技术摘要：
本发明公开了一种基于深度去噪自编码网络的高光谱图像解混方法。本发明包括：设计深度去噪自编码网络；输入一组训练图像数据到深度去噪自编码网络；通过编码提取其原始数据的主要特征，再通过解码重建原始数据；进行不断训练获得优化的网络参数，使重建的数据更接近原  全部
背景技术：
高光谱图像的特点是具有很高的光谱分辨率，但其空间分辨率却较低。受大气传 输  混合效应、地物复杂度和高光谱成像仪空间分辨率低等因素的影响，混合像元在高光谱  数据中大量存在，制约了高光谱图像处理精度的提升，成为阻碍高光谱遥感技术深入发  展 的主要障碍。因此，对混合像元进行有效分解已经成为高光谱图像广泛应用的重要前  提。 混合像元可以看作是一组基向量按照一定的比例组合而成。其中基向量就是“端元”，  一定 的比例即为“丰度”。 针对高光谱混合像元的模型可分为线性混合模型和非线性混合模型两种，由于线 性  混合模型建模简单、物理含义明确，目前，国内外的研究更多地采用线性混合模型。传  统的解混算法有基于统计和基于几何的高光谱解混算法。随着压缩感知和稀疏表示理论  蓬勃发展，Iordache等人将光谱稀疏性引入解混模型，用已知的光谱库代替端元集合，  提 出稀疏解混算法。 目前，稀疏解混算法主要分为凸优化算法和贪婪算法。凸优化算法主要有SUnSAL、  CL-SUnSAL、SUnSAL-TV和加权L1正则化方法等，凸优化算法在一定条件下利用L1  范数来刻 画丰度系数的稀疏性，进行高效的求解。但是与贪婪算法相比，凸优化算法求  解速度较慢。 正交匹配追踪(OMP)和匹配追踪算法(MP)等贪婪算法主要是基于单观测向  量(SMV)模型， 在提取端元时并未考虑相邻像元间的相似性，容易陷入局部最优。联合  正交匹配追踪 (SOMP)和子空间匹配追踪(SMP)等基于多观测向量(MMV)模型的联合稀  疏解混算法采用联 合稀疏模型并结合分块策略进行端元提取，相比OMP和MP等算法 能更准确地获得全局最优 解，缺点是端元集合中存在过多冗余端元，影响了丰度重建的  精度。
技术实现要素：
本发明的目的是提出了一种基于深度去噪自编码网络的高光谱图像解混方法，以 提 高高光谱图像的稀疏解混精度。 本发明的技术方案是：一种基于深度去噪自编码网络的高光谱图像解混方法，包 括  如下步骤： (1)、在去噪自编码器的基础上根据丰度系数的物理特性加入和为一约束和非负 性  约束两种特性，在网络目标函数中加入正则项，从而构成深度去噪自编码网络； (2)、输入一组训练图像数据到深度去噪自编码网络中，训练该深度去噪自编码网  络获得优化的网络参数，得到高光谱解混网络模型； (3)、将现有的待处理的高光谱图像数据输入至深度去噪自编码网络，通过其编  码过程提取高光谱图像数据的特征，再通过解码得到重建的原始图像数据。 3 CN 111598786 A 说　明　书 2/7 页 进一步的，在步骤(1)中，所述的深度去噪自编码网络包含输入层、隐含层及输  出 层；其中，从输入层到隐含层为编码过程，所述编码过程是对输入的高光谱图像数据  进行 特征提取，得到初步丰度系数，从隐含层到输出层为解码过程，所述解码过程对得  到的初 步丰度系数进行解码获得重建的原始图像数据，即； 对丰度系数加入和为一约束，网络目标函数中加入正则项以减少编码器冗余端 元， 同时引入相邻像元之间的联合稀疏性；选择ReLu作为激活函数能够提取数据的非线性  特征，满足丰度系数的非负性；所述深度去噪自编码网络的目标函数表达式为： 式中，X表示输入的高光谱数据，W表示编码器权重，σ(x)表示隐含层激活函数， 和 分别表示重建图像数据 和解码器权重A的增广矩阵： 表示取F范数的平方操作，||·||2,1表示取矩阵中每一个行向量的2范数加和 操作， λ表示拉格朗日系数，λ的值设置为10e-6。 进一步的，所述步骤(2)中对大小为w×h×c的训练图像数据进行预处理，得到w× h  个大小为1×c的训练集，然后将训练集输入至深度去噪自编码网络，进行多次训练从而  获得优化的网络参数。 进一步的，所述步骤(3)在将待处理的高光谱图像数据输入至深度去噪自编码网  络之前，先载入步骤(2)中训练好的深度去噪自编码网络模型，再将网络参数更新为  步骤 (2)中训练好的网络参数；然后输入高光谱图像数据，通过网络编码过程获得丰  度系数，通 过解码过程获得端元矩阵。 进一步的，步骤(2)中所述的训练图像数据是指作为训练集的高光谱图像数据，  步骤(3)中所述的待处理的高光谱图像是指作为测试集的高光谱图像数据。 本发明的步骤包括如下：设计深度去噪自编码网络，该深度去噪自编码网络是在 传  统去噪编码器基础上将隐含层和解码层权重限制为非负，在传统去噪自编码器基础上 加  入和为一约束，并且将L21约束作为正则项加入目标函数，利用了相邻像元之间的联合  稀疏性；输入一组训练图像数据到深度去噪自编码网络；通过网络编码提取其原始数据 的 主要特征，再通过解码重建原始数据；进行不断训练获得优化的网络参数，使重建的  数据 更接近原始数据； 训练完成后输入测试数据，通过隐含层求得高光谱图像的丰度系数，解码器最后 一  层的权重即为所求端元矩阵，输出所求结果。 本发明具有的有益效果：本发明利用去噪自编码器的特性将其应用于高光谱解混 网  络模型，在目标函数中加入了L21正则项，减少了编码器的冗余行，又很好地利用了相  邻像元之间的联合稀疏性，克服了现有技术在高光谱图像解混过程中解混精度低的问  题， 使得本发明具有高光谱解混精度高的优点。 4 CN 111598786 A 说　明　书 3/7 页 附图说明 图1是本发明网络模型的结构示意图； 图2是本发明网络模型的流程示意图； 图3是本发明中模拟数据1中9个端元对应的原始丰度图像示意图； 图4是本发明中模拟数据2中原始丰度图像示意图； 图5是本发明中在20dB高斯噪声下对模拟数据1的端元1,5 ,9的丰度估计图像示  意图； 图6是本发明中在20dB高斯噪声下对模拟数据2的端元1,3 ,5的丰度估计图像示  意图； 图7是本发明中三种不同元素的丰度图像及真实数据的重建丰度图像示意图。