NO.1 论文简介
近年来，深度学习在高光谱图像解混领域引起了广泛关注，得益于其强大的学习能力和数据拟合能力。空间信息在解混任务中具有重要意义，并已经得到了大量研究的证实，而准确地捕捉和利用光谱特性，可以显著提高物质识别的准确性和解混的效率，为解混算法提供更加丰富和深入的数据分析基础。因此如何有效地利用空间信息和光谱信息是提高解混估计精度的关键。为此，本文提出了基于双向卷积长短期记忆网络的解混框架（CLAENet），由于高光谱数据可以被视为光谱空间中一组有序连续的光谱序列，CLAENet框架的设计旨在同时捕获高光谱图像中的空间细节信息和光谱特征，通过这种双重特征提取机制，模型增强了对复杂地表覆盖类型的识别能力。具体而言，该框架通过卷积层深入提取空间特征，利用ConvLSTM层的序列建模能力来分析和利用光谱序列之间的动态变化，从而充分挖掘高光谱数据中丰富的光谱信息。
NO.2 主要贡献
（1）提出了基于双向卷积长短期记忆网络的解混框架（CLAENet）。该框架采用创新性的网络结构设计，通过卷积层深入挖掘空间特征，同时利用卷积长短期记忆单元充分挖掘波段间的光谱变异性及其光谱相关性，有效处理光谱维度的序列信息，从而实现对高光谱数据更加精准和高效的分析。
图1 CLAENet解混网络框架示意图
图2 高光谱图像深度光谱分区处理模块
NO.3 研究结论
在模拟和多个真实高光谱数据集上的对比实验表明，该方法在解混精度和模型鲁棒性等方面均优于现有方法，特别是在处理复杂地物光谱特征时，表现出良好的泛化能力和稳定性，能够准确估计端元和丰度。
图4 Jasper数据集中不同对比算法获得的的水、土壤、树木和道路的丰度图
NO.4 论文资助
国家自然科学基金（62471224）
NO.5 作者介绍
第一作者，通讯作者：孔繁锵，分别于2002、2005、2008年于西安电子科技大学获得光电子技术专业学士、通信与信息系统专业硕士、信息与通信工程专业博士学位，现为南京航空航天大学航天学院教授，博士生导师。主要从事遥感多光谱图像处理、目标探测与识别等研究工作，先后主持国家自然科学基金项目、海军武器装备预研项目、军委科技委国防科技项目、装备发展部快速支持项目、空军背景预研项目、空军专用技术项目、江苏省自然科学基金面上项目等项目，在国内外核心期刊上发表30余篇SCI/EI期刊论文，获授权国家发明专利2项，2018年获国防科技进步一等奖1项，2019年获国家科技进步二等奖1项。
·引用格式·
孔繁锵, 余圣杰, 王坤, 方煦, 吕志杰. 卷积循环神经网络的高光谱图像解混方法(2024) [J/OL]. 西安电子科技大学学报, [2024-10-30]. https://doi.org/10.19665/j.issn1001-2400.20241009
“扫描二维码查看原文”
https://link.cnki.net/doi/10.19665/j.issn1001-2400.20241009
编辑：许瀚樱
校对：杨 薇
审核：牛姗姗
优文推荐 | 融合VFA和ISSA的多目标优化WSN覆盖算法
· 推荐阅读 ·
- 联系我们 -
xuebao@mail.xidian.edu.cn
