面向高光谱图像处理的函数型数据学习方法研究

Hyperspectral image data provides abundant spectral information, at the same time, with the high dimensionality, strong correlation and high redundancy, etc, brings great difficulties to the traditional processing methods. This project plans to base on exploring the theory and methods of functional data analysis, by means of representing pixels of hyperspectral images as functional data, make full use of abundant spectral information, and effectively incorporate the information that is inherent in wavelength order and corresponding spectral information, to better reveal the essence structural characteristics of the hyperspectral image data; combine information theoretical learning, construct efficient minimum error entropy method of functional data, solve the problem that non-Gaussian distribution noise often exists in hyperspectral images; analyze the characteristics of the various types of basis functions, build functional data representation models for pixels of hyperspectral images; make full use of the essence characteristics of functional data, reveal inherent property of sprectral curves of the pixels, build spectral unmixing models; explore functional similarity measures and classifiers suited to hyperspectral image classification, design robust methods for functional data features extraction and classification，construct framework for the methods and applications of hyperspectral image processing. The introduction of the theory and analysis methods of functional data analysis would greatly contribute to develop a vast new world regarding to the abundance and perfection of hyperspectral image processing ideology.

高光谱图像数据在提供丰富光谱信息的同时，所具有的高维、强相关、冗余性等特征，给传统处理方法带来了极大困难。本项目拟在对函数型数据分析理论及方法特性探索基础上，通过将高光谱图像像元表示为函数型数据，充分利用高光谱图像丰富的光谱信息，同时有效融合蕴含在按顺序排列的波长内部的信息和相应的光谱信息，更好地揭示高光谱图像数据的内在本质特征；结合信息理论学习，构造高效的函数型数据极小化误差信息熵方法，处理高光谱图像中普遍存在非高斯分布噪声问题；分析各类型基函数特点，建立有效的高光谱图像像元的函数型数据表示模型；充分利用函数型数据的本质特征，揭示像元光谱曲线的内在特性，建立混合像元分解模型；探索适合于高光谱图像分类的函数相似性度量及分类器，设计鲁棒的函数型数据特征提取及分类方法，构建高光谱图像处理方法与应用框架。函数型数据分析理论及其分析方法的引入将为高光谱图像处理模式的丰富及完善开拓出新的广袤空间。

高光谱图像数据在提供丰富光谱信息的同时，所具有的高维度、强相关、冗余性及噪声污染等特征，给传统处理方法带来了极大困难。如何克服这些困难，探索新的可计算模型并构造有效的算法是当前高光谱图像处理所面临的亟待解决的问题。本项目综合运用函数型数据分析理论及方法，结合信息论、优化理论和模式识别理论等工具，充分利用高光谱图像丰富的光谱信息，同时有效融合空间信息，对高光谱图像像元表示、特征提取、分类、混合像元分解及去噪等问题进行了深入、系统的研究，提出和发展了基于函数型数据分析的若干模型，设计了相应的算法并对各类算法进行了详尽地分析。具体研究内容包括：(i) 高光谱图像的函数型数据表示模型；(ii) 高光谱图像的函数型数据特征提取方法；(iii) 基于函数型数据分析的高光谱图像分类方法；(iv) 基于函数型数据分析的混合像元分解；(v) 基于函数型数据的信息熵方法；(vi) 基于神经反应的极限学习机算法。本项目的研究成果主要以论文形式呈现，目前已发表了论文18篇，其中在国际重要学术期刊《IEEE Transactions on Neural Networks and Learning Systems》、《 IEEE Transactions on Geoscience and Remote Sensing》、《Pattern Recognition》等发表论文14篇；在《IEEE Conference on Computer Vision and Pattern Recognition》等国际会议发表论文4篇。本项目的研究开拓了函数型数据分析方法在高光谱图像应用中的新模式，为高维数据处理与分析等实际问题的解决提供了新的思路，夯实了模式识别和图像处理等领域的理论基础，进一步推动了交叉学科的发展。