标题：基于结构化深度自编码器的高光谱图像解混算法研究

英文标题：Study of Hyperspectral Unmixing based on Structured Deep Autoencoder Networks

作者：赵敏

指导教师：陈捷 教授

培养院系：航海学院

学科：信息与通信工程

读博寄语：既然选择了远方，只管风雨兼程

主要研究内容

在“西北工业大学博士论文创新基金”资助下，本基金依托于智能声学与临境通信研究中心开展研究。我国正在建设陆地、海洋和大气三大卫星系统，优化多种观测技术组合以实现高效的全球观测和数据信息获取能力。空间遥感信息获取与处理的理论和方法也得到了全面发展，逐步跻身世界先进行列。然而，受限于信号强度和成像平台的匀速运转，高光谱图像的空间分辨率通常较低，尤其是遥感高光谱图像，其空间分辨率只能达到10m-30m，混合像元现象普遍存在于图像中，是高光谱遥感迈入定量化发展和应用所面临的阻碍之一。深度学习的特征自学习优势使其成为高光谱图像有效特征提取的重要手段，实现对数据的自学习特征提取，不依赖于先验知识和人工特征提取，利用多层的网络结构实现非线性关系学习，契合混合像元形成的复杂过程。本研究对基于深度学习的无监督高光谱图像解混算法进行探索，并将近些年来深度学习的最新研究成果和传统高光谱图像解混算法相结合，进行高光谱图像解混算法研究，主要研究内容如下：

研究内容一：本研究以数据驱动方法为主、物理模型为辅，将物理模型嵌入到深度神经网络解码器设计中，使用深度网络和物理模型结合的方法学习像元的混合模式。通过对深度自编码器的设计，使其能够结合非线性光谱的物理生成过程来解决非线性解混问题。具体为，设计基于LSTM和3D CNN网络的编码器使其充分提取高光谱图像的空谱相关信息，设计解码器使用编码器的输出重构输入光谱。解码器隐式地充当了一个混合机制学习模型，特定层权重或者特定层输出可以被看作估计端元。

图一 基于深度自编码器的解混框架

研究内容二：本研究以数学优化方法为主、基于深度自编码器的降噪器为辅，将解混优化问题进行分解，使用深度降噪器代替先验项的求解。具体为，使用ADMM方法对解混优化问题进行分解，第一个子问题为全约束最小二乘问题使用QP求解器进行求解；第二个子问题可以看作图像降噪问题使用降噪器以软件集成的方式提供高光谱图像隐式先验信息，避免显式地求解第二个子问题。

图二 即插即用解混方法框架

研究内容三：目前基于深度自编码器解混方法的损失函数设计，以几何损失函数为主。其中均方误差容易损失高频信息，将峰平滑，光谱角距离和光谱信息散度对光谱形状敏感，但是对光谱幅值不敏感。合理利用数据驱动方法提取高层特征信息到损失函数中，可促进高光谱图像细节信息的重建。本研究以深度生成自编码器为基本结构，通过生成器和判别器两者之间的动态博弈过程，生成出类似真实样本的假样本，并引入感知损失，促进高维特征的一致性，学习细节信息。

图三 基于生成对抗网络的解混框架

主要创新点

1. 提出基于LSTM和多项式后非线性模型的自编码器解混框架；

2. 提出基于3D CNN和加性扰动非线性模型的自编码器解混框架；

3. 提出基于深度自编码器的光谱多样性解混框架；

4. 提出即插即用解混方法，避免人工构建和设计图像先验；

5. 提出基于生成对抗网络的高光谱解混框架并引入感知损失学习细节信息。

代表性创新成果

1. Zhao M, Wang M, Chen J, Rahardja S, Hyperspectral Unmixing for Additive Nonlinear Models with a 3D-CNN Autoencoder Network[J], IEEE Transactions on Geoscience and Remote Sensing. 2022, 60: 1-15. （TOP，SCI 1区， IF= 8.125）

2. Zhao M, Chen J, et al. A 3D-CNN Framework for Hyperspectral Unmixing with Spectral Variability[J], IEEE Transactions on Geoscience and Remote Sensing. 2022, 60: 1-14. （TOP，SCI 1区， IF= 8.125）

3. Zhao M, Chen J, et al, A Plug-and-Play Priors Framework for Hyperspectral Unmixing[J], IEEE Transactions on Geoscience and Remote Sensing. 2022, 60: 1-13. （TOP，SCI 1区，IF=8.125）

4. Zhao M, Chen J et al. LSTM-DNN Based Autoencoder Network for Nonlinear Hyperspectral Image Unmixing[J], IEEE Journal of Selected Topics in Signal Processing. 2021, 15(2): 295-309. （TOP, SCI 1区，IF=7.695）

5. Zhao M, Chen J, et al. Hyperspectral Image Shadow Compensation via Cycle-Consistent Adversarial Networks[J], Neurocomputing, 2021, 450: 61-69.（SCI 2区，IF=5.791）

6. Zhao M, Gao T, Chen J, et al. Hyperspectral unmixing via nonnegative matrix factorization with handcrafted and learned priors[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 19: 1-5. (SCI 2区， IF= 5.343)

7. Zhao M, Wang M, Chen J, et al. Perceptual Loss-Constrained Adversarial Autoencoder Networks for Hyperspectral Unmixing[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5. (SCI 2区， IF= 5.343)