课题组四名研究生于2017年9月在哈尔滨参加第四届“Chinese WHISPERS”(IEEE Workshop on Hyperspectral Image and Signal Processing)，并做分组报告。其中，2015级博士研究生刘蓉同学题为“高光谱图像多目标段元提取”的报告被大会评为“优秀报告”。
2017年9月，由国际数字地球学会中国国家委员会成像光谱对地观测专委会与中国空间科学学会空间遥感专业委员会联合主办的第四届全国成像光谱技术与应用研讨会在哈尔滨举行，这个会议也被国际同行称为“Chinese WHISPERS”（IEEE Workshop on Hyperspectral Image and Signal Processing, 简称WHISPERS）。我组2015级博士研究生刘蓉同学、2017级博士研究生李雪同学、2016级硕士研究生常世桢同学、张祎铭同学共同参加了该会议，并分别做了分组报告。其中，刘蓉同学在会上作报告的题目为“高光谱图像多目标段元提取”的报告荣获大会优秀报告奖！
成像光谱技术与应用是当今科技发展的前沿领域之一，始终得到国内外遥感科研工作者的广泛关注，业已成为地球科学研究、资源与环境调查、国防建设等领域不可或缺的技术手段。近年来，随着环境与减灾卫星、天宫一号上搭载的成像光谱仪的成功应用，我国的遥感事业发展迅猛， 未来我国拟发射的搭载全谱段成像光谱仪的“高分五号”卫星也将进一步推进我国成像光谱技术的全面发展。Chinese WHISPERS会议旨在持续推动我国成像光谱技术与应用的发展，促进国内外同行间的学术交流。
刘蓉同学在会上作报告的题目为“高光谱图像多目标段元提取”。此方法能够同时结合高光谱图像的多个特征进行最优端元集合的筛选，创新点有以下三个方面：（1）最大体积和最小RMSE目标函数同时得到优化，这样可以同时利用高光谱图像的多个特征进行最优端元集合的选择；（2）利用帕累托前沿的概念进行粒子最优位置的更新，解决两个目标函数相互矛盾时最优位置的选取问题；（3）利用sigma方法为粒子选取局部最优向导，有助于粒子在搜索空间中分散开来进行最优解的搜寻。此报告被大会评为优秀报告。此工作已经在RS期刊上发表：Liu, R., Du, B., Zhang, L. (2017). "Multiobjective Optimized Endmember Extraction for Hyperspectral Image." Remote Sensing 9(6): 558.
我组2017级博士研究生李雪同学的报告题目为“基于迭代重加权异构迁移学习的遥感影像监督分类方法”。本文[1]聚焦遥感监督分类，标记样本的不足会明显影像监督分类的精度的问题，针对遥感影像分类中已有的迁移学习方法存在的缺点，如许多方法都是非监督的迁移学习，即没有充分利用目标域中少量的标记样本信息；目前遥感分类中几乎所有的迁移学习方法都只能解决同构的迁移学习问题，即要求源域和目标域的样本来自同一特征空间、具有相同的特征维数，提出了一种异构迁移学习方法——迭代重加权异构迁移学习（IRHTL）方法，弥补现有同构迁移学习方法的不足，可以解决具有不同波段数或由不同传感器获取的数据之间的迁移问题。
我们通过迁移异构源域数据，来解决高光谱影像分类中的目标影像小样本分类的问题。具体来说，不同于已有基于SVM的迁移学习方法，我们在加权SVM的基础上，分别针对源域和目标域数据学习两个投影矩阵，同时通过样本距离当前分类超平面的距离来对每个源域训练样本进行重加权。通过多次迭代，我们提出的方法可以逐渐降低距离超平面较远的源域数据的影响，从而增大更重要样本对目标域分类的贡献，从而得到一个更稳健的分类器。
我组2016级硕士研究生常世桢同学报告题目为迭代背景重构和抑制（IBRS）的高光谱遥感图像目标探测框架。
高光谱图像目标探测技术能够在已知目标先验光谱信息的情况下检测场景中是否存在某种目标，并判断其具体位置，在军事侦察、环境监测、地质勘探等方面均有应用。从模式分类来看，目标探测实际是个二分类问题，其目的是将图像标记为目标或背景两类。目前一些基于线性混合模型的目标探测算法，比如正交子空间投影（OSP）算法、约束能量最小化（CEM）算法、目标约束干扰能量最小化（TCIMF）算法等取得较好的探测效果；随着稀疏信号处理应用的推广，一些基于稀疏模型的目标探测算法，比如稀疏目标探测（STD）算法、稀疏表达二值假设模型也能够较好地解决目标、背景子空间构建和分离的问题。然而，这些算法在分离目标和抑制背景的作用仍待加强，考虑到一般真实数据中的背景地物精确光谱很难获得，我们提出使用稀疏理论重构背景子空间矩阵，结合有效脉冲滤波器理论构造线性重构背景约束能量优化模型，最后使用慢特征分析方法迭代加权处理图像的目标探测框架，简称为迭代背景重构和抑制（IBRS）算法。
其基本流程为： 1）输入整幅高光谱遥感图像作为训练信号并使用K-SVD算法训练最优字典作为背景字典； 2）从纯净的飞机像元中随机选择三个像元作为目标字典；3）对于给定的过完备目标字典和背景字典，图像的每个训练样本可以近似表示为所有字典线性组合的形式； 3）将所有背景稀疏向量合并构造背景稀疏矩阵，将背景字典和背景稀疏矩阵相乘构造背景子空间矩阵；
使用IBRS目标探测框架和几种传统目标探测算法在AVIRIS数据上进行试验，实验结果的ROC曲线、AUC值和归一化目标背景分离图如下图1所示。与传统算法相比，我们提出的IBRS算法的ROC曲线更接近左上角，AUC值也最大，因此取得最优的探测精度如下。
我组2016级硕士研究生张祎铭同学的报告题目为“空间自适应的稀疏表达用于高光谱遥感影像的目标探测”[2]报告的主要内容如下：
以往针对高光谱遥感影像的目标探测的方法，较少利用到影像的空间信息，本报告介绍的空间自适应的稀疏探测器，能够弥补这一不足。它的主要思想是根据邻域像素与中心待探测像素的相似用到待探测像素的空间信息，进而提高目标探测的效果。本报告对两幅真实的高光谱遥感影像数据进行探测，实验结果如图三、图四所示，可以看到，我们的方法相较于一些传统的经典算法，能够取得比较好的探测效果。
论文信息： [1].X. Li, L. Zhang, B. Du, L. Zhang, and Q. Shi, " Iterative Reweighting Heterogeneous Transfer Learning Framework for Supervised Remote Sensing Image Classification," IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 10, no. 5, pp. 2022-2035, 2017. [2].Y. Zhang, B. Du, Y. Zhang, L. Zhang, Y. Zhang, “Spatially Adaptive Sparse Representation for Target Detection in Hyperspectral Images,” IEEE Geosci. Remote Sens. Lett., vol. PP, no. 99, pp. 1–5, Sept. 2017.