随着遥感对地观测技术的飞速发展,成像光谱数据呈现指数增长,特别是人工智能技术和高性能计算的加速崛起,进一步推动了成像光谱大数据时代的到来。因此,如何高效地组织和管理海量的成像光谱数据成为一个亟待解决的实际应用问题。此外,作为数字地球等各项重大建设项目的基础性数据,成像光谱图像(spectral imagery)在城市规划、环境监测以及军事侦察等领域有着广泛的应用。然而,网络时代的开放性与共享性,使得网络信息安全问题日益突出,特别是含有重要信息的成像光谱图像则应具有严格的保密性,要确保检索过程中不发生失泄密事件。传统的采用手工设计特征的图像检索方法,由于一直未能很好地解决低层特征和高层语义之间的语义鸿沟问题,难以形成对成像光谱图像有效的特征表达,从而制约了成像光谱图像检索技术的进一步发展。而现有的成像光谱图像检索技术所关注的是如何设计有效的机制来提高检索性能,往往忽略了图像内容的安全性问题。针对海量成像光谱图像,如果在保证图像检索性能的同时,有效地保障成像光谱图像的安全性则具有重要的实际研究意义和广泛的工程应用价值。为此,论文从图像检索和安全相互结合、相互支持的观点出发,设计并实现一个基于深度特征的成像光谱图像安全检索(secure retrieval)系统,具体研究内容包括:(1)考虑到深度学习技术强大的特征学习能力,提出了一种成像光谱图像的深度光谱-空间特征提取方法。首先选取成像光谱图像的纯净像元获得光谱、空间向量;然后叠加光谱-空间向量作为训练样本,对深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)网络模型进行训练;最后利用训练好的DCGAN网络模型提取深度光谱-空间特征。实验结果表明,采用深度光谱-空间特征表示成像光谱图像可以提高图像检索的准确率。(2)针对成像光谱图像深度特征维数过高的问题,设计了一种成像光谱图像的深度光谱-空间特征降维方法。首先通过模糊C均值聚类(Fuzzy C-Means,FCM)从成像光谱图像库选取深度光谱-空间特征的代表数据;然后采用基于t-分布随机近邻嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)的非线性流形方法对代表数据进行降维;最后利用基于t-SNE的非线性流形哈希实现成像光谱图像的深度光谱-空间特征降维。实验结果表明,基于t-SNE的非线性流形哈希降维方法,可以在保持深度光谱-空间特征表示能力的同时,有效实现深度特征的维数约减,从而大幅提高检索效率。(3)为了保证检索过程中的安全性,设计并实现了基于特征随机化加密的成像光谱图像安全检索系统。首先在保持汉明距离不变的情况下,利用特征随机化加密技术对降维后的深度光谱-空间特征哈希码进行加密保护;然后在加密域选择多索引哈希计算汉明距离进行相似性匹配;最后在系统检索过程中引入特征权重调整的相关反馈机制,进一步优化检索结果。实验结果表明,论文设计的成像光谱图像安全检索系统,可以在保证图像检索准确率的同时,有效保障图像内容的安全性。