。每个混合像元的光谱反射率是具体场景中多种纯物质的光谱反射率的混合。当场景中出现大量混合像元时，下游任务将每个混合像元都仅视为一个类别因而会受到负面影响。高光谱解混技术的主要目标是将高光谱图像中的混合像元分解成纯物质光谱，称为端元，以及端元在像元中所占的比例，称为丰度。

2、基于线性混合模型的传统解混方法包括基于几何、统计和稀疏回归的解混方法。然而，基于几何的方法在现实场景中需要满足纯端元存在的假设，该方法局限性很大。基于统计和稀疏回归的方法计算量大并且在实际场景中具有局限性。近年来，深度学习中卷积神经网络由于其提取空间特征的强大能力，基于卷积自动编码器的解混方法研究十分广泛。空间信息的包含增强了解混的性能。然而，局部像素相关性可能不完全捕获全局空间上下文；此外，为每个通道的特征分配相等的权重用于解混是不合理的。

技术实现思路

1、针对现有方法的不足，本发明解决现有高光谱解混方法只关注于像素级或者像素块的局部光谱-空间信息的问题。

2、本发明通过设计一种端到端的无监督网络模型提取全局光谱-空间特征；通过搭建多尺度空间特征提取模块，在不同感受野下并行提取多尺度空间信息；通过搭建光谱特征提取模块，使用三维和二维卷积相结合提取光谱特征；通过搭建光谱-空间注意残差模块(spectral spatialattention residual module ssarm)提取深层且具有区分性的深层光谱-空间特征，并抑制不相关的冗余特征。

3、本发明所采用的技术方案是：一种基于高光谱图像的解混方法包括以下步骤：

4、步骤一、采集高光谱图像；

5、步骤二、利用多尺度空间特征提取模块对图像进行多尺度空间特征提取；

6、作为本发明的一种优选实施方式，多尺度空间特征提取模块包括：3个并行的子模块，3个子模块均包括3个二维卷积，两个二维卷积之间依次接leaky_relu激活函数、bn层和dropout层。

7、作为本发明的一种优选实施方式，第一个子模块为二维卷积为3×3卷积，第二个子模块为二维卷积为5×5卷积；第三个子模块为二维卷积为7×7卷积。

8、步骤三、利用光谱特征提取模块对图像进行光谱特征提取；

9、作为本发明的一种优选实施方式，光谱特征提取模块使用二维和三维卷积相结合，包括4个1×1×3卷积，第1个1×1×3卷积后接leaky_relu激活函数，后面3个1×1×3卷积后接leaky_relu激活函数和maxpooling层，最后接1个3×3卷积。

10、步骤四、将多尺度空间特征和光谱特征进行拼接，得到浅层光谱-空间特征；并将浅层光谱-空间特征输入ssarm模块，得到深层光谱-空间特征；

11、作为本发明的一种优选实施方式，ssarm模块包括：光谱注意残差模块和空间残差模块；

12、其中，光谱注意残差模块包括4个1×1卷积、第1、第2个1×1卷积之间接relu激活函数进行跨通道信息交互与集成，第3个1×1卷积后接relu激活函数，第4个1×1卷积后接sigmoid激活函数，第2个1×1卷积后的输出与第4个1×1卷积后的权重系数通过跳远连接进行相乘，并与第1个1×1卷积之前的原始输入逐像素相加。

13、作为本发明的一种优选实施方式，空间残差模块包括2个3×3卷积，第1个3×3卷积后接leaky_relu激活函数、bn层和dropout层；第2个3×3卷积后的输出与第1个3×3卷积之前的原始输入逐像素相加。

14、步骤五、将深层光谱-空间特征归一化得到丰度系数图；并利用解码器将丰度图重构为原始输入，其中解码器中1x1卷积核的权重即为所求的端元矩阵。

15、作为本发明的一种优选实施方式，归一化采用softmax函数。

16、作为本发明的一种优选实施方式，ssarm模块输出满足asc约束。

17、作为本发明的一种优选实施方式，高光谱图像的解混系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现高光谱图像的解混方法。

18、作为本发明的一种优选实施方式，存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现高光谱图像的解混方法。

19、本发明的有益效果：

20、1、本发明方法是一个端到端的无监督网络，充分考虑了全局空间上下文信息；空间特征提取模块提取不同感受野下的多尺度空间上下文信息，同时保留局部细节特征；然后，该信息与光谱特征提取模块中提取的丰富光谱信息融合后，全局光谱-空间信息更有利于解混；

21、2、ssarm模块运用于主干网络，即插即用；通过将光谱-空间特征细化为具有区分性的联合光谱-空间特征和抑制低相关的冗余特征，可以有效提高解混精度。

技术特征：

1.一种基于高光谱图像的解混方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于高光谱图像的解混方法，其特征在于，多尺度空间特征提取模块包括：3个并行的子模块，3个子模块均包括3个二维卷积，2个二维卷积之间依次接leaky_relu激活函数、bn层和dropout层。

3.根据权利要求2所述的基于高光谱图像的解混方法，其特征在于，第1个子模块为二维卷积为3×3卷积，第2个子模块为二维卷积为5×5卷积；第3个子模块为二维卷积为7×7卷积。

4.根据权利要求1所述的基于高光谱图像的解混方法，其特征在于，光谱特征提取模块使用二维和三维卷积相结合，包括4个1×1×3卷积，第1个1×1×3卷积后接leaky_relu激活函数，后面3个1×1×3卷积后接leaky_relu激活函数和maxpooling层，最后接1个3×3卷积。

5.根据权利要求1所述的基于高光谱图像的解混方法，其特征在于，ssarm模块包括：光谱注意残差模块和空间残差模块；其中，光谱注意残差模块包括4个1×1卷积、第1、第2个1×1卷积之间接relu激活函数进行跨通道信息交互与集成，第3个1×1卷积后接relu激活函数，第4个1×1卷积后接sigmoid激活函数，第2个1×1卷积后的输出与第4个1×1卷积后的权重系数通过跳远连接进行相乘，并与第1个1×1卷积之前的原始输入逐像素相加。

6.根据权利要求5所述的基于高光谱图像的解混方法，其特征在于，空间残差模块包括2个3×3卷积，第1个3×3卷积后接leaky_relu激活函数、bn层和dropout层；第2个3×3卷积后的输出与第1个3×3卷积之前的原始输入逐像素相加。

7.根据权利要求1所述的基于高光谱图像的解混方法，其特征在于，归一化采用softmax函数。

8.根据权利要求1所述的基于高光谱图像的解混方法，其特征在于，ssarm模块输出满足asc约束。

9.高光谱图像的解混系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的高光谱图像的解混方法。

10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的高光谱图像的解混方法。

技术总结
本发明涉及高光谱图像技术领域，尤其涉及一种基于高光谱图像的解混方法及系统，包括采集高光谱图像；利用多尺度空间特征提取模块对图像进行多尺度空间特征提取；利用光谱特征提取模块对图像进行光谱特征提取；将多尺度空间特征和光谱特征进行拼接，得到浅层光谱‑空间特征；并将浅层光谱‑空间特征输入SSARM模块，得到深层光谱‑空间特征；将深层光谱‑空间特征归一化得到丰度系数图；并利用解码器将丰度图重构为原始输入，其中解码器中1x1卷积核的权重作为所求的端元矩阵。本发明解决现有高光谱解混方法只关注于像素级或者像素块的局部光谱‑空间信息的问题。

技术研发人员：陈从平,徐志伟,李明春,陈奔,陆鹏,张吴燚,程思敏
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/3/24