在电影《地雷战》中有一个情景：民兵埋地雷的时候，用树枝进行掩盖，让埋藏地雷的地方看起来和周围一样；还有的干脆把鞋脱了，轻轻地压一个鞋印，以迷惑敌人。

但是在今天，这种伪装就一点用也没有了，高光谱遥感技术能将一个个地雷精确地找到。

图1高光谱遥感技术艺术效果图

那么，高光谱遥感技术到底是怎么回事儿？

高光谱遥感影像能够获取地表物体数十至上百个连续波段的光谱信息，并将其与反映地物目标纹理、形态学等特性的空间信息结合起来，具有“图谱合一”特性。因此其能够探测到之前遥感技术无法探测的丰富的光谱波段信息，进一步扩展了遥感技术的应用范围。

高光谱遥感的提出堪称遥感界的一次革新！

图2高光谱遥感“图谱合一”特性

高光谱图像因光谱分辨率高，不仅能辨识不同地物光谱间差异较大的地物类别，而且能辨识不同地物光谱间只存在细微差异的地物类别，从而为地物精细分类提供了可能。

高光谱图像地物分类在精细农业、资源勘查及环境监测方面具有广泛的应用前景。但是其在具有丰富光谱信息的同时，维数灾难问题（名词解释）限制了实际应用。

特征提取（名词解释）是解决该问题的有效途径，即通过减小数据冗余度来提取有效的鉴别信息，可以有效提升高光谱遥感影像地物分类性能。为此，学者们提出了一系列特征提取方法，但是以流形学习为代表的传统特征提取方法存在局限性：其依赖浅层特征描述子，无法提取数据的深层抽象信息，导致特征表征能力受限。

自年Hinton提出深度置信网络（名词解释）以来，深度学习技术飞速发展，为高光谱图像分类带来了新的机遇。深度学习能够有效提取高光谱数据中的深层抽象特征，进而提高分类精度。但其侧重于预测值和实际值之间的差值度量，而忽略了利用高光谱数据之间的局部几何结构信息来提高分类性能。

为了进一步提升地物分类精度，以扩展遥感技术的应用范围，亟需针对高光谱数据固有特点，设计能够更加揭示其内蕴本征信息的特征提取算法。

鉴于此，重庆大学光电工程学院黄鸿教授领导的图像信息处理实验室团队创新性的将深度学习与流形学习相结合，提出了一种新的特征提取算法——深度流形重构置信网络（简称：DMRBN），以提取高光谱影像的深度鉴别特征。

该方法构造了一个基于深度流形重构的联合损失函数，不仅可以度量预测值和实际值之间的差异，而且可以通过设计一个图模型增强提取的深层特征的可分性。

该成果以“面向高光谱影像分类的深度流形重构置信网络”为题，近期在《光学精密工程》（EI、核心期刊）发表。

网络模型的主要思路是将均方误差和流形重构误差一同引入到联合损失函数的设计中。因此其可以同时将差值度量和局部几何结构的探索考虑在内，并通过一个图模型增强不同类型特征之间的差异。

具体过程以及网络模型图如下：

1.通过深度置信网络提取高层抽象特征。

2.为进一步增强抽象特征鉴别能力，在图嵌入框架下通过数据的邻域点和各邻域的同类近邻重构点来构建类内图和类间图。

3.将流形重构误差和差值度量误差一同引入到联合损失函数的设计中，并使用随机梯度下降法更新网络参数，实现提取高层抽象特征的同时将类间近邻点与其重构点分离、类内近邻点和相应的重构点聚集，以提升特征的可分性、鉴别性。

图3DMRBN网络框图

在KSC和MUUFLGulfport数据集上的实验结果表明，在仅仅利用光谱特征的基础上，DMRBN算法的总体分类精度分别可达到94.71%和86.38%，较其它深度学习、流形学习算法都有明显提高，实现提取高光谱图像深度抽象特征的同时，探索其内部流形结构。在精细农业、资源勘查及环境监测等方面更有利于实际应用。在下一步研究工作中，将融合空间信息提取空-谱联合深度特征，进一步提升分类精度。

论文信息：

黄鸿,张臻,李政英.面向高光谱影像分类的深度流形重构置信网络[J].光学精密工程,,29(08):-.DOI：10./OPE.2908.

论文