【技术实现步骤摘要】
本专利技术涉及一种高光谱遥感图像处理方法，尤其涉及模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法。
技术介绍
1、对月球进行遥感探测始于20世纪50年代，月表岩石主要由单斜辉石、斜方辉石、斜长石、橄榄石、钛铁矿和岩溶玻璃等矿物组成。美国clementine发射之前，对月球矿物的探测主要通过地基望远镜观测。利用地基望远镜进行矿物观测具有光谱分辨率高的优点，但是空间分辨率偏低，一般为2～10km，研究主要集中于月表局部地区，无法观测月球背面且光谱容易受地球大气的影响。
2、在高光谱数据广泛应用之前，多光谱和可见光-近红外反射光谱技术一直是研究地表和月球等星体表面成分的有效方法，目前研究较多的多光谱数据主要包括美国clementine数据、印度changdrayann-1数据等。多光谱数据的月表矿物反演主要用波段比值法，查找表法，光谱特征分析及混合光谱分解法。由于多光谱数据波段数目少，上述方法得到的矿物分布的精度和准确度较低。随着探月活动兴起，获取了一批月球高光谱数据，使得利用连续光谱分析矿物的方法成为研究趋势。除了经典的光谱匹配、hapke辐射传输模型以及高斯修正模型，机器学习、神经网络等算法能够在矿物成分和光谱特征之间构建非线性关系，在月球高光谱影像矿物研究中得到推广。
3、月表矿物能够利用遥感数据进行检测的主要原因是月表矿物的fe、ti等离子在紫外、可见光、近红外范围内产生光谱吸收特征，这些特征以电子过程为主，因此遥感数据获取的光谱特征强度、能量和宽度可作为鉴别这些过渡金属阳离子以及他们宿主矿物的判
4、一些研究将数据驱动的深度学习技术引入到月表矿物丰度反演中也取得了一定的结果，这些方法利用网络建立光谱反射率与丰度之间的模型，korokhin等人最早于2008年构建神经网络anns利用克莱门汀数据估计月表tio2的丰度；王等人采用嫦娥一号iim数据利用dt-svm方法估计月表tio2丰度；王等人利用两个支持向量机svms采用iim数据推测月表tio2丰度，xia等人建立神经网络模型，描绘化学成分与光谱特征之间的线性和复杂非线性关系，得到月表六种氧化物的高分辨率图。
5、综合上述高光谱影像能够为月表矿物丰度估计提供波谱范围广、光谱分辨率高的连续光谱数据，目前基于月表高光谱数据进行矿物丰度反演的研究为精细研究月表矿物形成和演变历史提供了定量资料，但总体上反演结果还存在一定局限性，目前仍是月表矿物遥感探测与反演的一大难点和重点。一方面月表遍布撞击坑、冲沟、沙丘等，光谱仪成像环境极为复杂，且月壤物质属于紧密混合，光子在传输过程中与多个成分相互作用，针对复杂月壤环境开发特定信息提取方法是一大挑战。另一方面非线性hapke模型广泛应用与矿物定量化分析，但模型包含的许多变量很难从高光谱影像中准确估计，深度网络具有构建非线性模型的优势，但深度网络的结果不具有物理可解释性，如何构造基于模型驱动的深度网络，使其建立与光谱混合物理机制之间的明确关联是本专利技术研究的重点问题。
技术实现思路
1、专利技术目的：为了克服现有技术的不足，本专利技术提供一种模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，能够有效解决深度学习网络结果的物理可解释性弱的问题，提高月表月壤紧密混合场景下的月表矿物丰度反演的精度。
2、技术方案：为实现上述专利技术目的，本专利技术采用的技术方案为一种模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，包括以下步骤：
3、步骤1，对月表高光谱遥感影像预处理，得到月表高光谱遥感影像的像素矩阵，根据像素矩阵计算影像中每个像元的反射率；
4、步骤2，构建月表月壤颗粒的双向反射率模型，通过逆求解得到单次反照率函数；
5、步骤3，根据影像中每个像元的双向反射率，通过所述单次反照率函数，计算得到月表高光谱遥感影像的单次反照率矩阵；
6、步骤4，构建循环生成对抗网络，将月表高光谱遥感影像的单次反照率矩阵作为循环生成对抗网络的输入，对高光谱影像进行丰度反演，输出月表高光谱影像的矿物丰度矩阵。循环生成对抗网络，作为无监督网络，克服了月表矿物丰度样本稀缺的问题，提高月表高光谱影像矿物丰度估计的精度。
7、所述的月表月壤颗粒的双向反射率模型，计算公式为：
8、
9、其中，y为月表月壤颗粒的双向反射率，w为单次反照率，μ和μ0分别为入射角和出射角的余弦值。
10、所述单次反照率函数，计算式为：
11、
12、其中，w为单次反照率，y为月表月壤颗粒的双向反射率，μ和μ0分别为入射角和出射角的余弦值。
13、构建循环生成对抗网络的基本构架包含两个生成对抗网络和循环一致性损失函数。每个生成对抗网络包含生成器和判别器，每个生成器均由编码器和解码器组成。生成器前部分是若干层卷积层，能够充分利用高光谱像元块的空谱联合信息，后部分是softmax约束层，使得输出的丰度矩阵满足和为一和非负的物理约束。循环对抗网络由两个生成器g1、g2和两个判别器d1、d2组成，利用g1得到输入矩阵的低维表示，利用g2可以重构输入矩阵，利用d1判别低维矩阵与参考丰度矩阵的误差，利用d2判别重构输入与原始输入的误差，网络可以看作从图像到丰度的解混过程，以及丰度到图像的重构过程，实现循环。
14、所述构建循环生成对抗网络包括：
15、(a)将月表高光谱遥感影像的单次反照率矩阵y输入生成器g1，生成相应的丰度矩阵实现解混；
16、(b)将生成器g1生成的丰度矩阵作为生成器g2的输入，生成器g2重建相应的单次反照率矩阵，输出重构单次反照率矩阵
17、(c)连接生成器g2和生成器g1形成循环；
18、(d)生成器g1和生成器g2分别对应判别器d1和判别器d2，判别器d1用于判别生成器g1的输入数据是来自于生成器g2输出的重构单次反照率矩阵还是单次反照率矩阵的训练数据y，判别器d2用于判别生成器g2的输入数据是来自于生成器g1输出的丰度矩阵还是丰度矩阵的训练样本s；
19、(e)目标函数计算式为：
20、
21、其中，lre表示循环一致损失函数，lgan表示对抗损失函数，y表示g1输入的影像的单次反照率矩阵，s为参考丰度矩阵，为g1输出的丰度矩阵。
22、所述的生成器g1中的卷积层激活函数均为relu。
23、工作原理：考虑到地球与月球环境不同，月球表土层是紧密混合的颗粒，利用hapke辐射传输模型，把双向反射率表示为与场景相关的粒子密度和大小以及单次散射反照率等参数的非线性函数，从而描述光线在微观尺度上与不同粒子之间的多次散射。为了简化hapke模型对紧密混合场景进行建模，假设粒子在微观视角下是球形，具有各向同性散射，且相位角(入射光与出射辐射之间的角度)足够大，本文档来自技高网...
【技术保护点】
1.一种模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：所述的月表月壤颗粒的双向反射率模型，计算公式为：
3.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：所述单次反照率函数，计算式为：
4.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：循环生成对抗网络的基本构架，包含生成对抗网络和循环一致性损失函数；生成对抗网络包括两个生成器和两个判别器，每个生成器均由编码器和解码器组成；生成器包括顺次连接的若干层卷积层和SoftMax约束层，SoftMax约束层使输出的丰度矩阵满足物理约束；判别器是全连接网络。
5.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于，所述构建循环生成对抗网络包括：
6.根据权利要求5所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：所述的生成器
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法。
9.一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6中任一项所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法。
...【技术特征摘要】
1.一种模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：所述的月表月壤颗粒的双向反射率模型，计算公式为：
3.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：所述单次反照率函数，计算式为：
4.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物丰度估计方法，其特征在于：循环生成对抗网络的基本构架，包含生成对抗网络和循环一致性损失函数；生成对抗网络包括两个生成器和两个判别器，每个生成器均由编码器和解码器组成；生成器包括顺次连接的若干层卷积层和softmax约束层，softmax约束层使输出的丰度矩阵满足物理约束；判别器是全连接网络。
5.根据权利要求1所述的模型驱动深度生成网络的月表高光谱影像矿物...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。