高光谱遥感图像空谱信息质量提升方法研究

Extraction of high quality spectral-spatial information is the key technology to interpret and analyze hyperspectral remote sensing images. It is also a prerequisite for improving the performance of classification, target detection and attribute analysis. The spectral-spatial information quality of the acquired hyperspectral image is difficult to meet the application requirements because of the low signal-to-noise ratio, confusion of spectral characteristics, lack of structural information and small sample problems. The current methods do not establish a comprehensive quality improvement system to overcome the drawbacks of hyperspectral remote sensing image. To solve these problems, this project carries out spectral-spatial information quality improvement method for improving the performance of subsequent application. (1) To improve spectral fidelity, we research on the representation and learning abilities of deep neural network, and propose hyperspectral image denoising method based on spectral difference deep representation that utilizes the representation and learning abilities of deep neural network. (2) To adaptively achieve a reasonable balance between the representation ability and computational complexity, we propose a deep level feature enhancement method in a significant domain with local optimization by the analysis of the redundant information between bands and the importance of each band. (3) We establish a system based on the performance of applications to evaluate the proposed spectral-spatial information quality improvement method. In addition, a multi task joint optimization model is established by analyzing the properties of the mixed pixel to alleviate the small sample problem. We expect that the theoretical results to be delivered in this project can provide theoretical and technical supports for the field of hyperspectral data intelligent processing.

获取高质量空谱信息是解译高光谱遥感图像的基础和关键，也是提高分类、检测和解混等应用性能的必要前提。噪声污染、光谱性状混淆、空间信息缺失和小样本等问题造成高光谱图像质量难以满足应用需求。已有方法没有建立全面、系统的质量提升方法来克服高光谱图像本身的数据缺陷，导致应用范围窄。本项目拟开展面向多种应用的空谱信息质量提升方法研究：（1）研究深度神经网络的特征表示与学习能力，建立高光谱图像的光谱差深度映射关系，优选光谱差重构的初始位置，设计基于光谱差深度映射的去噪模型，以提高光谱保真度；（2）分析波段相关性和重要性，建立具有局部优化特性的显著波段检测模型，提出基于显著波段组的深层次特征增强模型，实现网络表示能力和计算复杂度的自适应平衡；（3）建立空谱信息质量提升系统的应用性能评价体系，并建立多任务联合优化模型，缓解小样本难题。本项目的研究将为高光谱遥感图像智能处理研究领域提供有效的理论和算法支持。

高光谱成像仪可以同时获取地物的光谱信息和空间信息，从而将由物质成份决定的地物光谱与反映地物形状、纹理与布局的空间信息有机结合，可以实现对地物的精确检测、识别以及定量化属性分析。在现代农业、防灾减灾、智能城市和军事国防等诸多领域已经得到广泛应用并逐渐成为对地观测和深空探测中的核心载荷设备。获取高质量空谱信息是解译高光谱遥感图像的基础和关键，也是提高分类、检测和解混等应用性能的必要前提。噪声污染、光谱性状混淆、空间信息缺失和小样本等问题造成高光谱图像质量难以满足应用需求。已有方法没有建立全面、系统的质量提升方法来克服高光谱图像本身的数据缺陷，导致应用范围窄。本项目针对分类、检测等多种应用的空谱信息质量提升，利用深度神经网络的特征表示与学习能力，建立了高光谱图像的光谱差深度映射关系，优选光谱差重构的初始位置，设计实现了基于光谱差深度映射的去噪模型，提高了光谱保真度。根据高光谱遥感图像波段间的相关性和重要性，建立了具有局部优化特性的显著波段检测模型，提出了基于显著波段组的深层次特征增强模型，实现了网络表示能力和计算复杂度的自适应平衡。建立了空谱信息质量提升系统的应用性能评价体系，缓解了小样本难题。经过质量提升之后，高光谱遥感图像中目标的位置更加清晰，并且在保证检测识别精度的情况下，虚警率降低了一个数量级。作为本项目的方法应用部分，我们成功完成了“西电一号”高光谱卫星遥感数据的质量提升以及目标检测工作，并将于2022年3月发射。作为本项目的延续扩展工作，我们将在我国低轨高分辨率高光谱遥感卫星任务中，借鉴使用我们已完成的面向应用的高光谱遥感图像质量提升框架。