一种基于非监督训练的高光谱图像智能解混方法与流程

1.本发明属于高光谱图像应用领域，具体涉及一种高光谱图像智能解混方法。


背景技术：

2.随着遥感技术的发展，高光谱图像应用越来越广泛，波谱分辨率逐步提高可 以获取地物多维信息特征，增加对地物的认知。但受光学器件等影响，高光谱 数据相比较多光谱数据的空间精度有所降低，高光谱图像中地物对应的像元多 为几种不同物质的光谱混合，影响了高光谱数据的应用。高光谱图像混合像元 分解即光谱解混包括端元提取和丰度计算两个主要部分，识别混合像元的地物 光谱及其对应的组分信息，是高光谱遥感应用领域重要的研究内容，为进行高 光谱图像分类和目标检测等提供了有力的基础。


技术实现要素：

3.本发明的目的是提供一种基于非监督训练的高光谱图像智能解混方法，能 够成功识别高光谱图像混合像元的端元和组分信息。
4.本发明的技术方案如下：
5.一种基于非监督训练的高光谱图像智能解混方法，包括如下步骤：
6.步骤一、建立由三个自编码器堆栈的深度神经网络；
7.步骤二、建立网络全连接输出层；
8.步骤三、建立整个网络的损失函数；
9.步骤四、开始网络训练并逐层反向传播更新网络参数；
10.步骤五、获取端元光谱和丰度矩阵。
11.所述的步骤一具体包括：
12.1)构建第一个自编码器，其包括编码和解码两个部分；
13.2)编码层sigmoid激活函数前进行批标准化处理；
14.3)建立第一个自编码器损失函数；
15.4)建立反向传播关系；
16.5)建立由三个自编码器堆栈的深度神经网络。
17.在步骤1)中，第一个自编码器的输入为高光谱矩阵x，采用sigmoid激活 函数，按照编码公式(1)和解码公式(2)构建编码器；a
l
为第一个自编码器的 编码输出值，为第一个自编码器的解码输出值，和为分别为自编码器 编码层和解码层的权值，设置(*)
t
表示转置，采用随 机数进行初始赋值，当l＝1表示第一个自编码器，其自编码网络基本公式为：
18.a1＝sigmoid(w
e1
*x)
ꢀꢀ
(1)
[0019][0020]
在步骤2)中，按照公式(3)
‑
(6)对第一个自编码器编码层进行批标准 化处理；μ
l
和分别为的均值和方差，n表示输入自编码器的光谱数量， γ
l
和β
l
为网络的训练超参数，初始赋值为1的矩阵，∈＝1
×
10
‑9；c
l
为第一个自 编层批标准化处理后的结果；
[0021][0022][0023][0024]
c
l
＝γ
l
o
l
β
l
ꢀꢀ
(6)。
[0025]
在步骤3)中，输入值x与输出值的均方误差mse
l
作为第一个自编码器的 损失函数，如下式
[0026][0027]
在步骤4)中，建立反向传播关系具体为，求取误差项mse
l
对权值的偏 导数通过公式(8)得到权值增量dw
l
，按公式(9)更新进而更 新学习率θ＝0.001；
[0028][0029][0030]
在步骤5)中，当l＝2，3时重复步骤(1)
‑
(4)，建立由三个自编码器堆 栈的深度神经网络，第一个自编码器编码层输出值a1为第二个自编码器的输入， 第二个自编码器编码层的输出值a2为第三个自编码器的输入，第三个自编码器 编码层输出值为a3，第二、三个自编码器的网络权值均采用随机数赋初始值。 设置第三个自编码器神经元数目为高光谱影像的端元数目。
[0031]
按照公式(10)对a3添加约束，a4表示添加约束后的输出值；
[0032][0033]
所述的步骤二具体包括，添加a4到最后一层网络输出采用全连接方式，使 用relu激活函数输出，w4表示第三个自编码器的编码层的 输出与全连接层输出的网络权值，采用随机数赋初始值，为全连接层的输出值。
[0034]
所述的步骤三具体包括，把网络输出值和实际输入光谱x之间的光谱角距 离的均值作为整个网络的损失函数l
sad
(10)；
[0035][0036]
所述的步骤四具体包括，第一个自编码器训练完成后开始训练第二个自编 码器，直到第三个自编码器训练结束，通过全连接层得到整个网络的损失误差， 通过损失误差由后及前的进行反向传播，通过梯度下降算法对整个网络的权值 进行更新，直至误差损失函
数收敛达到最小。
[0037]
所述的步骤五具体包括，将a4作为求取的丰度矩阵，w4作为光谱影像提取 的端元光谱。
[0038]
本发明的显著效果如下：成功识别高光谱图像混合像元的端元和组分信息。 该方法通过进行非监督训练识别图像端元和组分，不需要大量的标签数据。通 过进行非监督训练成功识别高光谱图像混合像元的端元光谱并求解组分信息， 不需要大量带有标签的数据支撑，同时解混精度优于传统算法。
附图说明
[0039]
图1为高光谱图像智能解混神经网络示意图；
[0040]
图2为jasper ridge数据集端元提取结果。
具体实施方式
[0041]
下面通过附图及具体实施方式对本发明作进一步说明。
[0042]
步骤一：建立由三个自编码器堆栈的深度神经网络。
[0043]
(1)构建第一个自编码器
[0044]
自编码器包括编码和解码两个部分，第一个自编码器的输入为高光谱矩阵 x，采用sigmoid激活函数，按照编码公式(1)和解码公式(2)构建编码器。 l＝1表示第一个自编码器，a
l
为第一个自编码器的编码输出值，为第一个自编 码器的解码输出值，和为分别为自编码器编码层和解码层的权值，设置 (*)
t
表示转置，采用随机数进行初始赋值。自编码网 络基本公式如下：
[0045]
α1＝sigmoid(w
e1
*x)
ꢀꢀ
(1)
[0046][0047]
(2)编码层sigmoid激活函数前进行批标准化处理
[0048]
按照公式(3)
‑
(6)对第一个自编码器编码层进行批标准化处理。μ
l
和分 别为的均值和方差，n表示输入自编码器的光谱数量，γ
l
和β
l
为网络的训 练超参数，初始赋值为1的矩阵，∈＝1
×
10
‑9。c
l
为第一个自编层批标准化处理 后的结果。
[0049][0050][0051][0052]
c
l
＝γ
l
o
l
β
l
ꢀꢀ
(6)
[0053]
(3)建立第一个自编码器损失函数
[0054]
输入值x与输出值的均方误差mse
l
作为第一个自编码器的损失函数。
[0055][0056]
(4)建立反向传播关系。
[0057]
求取误差项mse
l
对权值的偏导数通过公式(8)得到权值增量dw
l
，按公式(9)更新进而更新学习率θ＝0.001。
[0058][0059][0060]
(5)当l＝2，3时重复步骤(1)
‑
(4)，建立由三个自编码器堆栈的深度神经网络。第一个自编码器编码层输出值a1为第二个自编码器的输入，第二个自编码器编码层的输出值a2为第三个自编码器的输入，第三个自编码器编码层输出值为a3。第二、三个自编码器的网络权值均采用随机数赋初始值。设置第三个自编码器神经元数目为高光谱影像的端元数目。
[0061]
按照公式(10)对a3添加“和为一”的约束，a4表示添加约束后的输出值。
[0062][0063]
本实施例中，选择jasperridge高光谱子数据集进行光谱解混，该子图像有100*100个像元，198个有效波段，包含树木、水体、道路、土壤4种地物。
[0064]
构建三个自编码器堆栈的神经网络。第一个自编码器输入层神经元数量为jasperridge高光谱数据的波段数198，三个自编码器编码输出层神经元数目分别设为135、55、4。每个自编码器激活函数为sigmoid，激活函数之前进行批标准化处理。对第三个自编码器编码层的输出值进行“和为一”约束。
[0065]
步骤二：建立网络全连接输出层。
[0066]
添加“和为一”约束后的值a4到最后一层网络输出采用全连接方式，使用relu激活函数输出，w4表示第三个自编码器的编码层的输出与全连接层输出的网络权值，采用随机数赋初始值，为全连接层的输出值。
[0067]
本实施例中建立网络全连接输出层。最后一层全连接层用于重建jasperridge高光谱数据，输出神经元数目为198，采用relu激活函数，重建光谱为
[0068]
步骤三：建立整个网络的损失函数。
[0069]
把网络输出值和实际输入光谱x之间的光谱角距离的均值作为整个网络的损失函数l
sad
(10)。
[0070][0071]
步骤四：开始网络训练并逐层反向传播更新网络参数。
[0072]
开始网络训练。第一个自编码器训练完成后开始训练第二个自编码器，直到第三个自编码器训练结束，通过全连接层得到整个网络的损失误差。通过损失误差由后及前的进行反向传播，通过梯度下降算法对整个网络的权值进行更新，直至误差损失函数收敛达
到最小。
[0073]
本实施例中，开始网络训练并反向传播更新网络参数。对jasper ridge高光 谱数据10000*198进行训练，输入光谱总数为10000条，每次无重复抽取50条 光谱，通过迭代算法进行训练，由前向后，逐个完成三个自编码器的训练后， 通过全连接层得到重建光谱，获取光谱角距离损失函数，通过最小化损失函数 项，采用梯度下降算法由后向前进行反向传播，不断迭代更新整个神经网络参 数。
[0074]
用于高光谱图像智能解混的神经网络结构见图1。
[0075]
步骤五：获取端元光谱和丰度矩阵。
[0076]
网络训练完成后，a4为求取的丰度矩阵，w4为光谱影像提取的端元光谱。
[0077]
本实施例中可以成功获取jasper ridge高光谱数据集的端元与丰度。jasperridge高光谱数据端元提取结果可与图像纯净端元进行比较验证。端元提取和丰 度结果见图2。