CN102194099B - 用于高光谱目标探测方法的高级背景估计技术和电路 - Google Patents

用于高光谱目标探测方法的高级背景估计技术和电路 Download PDF

Info

Publication number
CN102194099B
CN102194099B CN201110026117.3A CN201110026117A CN102194099B CN 102194099 B CN102194099 B CN 102194099B CN 201110026117 A CN201110026117 A CN 201110026117A CN 102194099 B CN102194099 B CN 102194099B
Authority
CN
China
Prior art keywords
pixel
cem
target
spectrum
image data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201110026117.3A
Other languages
English (en)
Other versions
CN102194099A (zh
Inventor
V·库克沙
J·克鲁兹-阿尔布雷克特
R·M·马蒂克
P·彼得
M·W·伍尔博特
D·R·杰威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing Co
Original Assignee
Boeing Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Boeing Co filed Critical Boeing Co
Publication of CN102194099A publication Critical patent/CN102194099A/zh
Application granted granted Critical
Publication of CN102194099B publication Critical patent/CN102194099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于高光谱目标探测方法的高级背景估计技术和电路。公开用于从高光谱图像数据进行目标探测的系统、电路和方法。滤波器系数使用经修正的约束能量最小化(CEM)方法得以确定。该经修正的CEM方法可以在一电路上运行，所述电路可操作用以执行约束线性编程优化。包括滤波器系数的滤波器被应用于高光谱图像数据的多个像素，以形成各像素的CEM值，并且一个或多于一个目标像素根据所述CEM值被识别。该过程可以被重复以使用各滤波器系数来增强目标识别，所述滤波器系数通过将所识别的各目标像素排除在高光谱图像数据之外而得以确定。

Description

用于高光谱目标探测方法的高级背景估计技术和电路
技术领域
本公开的各实施例主要涉及高光谱成像和探测，更具体地涉及高光谱目标探测。
背景技术
高光谱成像和探测是光谱成像和分析的一种类型，它通常利用电磁光谱的非必要连续的宽谱带来将对象成像和/或探测对象。高光谱遥感在广泛的应用中被使用，例如，用于采矿和地质学来用以寻找石油和矿石。高光谱成像也被用于如生态学和监视、机场安保、以及历史手稿研究(如针对古老的难以辨识文稿的成像)这样的广泛领域中。也有汽车方面的应用，如用于避免碰撞。高光谱成像技术也涉及各种目标探测应用，如使用无人驾驶交通工具(UAV)的情报、监视和勘测(ISR)应用。
高光谱成像和探测系统从一个或多于一个传感器接收高光谱图像数据。该高光谱图像数据通常包含几百到几千个光谱带。高光谱传感器通常收集如一套图像这样的信息，其中每个图像都是二维像素阵列。每个像素测量所接收到的能量并将其表示在一个电磁光谱范围(光谱带)中。而后，这些图像作为平面被组合，从而形成三维高光谱立方体，其中深度表示针对每个光谱带的像素阵列平面。
一个或多于一个传感器的精度通常以光谱分辨率度量，其中光谱分辨率是由一个或多于一个传感器捕获的每条光谱带的带宽。如果高光谱成像和探测系统接收到大量相当狭窄的频带，则即使以少量的像素捕获对象，也可能识别这些对象。然而，除了光谱分辨率以外，空间分辨率也是一个因子。如果像素从过大的表面积接收光谱，则同一像素中可能会捕获到多个对象，这会使得对目标的识别更为困难。如果像素过小，则每个传感器单元所捕获的能量低，并且降低的信噪比降低所测量特征的可靠性。
存在从像素中的背景和/或未知物质中识别目标物质的各种算法。通常，这些算法首先要求对模拟信号的高速、高动态范围的模数转换(数字化)，随后是高度复杂和计算机密集型的数字信号处理(DSP)。数字化和DSP两种操作都是非常消耗功率的。现有的硬件中的算法实现(如传统的模拟信号处理)可能不是最优的，这是因为例如使用互补金属氧化物半导体(CMOS)技术成规模的模拟电路的性能限制。相反地，传统的DSP方法要求高速采样和前期数字化，这可能会由于高功耗以及引起低计算速度而受限制。传统的高光谱目标探测算法，如现有的约束能量最小化算法(constrained energy minimization，CEM)实现，可能不能够实时或接近实时执行，尤其是机载小功率限制的移动平台。
因此，需要具备实时或接近实时执行能力的高光谱成像和探测、电路、探测算法以及背景估计技术。
发明内容
公开用于从高光谱图像数据探测目标的系统、电路和方法。使用经修正的约束能量最小化(CEM)方法确定滤波器系数。该经修正的CEM方法能够在电路上运行，该电路可运行用以实施约束线性编程优化。包括滤波器系数的滤波器被应用于高光谱图像数据的多个像素，从而形成这些像素的CEM值，并且一个或多于一个目标像素基于CEM值被识别。该过程可以被重复，从而通过使用确定的各滤波器系数来增强目标识别，这些滤波器系数通过将所识别的各目标像素排除在高光谱图像数据之外而确定。
第一实施例包括用于从高光谱图像数据进行目标探测的方法，该高光谱图像数据包括多个像素，这些像素包括目标物质的目标光谱以及背景物质的背景光谱。该方法通过使用电路装置基于高光谱图像数据、目标光谱和估计的背景光谱来实施约束线性编程优化而确定第一滤波器系数。该方法还将包括第一滤波器系数的第一滤波器应用于各像素，以获得第一过滤像素并将第一目标像素从第一过滤像素中识别出来。
第二实施例包括用于从包括多个像素的高光谱图像数据探测目标的系统。该系统包括可运行用于实施约束线性编程优化及执行约束能量最小化算法的处理器。该处理器可运行用于使用电路装置确定第一滤波器系数，该电路装置可运行用于基于高光谱图像数据、目标光谱和估计的背景光谱实施约束线性编程优化。该处理器还可运行用于将包括第一滤波器系数的第一滤波器应用于各像素，以获得第一过滤像素并将第一目标像素从第一过滤像素中识别出来。
第三实施例包括用于从高光谱图像数据进行目标探测的方法。该方法识别多个像素，每个像素包括目标物质的目标光谱以及背景物质的背景光谱，并且计算各像素的光谱的平均值，从而获得第一背景光谱。该方法还基于高光谱图像数据、目标光谱和第一背景光谱实施约束能量最小化(CEM)优化，从而获得第一滤波器系数。该方法也使用第一滤波器系数估计各像素的CEM值。
第四实施例包括用于高光谱目标探测的电路。该电路包括可运行用于从高光谱图像数据中选择目标像素的控制装置以及滤波器装置，滤波器装置可运行用于将目标高光谱图像数据与所述高光谱图像数据进行比较。该电路还包括约束线性编程优化装置，它可运行用于根据高光谱图像数据、目标光谱和估计的背景光谱计算滤波器系数。
提供这个发明内容摘要是为了简要介绍概念的选择，这将在下文中作进一步的详细说明。此发明内容摘要的目的不在于明确所要求保护的主题的关键特征或实质特征，也不在于被用作确定所要求保护的主题范围的辅助。
附图说明
本公开的各实施例将在下文中结合下列附图进行说明，其中类似的标号表示类似的元素。提供这些附图是为了本公开各示例实施例的图示和说明。提供这些附图用以促进对于本公开的理解，而非限制本公开的广度、范围、规模或适用性。这些附图没有必要按比例制作。
图1是根据本公开一实施例的示例性高光谱成像方案的图示。
图2是根据本公开一实施例的示例性高光谱成像系统的图示。
图3是根据本公开一实施例的示例性高光谱图像数据立方体的图示。
图4是根据本公开一实施例的示例性高光谱目标光谱的图示。
图5是根据本公开一实施例针对实值矩阵中每个像素的示例性高光谱图像数据的图示。
图6是显示根据本公开一实施例用于从高光谱图像数据探测目标的示例性过程的流程图图示。
图7是根据本公开一实施例的约束能量最小化(CEM)算法的电路实现的图示，该算法用于背景光谱估计。
图8是显示根据本公开一实施例图7所示电路的操作的示例性过程的流程图图示。
图9是显示根据本公开一实施例背景光谱辐射的示例性确定的曲线图图示。
图10是显示根据本公开一实施例滤波器系数的示例性确定的曲线图图示。
图11是显示根据本公开一实施例各像素与目标光谱的示例性匹配程度的图表图示。
图12是显示与常规算法相比较的，根据本公开一实施例针对用于成像的各种不同数量像素的目标物质的示例性估计相对丰度值(abundancevalue)的曲线图图示。
图13是显示根据本公开一实施例针对300个像素的示例性目标探测性能的图示。
图14是显示根据本公开一实施例针对30个像素的示例性目标探测性能的图示。
图15是显示根据本公开一实施例示例性滤波器系数收敛的曲线图图示，该收敛使用没有背景清除的经修正的CEM算法。
图16是显示与地面实况参考相比较的，根据本公开一实施例示例性CEM值的曲线图图示，所述CEM值利用没有背景清除的经修正的CEM算法而得以估计出来。
图17是显示根据本公开一实施例示例性滤波器系数收敛的曲线图图示，该收敛利用具有背景清除的经修正的CEM算法。
图18是显示与地面实况相比较的，根据本公开一实施例示例性CEM值的曲线图图示，所述CEM值利用具有背景清除的经修正的CEM算法而得以估计出来。
具体实施方式
下面的详细说明本质上是示例性的，并且其目不在于限制本公开或本公开的各实施例的应用以及用途。特定装置、技术及应用的说明只作为示例提供。针对本文所述示例的修改对于本领域的技术人员而言是显而易见的，而且本文中所定义的一般原理可以被应用于其他示例和应用而不脱离本公开的精神和范围。此外，不存在通过任何前述技术领域、背景技术、发明内容摘要或下述的详细说明中所给出的明示或暗示的理论来进行限制的目的。本公开的范围应与权利要求相一致，而且不限于本文所述及所示的示例。
本公开的各实施例在本文中可以按照功能和/或逻辑块组件以及各种处理步骤进行说明。应该意识到的是，这样的块组件可以由任意数量的硬件、软件和/或固件组件实现，这些组件被配置以执行特定功能。为了简洁，涉及高光谱感测、DSP以及各系统的其他功能方面(以及各系统的单独运行组件)的常规技术和组件可能未在本文中进行详细说明。另外，本领域内的技术人员将意识到，本公开的各实施例可以连同遥感、目标探测等一起得到实践。本领域内的技术人员也将意识到，本文所述系统仅是本公开的一个示例性实施例。
本公开的各实施例在实际非限制的应用(即遥感)的背景下在本文得到说明。然而，本公开的各实施例并不限于这样的遥感应用，并且本文所述的技术也可以利用在其他应用中。例如，各实施例可应用于图像分析、避撞、在机场针对毒品和爆炸物的身体扫描、行李扫描、产品缺陷扫描等。
阅读本说明书后，对于本领域中技术人员而言显而易见的是，下述为各示例，并且本公开的各实施例不限于根据这些示例运行。可以利用其他实施例，并且可以做出结构改变而不偏离本公开各示例实施例的范围。
图1是根据本发明一实施例的高光谱成像方案100的示图。高光谱成像方案100包括被扫描表面102、目标104以及成像平台106。成像平台106(诸如飞行器)扫描被扫描表面102以搜索目标104。
被扫描表面102包括，例如但不限于，包括三种不同地形物质的陆地表面，这三种地形物质是：S1(诸如耕种过的田地)、S2(诸如道路)、S3(诸如树林)。耕种过的田地S1、道路S2和树林S3各自在高光谱频带中具有不同的光谱特性。例如，耕种过的田地S1可以在水吸收频率处具有高吸收作用，道路S2可以在焦油和沥青吸收频率处具有高吸收作用，而树林S3可以具有可见光高吸收。
目标104可以包括，例如但不限于金属物体(如步枪)。步枪可能由士兵携带并被隐藏在树叶中。由于步枪被隐藏在树叶中，所以只通过可见光成像难以将步枪从背景(如被扫描表面102)中区分出来。然而，目标104(如此示例中的步枪)可以具有能够从被扫描表面102的高光谱光谱中被区分出来的高光谱光谱。
成像平台106可以包括，例如但不限于侦察机、卫星、飞船、UAV、地面车辆、艇或船、移动平台(如手持装置)、边界或港口处的全身扫描器等。成像平台106包括高光谱成像装置(未显示)。成像平台106(如飞行器)能够飞过被扫描表面102的上空，以利用所述高光谱成像装置搜索目标104。当成像平台106飞过被扫描表面102的上空时，它扫描被扫描表面102的被扫描带108。例如但不限于，被扫描带108与飞行方向110大致垂直的长度可以为大约1000米，而与飞行方向110大致平行的宽度可以为大约100米。取决于成像平台106的速度和配置，成像平台106可以扫描被扫描带108以及随后的各个带，例如但不限于，大约每秒60次(60Hz)或类似频率。诸如被扫描带108的带在飞行方向110上可以是连续或不连续的。这样，就可以对被扫描带108进行非连续的扫描。
图2是根据本发明一实施例的示例性高光谱成像系统200的示图。示例性高光谱成像系统200包括传感器210以及异步脉冲处理器(APP)212，该处理器包括CEM电路214。传感器210可以与成像平台106相耦合，并且包括透镜系统202以及焦平面阵列204。传感器210可以是，例如但不限于推扫式传感器及其类似物。
透镜系统202将从被扫描表面102(图1)接收的光流206汇聚到传感器210的焦平面阵列204上，并且将光流206分成多个光谱。例如但不限于，透镜系统202可以将光流206分成210个已成像光谱带及其相似物。
焦平面阵列204包括像素阵列，并且每个像素都包括用于接收图像光谱带的子像素。例如但不限于，焦平面阵列204可以包括这样的像素阵列：该像素阵列包括九个空间像素，每个空间像素都包括用于接收210个已成像光谱带的子像素。210个已成像光谱带可以划分，例如但不限于，从大约500nm到大约1100nm的频率光谱及其相似物。当成像平台106扫描经过被扫描表面102时，九个空间像素将被扫描表面102成像成与扫描方向大体垂直的一条线。通过这种方式，焦平面阵列204产生由九个像素数据向量xi(i＝1-9)组成的实值矩阵X，其中每个像素数据向量xi都包括针对每个时间周期的210个已成像光谱带(λ1...，λ210)中每个的210个数据值。下文中，每个像素数据向量xi(i＝1-9)都可以被交替地称为像素光谱、高光谱图像数据或第i个像素的光谱。
APP 212可以与传感器210相耦合。APP 212可以是专用处理器，该处理器能够实时地或接近实时地处理线性编程优化算法。以这种方式，经修正的CEM算法能够被映射到APP 212的CEM电路214上，用于探测目标104，如下文将详细解释的。APP 212是连续时间、离散幅度信号处理器，它能够简单、高分辨率、低功率地实现各高级算法，如被修正为标准线性编程优化问题的CEM算法。APP 212的CEM电路214接收实时或接近实时的高光谱图像数据，该数据包括源自传感器210的焦平面阵列204的像素阵列。该像素阵列生成包括高光谱图像数据的像素数据向量xi(i＝1-9)。APP 212的CEM电路214的输出包括，例如但不限于，目标104的目标物质的光谱t，每个像素中目标104的相对丰度(CEM)值yi(下述方程式(2))等。除异步脉冲处理器(APP)212以外的处理器也可以被使用，例如但不限于，微处理器、数字信号处理器、模拟信号处理器、混合模数处理器等。
图3是根据本发明一实施例的示例性高光谱图像数据立方体300的图示。高光谱图像数据立方体300包括多个高光谱平面302，这些平面形成高光谱图像数据立方体304。高光谱平面302由实值矩阵X构成，该矩阵包括源自被扫描带108(图1)的数据。高光谱图像数据立方体304包括源自多个被扫描带(如穿过被扫描表面102所收集到的被扫描带108)的数据。
为了识别包括目标物质(如目标104)的各像素，执行经修正的CEM算法。该经修正的CEM算法创建源自给定场景的背景光谱的统计描述，并在之后将背景光谱与目标光谱的比较进行加权，加权方式使背景光谱的影响最小化，该背景光谱可能被混入给定场景的高光谱图像数据xi。通过这种方式，该经修正的CEM算法找到包括指定目标物质的像素并估计出像素光谱中指定目标物质光谱的数量。作为第一步，该经修正的CEM算法通过优化下列关系找到CEM滤波器系数w：
min ( w T x ‾ ) , x ‾ = 1 p Σ i = 0 p x i 和 w T * t = 1 w T * x i ≥ 0 i = 1 , . . . , p - - - ( 1 )
其中，p是所考虑分组中像素的总数；xi是包括第i个像素的光谱的向量(大小nb×1)；nb是p个像素中每一个像素的成像光谱带λi的数量；是包括p个像素(或非排除像素)的平均光谱(估计背景光谱)的向量(大小nb×1)；t是包括目标物质的光谱(目标光谱)的向量(大小nb×1)；w是CEM滤波器系数向量(大小1×nb)，而T表示向量转置运算。
作为第二步，该经修正的CEM算法根据下列关系过滤p个像素：
y i = w x i - T - , i = 1 , . . . , p - - - ( 2 )
其中，yi是p个像素每一个中目标物质的相对丰度值，是CEM滤波器系数向量(大小nb×1)，是包括第i个像素的背景估计(辐射)的向量(大小nb×1)。例如，如果yi等于1，则第i个像素包括大约100％的目标物质，如果yi等于0，则第i个像素包括大约0％的目标物质，而如果yi等于Z，则第i个像素包括大约100*Z％的目标物质。
对于所有p个像素的高光谱图像数据Xi的给定部分，估计的背景光谱通过取像素的高光谱图像数据xi的平均值来计算。而后，通过使价值函数最小化，该经修正的CEM算法估计高光谱图像数据xi的给定部分的CEM滤波器系数w，价值函数是估计的背景光谱和CEM滤波器系数向量w(CEM滤波器系数w)的乘积。在最小化处理期间，方程式(1)应满足的两个约束是：(1)目标物质的目标光谱t与CEM滤波器系数w的乘积应是1(wT*t＝1)，以及(2)p个像素中的每一个像素与CEM滤波器系数w相乘所得的各个乘积应大于或等于零(wT*xi≥0)。
替代地，在某些实施例中，是可以允许针对至少一个像素数据向量xi以及CEM滤波器系数w的约束(2)(wT*xi≥0)的各单独乘积小于零的，这是由于，例如但不限于，校准误差、噪音等原因。例如，如果该经修正的CEM被用来探测气体(例如，环境保护应用)，当气体表现为处于与发射模式(即气体比背景温度高)相对的吸收模式(即气体比背景温度低)时，wT*xi可以是负值。当目标处于吸收模式时，该目标能够与CEM滤波器负相关。
高光谱图像数据立方体300是一个示例，所述经修正的CEM算法可以被应用于该数据立方体以探测目标104。在此示例中，一个目标物质(如目标104)以及三个未知物质(如图1中所示的地形物质S1，S2，S3)被呈现场景中(如图1中所示的被扫描表面102)。实值矩阵X(9行×210列)的每个像素数据都可以包括四种物质即S1，S2，S3和目标物质的光谱加权和。这三个未知物质(如图1中所示的地形物质S1，S2，S3)的光谱可以是未知的。实际上，随机噪音可以遮盖上述四种物质即S1，S2，S3和目标物质的光谱。在此示例中，随机噪音被加在p＝9个像素的210个已成像光谱带(λ1...，λ210)上，这将导致信噪比(SNR)大约为90dB的信号。
为了改善精确性，估计的背景光谱可以通过将被确定为目标像素的像素排除而得以计算。没有从估计的背景光谱的计算中被排除的各像素是未排除像素。估计的背景光谱可以基于下列关系而得以计算：
x ‾ = 1 p Σ i = 0 p x i
其中，p是未排除像素的总数，xi是包括第i个未排除像素的光谱的向量，而是包括未排除像素的平均光谱的向量。
图4是根据本公开一实施例的示例性高光谱目标光谱400的图示。高光谱目标光谱400对应于目标物质并且包括210个已成像光谱带(λ1...，λ210)中每一个的辐射值402。辐射值402表示所接收的电磁辐射并且可以源自于，例如但不限于，直接经验测量、间接经验测量、理论设计等。高光谱目标光谱400与针对每个被扫描带108的实值矩阵X进行比较。该比较可以通过相关性等进行，并且相关程度指明p个像素中每一个像素的像素数据向量xi中存在目标物质的可能性。
图5是根据本公开一实施例的示例性高光谱图像数据500的图示，其显示针对p＝9个像素中每一个像素的高光谱图像数据502-518的曲线图，其中每个像素分别具有实值矩阵X的像素光谱xi。高光谱图像数据502-518的每个曲线图对应于九个像素数据向量中的每一个(x1，x2，...，x9)。p＝9个像素中的每一个像素都包括源于被扫描带108的210个已成像光谱带(λ1...，λ210)中每一个的扫描辐射测量值。高光谱目标光谱400(图4)与高光谱图像数据500相比较，以确定p个像素中每一个像素的像素数据向量xi中是否存在目标物质，并由此确定是否存在目标104。
图6是根据本公开一实施例显示用于从高光谱图像数据探测目标的示例性过程600的流程图图示。与过程600有关的执行的各种任务可以由硬件、软件、固件或其任意组合执行。出于说明的目的，下面对过程600的描述可以提及下文中与图7有关而被提到的元件。在各实际实施例中，过程600的各部分可以由下文以对电路700的讨论为背景所述的不同元件执行。过程600可以具有与图1-5及图7中所示各实施例相似的功能、物质和结构。因此，这里将不再赘述共有的特征、功能和元件。
过程600可以由使用经修正的CEM算法基于高光谱图像数据xi、目标光谱t和估计的背景光谱来确定第一滤波器系数(任务602)开始。第一滤波器系数能够通过使用电路得以确定，该电路被配置用于基于高光谱图像数据xi、目标光谱t和估计的背景光谱的约束线性编程优化。通过这种方式，经修正的CEM算法能够被映射到专用的APP 212上，该APP 212能够实时地或接近实时地处理线性编程优化算法。如在下文以图7为背景更为详细地解释的，专用的电路可以被用来执行基于该经修正的CEM算法(在上文以图3为背景讨论)的大体上实时的算法。该经修正的CEM算法用公式表示为约束线性编程优化问题。
过程600可以通过将包括第一滤波器系数的滤波器应用于高光谱图像数据(x1，x2，...，x9)以获得第一过滤像素(任务604)而继续。即使当目标物质的光谱t已知而其他物质的光谱未知时，该经修正的CEM算法也能够探测目标物质。
过程600可以通过将第一目标像素从第一过滤像素中识别出来(任务606)而继续，所述目标像素在其各自高光谱图像数据xi中包括目标物质。通过这种方式，CEM滤波器系数w通过应用约束线性编程优化来确定未知的各滤波器系数而得以确定。而后，CEM滤波器系数w被应用于像素数据向量(例如，实值矩阵X的九个像素x1，x2，...，x9，xi的p＝9行且λi的nb＝210列)，以获得针对第一过滤像素的CEM值。对九个像素数据向量(x1，x2，...，x9)中每一个的CEM值进行搜索，并且将达到阈值的CEM值识别为第一目标像素。然而，为了增加精确性，可以将第一目标像素从估计的背景光谱的计算中去除，以从未知背景物质S1，S2，S3的光谱中区分目标物质的光谱t。
过程600可以通过将一目标从第一目标像素中识别出来(任务614)而继续。目标104和/或其他目标能够基于第一目标像素被识别。
过程600可以通过使用经修正的CEM算法基于高光谱图像数据xi、光谱t和估计的背景光谱确定第二滤波器系数而继续，其中估计的背景光谱是由不包括针对第一目标像素的高光谱图像数据xi的高光谱图像数据xi计算出的(任务608)。任务608重复任务604，但针对第一目标像素的高光谱图像数据xi被从针对估计的背景光谱估计过程的高光谱图像数据xi中移除。通过将包括目标物质光谱t的第一目标像素从估计的背景光谱估计过程中移除，经修正的CEM算法的功能可靠性和目标探测以及yi估计性能得以显著改善。
过程600可以通过将包括第二滤波器系数的滤波器应用于高光谱图像数据xi以获得第二过滤像素(任务610)而继续。经修正的CEM算法创建给定场景的估计的背景光谱的统计描述。而后，经修正的CEM算法将估计的背景光谱与第一目标像素的目标光谱t的比较结果进行加权，加权方式使得可能会被混入高光谱图像数据xi的任何估计背景光谱的影响最小。包括指定目标物质(如目标104的目标物质)的像素被找到，并且每一个像素的指定目标物质的数量(CEM值)被估计。
过程600可以通过自第二过滤像素中识别第二目标像素(任务612)而继续。为了简化并提高将电路设计实施到APP平台(如APP 212)上的能力，必须能够在更小的分组上运行，例如30像素及300像素的分组。在一实施例中，可以包括目标光谱t的各像素被迅速识别并从估计的背景光谱估计过程中被移除，这样估计的背景光谱就不会被目标光谱t破坏。通过这种方式，搜索实值矩阵X(大小p＝9×nb＝210的)九个像素(x1，x2，...，x9，)中每一个像素的CEM值，并且达到阈值的CEM值被识别为第二目标像素。
过程600可以通过将一目标从第二目标像素中识别出来(任务616)而继续。目标104和/或其他目标基于第一目标像素得以识别。
过程600及其各部分和各任务可以重复多次，且精确性会潜在地随每次重复而增加。例如，任务608至612可以使用第二目标像素替代第一目标像素进行重复，并且第三组目标像素使用不包括针对第二目标像素的的成像数据的潜在改善的背景估计得以识别。
图7是根据本公开一实施例的示例性电路700的图示，该电路用于针对估计的背景光谱的估计的经修正的CEM算法。如上文所解释过的，针对高级计算密集型算法的常规信号处理方法(如CEM算法)，在硬件中可能不是最优的，这是由于较新的规模CMOS技术中电路的性能限制。同样地，传统的数字信号处理方法可能要求高速采样和前期数字化，而且可能受高功耗及低计算速度限制。相反，APP技术是连续时间、离散幅度的异步模/数信号处理技术，这种技术能够简单、高分辨率而且低功耗地实现高级算法，高级算法包括要求实时计算或运行的算法。为了方便在APP平台(APP 212)上的实现，经修正的CEM算法用公式表示为APP 212的电路700中的线性编程优化问题。
电路700包括控制电路702和CEM电路704(图2中的CEM电路214)。首先，对于针对像素组的高光谱图像数据xi的给定部分，估计的背景光谱通过取各像素的光谱xi的平均值计算。而后，经修正的CEM算法为高光谱图像数据xi的给定部分估计CEM滤波器系数w。
控制电路702包括第一开关722、矩阵积724、第二开关726、第三开关728、第一加法器730、第二加法器732以及除法器734。
第一开关722根据控制电路702上的时间值742加载滤波器系数值或零值。已用时间充当第一开关722的触发器，如果该已用时间大于预定义的时间阈值，则第一开关722的输出为当前的一组滤波器系数值(大小nb×1)，否则第一开关722的输出为零向量(大小nb×1)。
矩阵积724包括各像素的CEM值的向量(大小p＝1)，该向量包括像素的矩阵A1的乘积(大小p×nb)，以及第一开关722的输出(大小nb×1)。
第二开关726根据第二开关控制输入736上的CEM值在输出1或0值间切换。p个像素的CEM值充当第二开关726的触发器。如果P个像素中每一个像素的CEM值都大于预定义的丰度阈值，由此指明该像素可能包含目标光谱t，则第二开关726为该像素输出零值。通过这种方式，将包括目标光谱t的像素从背景光谱估计过程中的排除通过信号表示，其指明估计的背景光谱被目标光谱t破坏。否则，第二开关726输出值1。
第三开关728根据第三开关控制输入738上源自第二开关726的结果而输出零或p个像素光谱x＝(x1，x2，...，x9)的矩阵(大小p×nb)。第二开关726的输出充当第三开关728的触发器，如果对应于像素数据向量xi的值是1，则该像素数据向量xi(大小1×nb)被中继到第三开关728的输出，否则如果该像素被标记为零值，则零向量(大小1×nb)被中继到第三开关728的输出。
第一加法器730的运行使得来自第二开关726的值(大小p×1)相加，以计算未标记像素的总数，这些像素不太可能包括目标物质。
第二加法器732累加来自第三开关728的数据。来自第三开关728的各向量(大小p×nb)被累加(这些像素很可能包括目标光谱t，它们被零向量所代替)。用输出向量(大小1×nb)除以未标记像素的数量，以计算未被破坏的背景光谱。
除法器734将第二加法器732的输出向量(大小1×nb)除以源自第一加法器730的未标记像素的数量，从而计算未被破坏的估计的背景光谱。该未被破坏的估计的背景光谱包括在上述方程式(1)中被计算为的估计的背景光谱(能量)。
CEM电路704可运行用于执行计算方程式(1)的最小值的反馈回路。CEM电路704包括滤波器系数计算电路706，像素-滤波器系数矩阵积电路708以及目标-滤波器系数矩阵积电路710。
目标-滤波器系数矩阵积电路710为目标光谱t(大小1×nb)以及即时CEM滤波器系数向量740(大小1×nb)计算方程式(2)。目标光谱(方程式(1)中的t)与即时CEM滤波器系数向量740(方程式(1)中的w)的矩阵积(方程式(1)中的wT*t)由乘法器714计算，以获得CEM值结果790(大小1×1)。从CEM值结果790中减去等于大约1的值B2(大小1×1)，以获得CEM差值792(大小1×1)。值B2表示针对包括大约100％目标光谱t的像素数据向量xi的光谱的CEM值。CEM差值792包括与wT*t＝1(方程式(1))的距离(wT*t-1)。积分器I3提供CEM差值792的低通滤波功能，以减少电路704的反馈回路中的波动。
将一反馈回路惩罚因子G6加到积分器I3输出772上，以获得目标-滤波器系数矩阵积输出774(大小1×1)。反馈回路惩罚因子G6可以包括乘以CEM差值792的第一惩罚因子。该第一惩罚因子可以取决于，例如但不限于，高光谱图像数据xi的类型、即时CEM滤波器系数向量740的收敛速率及电路特性等。该第一惩罚因子可以是，例如但不限于，大约为1e3的恒定值，大约0到大约1e5之间的可变值等。
像素-滤波器系数矩阵积电路708针对像素数据向量xi(大小p×nb)以及即时CEM滤波器系数向量740(大小1×nb)计算方程式(2)。像素数据向量xi与即时CEM滤波器系数向量740(方程式(1)中的w)的矩阵积(方程式(1)中的wT*xi)由乘法器712计算，以获得CEM值结果向量754(大小1×p)。积分器I1提供了CEM值结果754的低通滤波功能，以减少电路704的反馈回路中的波动。
将一反馈回路惩罚因子G2加到积分器I1输出798上，以获得经调整的积分器输出796(大小1×p)。反馈回路惩罚因子G2可以包括乘以CEM差值754的第二惩罚因子。该第二惩罚因子可以取决于，例如但不限于，高光谱图像数据xi的类型、即时CEM滤波器系数向量740的收敛速率及电路特性等。该第二惩罚因子可以是，例如但不限于，大约为1e3的恒定值、大约0和大约1e5之间的可变值等。
CEM值结果754控制开关组752，该开关组在输出向量762的每一项中设定零值或经调整的积分器输出向量796，这取决于针对相应像素数据向量xi的CEM值结果754。如果针对相应像素数据向量xi的CEM值结果754具有大于或等于零的值，则第i个位置中的输出向量762为零。如果针对相应像素数据向量xi的CEM值结果754具有小于零的值，则第i个位置中的输出向量762为第i个位置的经调整的积分器输出向量796。
滤波器系数计算电路706接收像素-滤波器系数矩阵积电路708的输出向量762(大小1×p)以及目标-滤波器系数矩阵积输出774(大小1×1)，并且计算即时系数值740(大小p×nb)。即时系数值740被反馈到像素-滤波器系数矩阵积电路708以及目标-滤波器系数矩阵积电路710内，并且该计算被重复直到其收敛到方程式(1)的最小值。
像素-滤波器系数矩阵积电路708的输出向量762与目标-滤波器系数矩阵积输出774连接以形成单个向量782(大小1×p+1)。乘法器716将单个向量782与像素光谱xi和目标光谱t中每一个的矩阵(大小p+1×nb)相乘，以获得结果向量784(大小1×nb)。结果向量784包括CEM值的向量，该向量指明p个像素的每一个像素中以及目标光谱t中目标物质的含量(即目标光谱t中目标物质的百分比应为约100％，wT*t＝1)。将结果向量784加到估计的背景光谱向量780(大小1×nb)上，以获得中间向量786(大小1×nb)。中间向量786由逆变器G4反转以产生逆向量788，而且由积分器I2积分以减少波动，从而产生即时系数值740(大小1×nb)。滤波器系数寄存器794保存CEM电路704收敛时的最终滤波器系数w。
CEM电路704的反馈回路循环，直到输出向量762收敛到全零向量。CEM电路704收敛后，最终滤波器系数740可以根据方程式(2)被用来识别目标104的目标光谱t的目标像素。CEM电路704输出超过针对所关心目标物质的指定阈值的像素位置。例如但不限于，针对所关心目标物质的指定阈值可以为约0.2。
图8是根据本公开一实施例显示针对图7所示电路的操作的示例性过程的流程图图示。与过程800有关的执行的各种任务可以由硬件、软件、固件及其任意组合执行。出于说明的目的，下面对过程800的描述可以提及上文中与图7有关而被提到的元件。在实际实施例中，过程800的各部分可以由下文所述的不同元件执行。过程800可以具有与图7中所示各实施例相似的功能、物质和结构。因此，这里将不再赘述共有的特征、功能和元件。
过程800可以由识别多个像素数据向量xi开始，每个向量包括针对目标物质的目标光谱t以及背景物质的光谱(任务802)。
过程800可以通过计算像素数据向量xi的光谱平均值以获得第一背景光谱(任务804)而继续。针对像素数据向量xi的输入分组的估计的背景光谱通过取像素数据向量xi的平均值得以计算。此估计的背景光谱被经修正的CEM算法的数学或等效电路模型使用，以实施优化。而后，经修正的CEM算法在优化循环结束时所估计的滤波器系数w被用来估计像素数据向量xi的CEM值。
过程800可以通过在第一背景光谱上实施CEM优化(任务806)而继续。例如但不限于，旨在获得第一滤波器系数等的线性编程电路及其类似物可以被用来在第一背景光谱上实施CEM优化。
过程800可以通过使用第一滤波器系数估计针对像素数据向量xi的CEM值(任务808)而继续。
过程800可以通过使用CEM值识别像素数据向量xi以获得已识别像素(任务810)而继续，该像素数据向量xi包括目标物质的光谱t。具有比预定义CEM的阈值更大的CEM值的像素数据向量xi被标记为包括目标物质的光谱t的像素数据向量xi，以获得已识别像素。例如但不限于，可以将CEM阈值设定在大约0到大约1之间，例如大约0.5，这指明大约50％的目标物质光谱和大约50％的背景物质光谱。对于大约为0.5的CEM阈值，具有大于约0.5(目标比背景多)的CEM值的像素可以被标记为包括目标物质的光谱t。
过程800可以通过将所识别的像素排除在各像素(像素数据向量xi)之外以获得非目标像素(任务812)而继续。
过程800可以通过计算非目标像素光谱的平均值以获得第二背景光谱(任务814)而继续。在下一步骤中，第二背景光谱针对像素(像素数据向量xi)的相同输入分组被计算，但这次是通过取未标记像素的光谱带的平均值。
过程800可以通过在第二背景光谱(新)上实施CEM优化以获得第二滤波器系数(任务816)而继续。例如但不限于，旨在获得第一滤波器系数的线性编程电路及同类物可以被用来在第二背景光谱上实施CEM优化。而后，第二背景光谱被该算法的数学或等效电路模型使用，以实施滤波器系数值的优化，从而获得已优化的滤波器系数。
过程800可以通过使用已优化滤波器系数计算像素数据向量xi的最终CEM值(任务818)而继续。通过这种方式，使用一组新的滤波器系数计算各像素(像素数据向量xi)的最终CEM值。
图9-11显示根据本公开各种实施例的针对目标探测过程的仿真结果。
图9 是根据本公开一实施例显示辐射(背景光谱)的示例性确定的曲线图图示。图9显示应用方程式(1)所计算的p个像素的光谱平均值。
图10是根据本公开一实施例显示滤波器系数的示例性确定的曲线图图示。图10显示已计算的CEM滤波器系数幅度w(CEM滤波器系数w)。已计算的CEM滤波器系数幅度w通过求解约束线性编程优化问题及确定最小从xi、和t计算得出。
图11是根据本公开一实施例显示p＝9个像素与目标光谱t的示例性匹配程度的图表图示。图11显示每个像素中目标物质的估计的相对丰度值。计算的丰度值yi与82dB SNR是一致的。
用于目标探测的经修正的CEM算法在实际高光谱图像数据xi和目标光谱t上进行测试，所述高光谱图像数据和目标光谱使用高光谱数字成像收集实验(HYDICE)平台(参考：Su May Hsu等人的文献，″MultisensorFunction with Hyper-spectral Imaging Data：Detection and Classification，″Lincoln Laboratory Journal，vol.14，no.1，2003)收集。
图12是各种曲线图1200的图示，显示与典型高光谱数字成像收集实验(HYDICE)数据立方体(常规算法)相比较，根据本公开一实施例针对在经修正的CEM算法中使用的各种不同数量像素的目标物质的目标像素中情况T1、T2和T3的目标物质的示例性估计的相对丰度值yi。所使用的是具有960行高光谱图像数据的数据立方体，每一行包括约300个像素，而且每个像素包括针对165个光谱带的反射比信息。经修正的CEM算法以20、30、50和150像素运行。如图12中所示，经修正的CEM算法1202即使在低至20像素的条件下运行时也可以可靠地探测目标物质的所有情况，并且它也能够以可接受的精确度估计各像素的物质丰度值。相反地，常规算法1204(基于二次编程优化)可以在整个数据立方体(如数据立方体300)上运行，以便可靠地探测各像素p中的目标物质并精确地估计相应的物质丰度值yi。测试结果显示，经修正的CEM算法不但能够可靠地探测目标物质的各种情况(T1，T2和T3)，即使在低至20像素的条件下运行，而且它也能够估计精确度可接受的各像素中目标物质的相对丰度值yi。
图13是根据本公开一实施例显示针对300个像素的示例性目标探测性能的图1300的图示。为了量化用于目标探测的经修正的CEM算法的性能，在实际高光谱图像数据和目标光谱上对经修正的CEM算法进行测试，所述高光谱图像数据和目标光谱使用高光谱数字成像收集实验(HYDICE)平台得以收集。针对存在于给定高光谱图像数据中的特定目标物质的测试结果显示在图13中。图像1302在目标探测性能条1306、1308和1310上显示经修正的CEM算法测试结果，上述各目标探测性能条分别针对使用300个像素的特定目标物质的3×3，2×2和1×1情况。图像1304显示分别针对特定目标物质的3×3，2×2和1×1情况的地面实况参考目标探测性能条1312、1314和1316。图像1302中所显示的经修正的CEM算法测试结果与图像1304中所显示的地面实况参考基本相似。
图14是根据本公开一实施例显示针对30个像素的使用经修正的CEM算法的示例性目标探测性能的图1400的图示。为了测试本实施例的经修正的CEM算法的性能限制，在30个像素的较小像素分组上测试经修正的CEM算法。图像1402在目标探测性能条1406、1408和1410上显示经修正的CEM算法的测试结果，上述目标探测性能条分别针对使用30个像素的特定目标物质的3×3，2×2和1×1情况。图像1404显示分别针对特定目标物质的3×3，2×2和1×1情况的地面实况参考目标探测性能条1412、1414和1416。图像1402中所显示的经修正的CEM算法测试结果显示可接受的精确度，即使是在经修正的CEM算法中使用30个像素。
图15是根据本公开一实施例显示示例性滤波器系数收敛的曲线图1500的图示，该收敛使用没有背景清除的经修正的CEM算法。如图15所示，滤波器系数w收敛缓慢。
图16是显示与地面实况参考相比较，根据本公开一实施例的示例性CEM值的曲线图1500的图示，所述CEM值使用没有背景清除的的经修正的CEM算法而被估计出来。如图16中所示，由于被破坏的背景的存在，经修正的CEM算法所估计的CEM值1604与地面实况参考1602明显不一致。
图17是根据本公开一实施例显示示例性滤波器系数收敛的曲线图1700的图示，该收敛使用具有背景清除的经修正的CEM算法。如图17中所示，滤波器系数w相对迅速高效地收敛。
图18是根据本公开一实施例显示示例性CEM值的曲线图1800的图示，所述CEM值使用具有背景清除的经修正的CEM算法而得以估计出来。如图18中所示，由经修正的CEM算法估计的CEM值1804与地面实况参考1802明显相同，这是由于当计算估计的背景光谱和CEM滤波器系数w的统计数据时去除了与目标物质中的像素相似的像素。
这样，使用连续时间、离散幅度、模拟及数字信号处理电路和方法提供针对实时或接近实时高光谱成像及目标探测技术的简单、高分辨率却低功耗的实施算法。
附加的实施例也被要求保护为如下文所述。
A23.从高光谱图像数据探测目标的方法，该方法包括：识别多个像素，每个像素包括目标物质的目标光谱以及背景物质的背景光谱；计算像素光谱的平均值，以获得第一背景光谱；基于高光谱图像数据、目标光谱和第一背景光谱实施约束能量最小化(CEM)优化，以获得第一滤波器系数；以及使用第一滤波器系数估计针对各像素的CEM值。
A24.根据权利要求A23所述的方法，其中第一背景光谱基于下列关系来计算：
x ‾ = 1 p Σ i = 0 p x i
其中，p是未被排除像素的总数，xi是包括第i个未被排除像素的光谱的向量，而是包括未被排除像素的平均光谱的向量。
A25.根据权利要求A23所述的方法，还包括使用CEM值识别包括目标物质的像素，以获得目标像素。
A26.根据权利要求A25所述的方法，还包括将目标像素从像素中去除，以获得非目标像素；计算非目标像素的光谱的平均值，以获得第二背景光谱；基于高光谱图像数据、目标光谱和第二背景光谱实施约束能量最小化(CEM)优化，以获得第二滤波器系数以及使用第二滤波器系数估计针对各像素的CEM值。
A27.根据权利要求A26所述的方法，其中第二背景光谱基于下列关系来计算：
x ‾ = 1 p Σ i = 0 p x i
其中，p是未被排除像素的总数，xi是包括第i个未被排除像素的光谱的向量，而是包括未被排除像素的平均光谱的向量。
A28.根据权利要求A23所述的方法，还包括探测目标用于遥感、避撞、分析图像以及身体扫描构成的组中的一项。
A29.根据权利要求A23所述的方法，其中CEM优化基于下列关系：
min ( w T x ‾ ) , x ‾ = 1 p Σ i = 0 p x i 和 w T * t = 1 w T * x i ≥ 0 i = 1 , . . . , p
其中，p是像素的总数，xi是包括第i个像素的光谱的向量，而是包括未被排除像素的平均光谱的向量，w是CEM滤波器系数向量，t是包括目标物质的光谱的向量。
A30.根据权利要求A23所述的方法，其中对于至少一个xi，允许wT*xi小于零。
A31.用于高光谱目标探测的电路，该电路包括：可运行用以从高光谱图像数据中选择目标像素的控制装置；可运行用以将目标光谱与高光谱图像数据进行比较的滤波器装置和约束线性编程优化装置，该装置可运行用以由高光谱图像数据、目标光谱和估计的背景光谱计算滤波器系数。
A32.根据权利要求A31所述的电路，还包括接收接近实时的高光谱图像数据。
A33.根据权利要求A31所述的电路，其中约束线性编程优化装置还可运行用以基于高光谱图像数据、目标光谱和估计的背景光谱使用约束线性编程优化确定第一滤波器系数；滤波器装置还可运行用以将第一滤波器系数应用于高光谱图像数据，从而获得第一过滤像素；而且控制装置还可运行用以从第一过滤像素中识别第一目标像素。
A34.根据权利要求A33所述的电路，其中控制装置还可运行用以从第一目标像素中识别目标。
A35.根据权利要求A33所述的电路，其中如果一个或多于一个第一过滤像素的CEM值大于CEM阈值，则一个或多于一个第一过滤像素被识别为一个或多于一个第一目标像素。
A36.根据权利要求A35所述的电路，其中CEM值使用第一滤波器系数而被估计。
A37.根据权利要求A31所述的电路，其中所述电路可运行用于针对遥感、避撞、图像分析以及身体扫描构成的组中的一项探测目标。
A38.根据权利要求A31所述的电路，其中约束线性编程优化装置还可运行用以基于高光谱图像数据、目标光谱和估计的背景光谱使用约束线性编程优化确定第二滤波器系数，其中估计的背景光谱由排除第一目标像素的高光谱图像数据计算得出；滤波器装置还可运行用以将包括第二滤波器系数的滤波器应用于高光谱图像数据，从而获得第二过滤像素；而且控制装置还可运行用以从第二过滤像素中识别第二目标像素。
A39.根据权利要求A38所述的电路，其中控制装置还可运行用以从第二目标像素中识别目标。
A40.根据权利要求A38所述的电路，其中如果一个或多于一个第二过滤像素的CEM值大于CEM阈值，则一个或多于一个第二过滤像素被识别为一个或多于一个第二目标像素。
A41.根据权利要求A38所述的电路，其中CEM值使用第一滤波器系数而被估计。
A42.根据权利要求A31所述的电路，其中控制装置还可运行用以基于下列关系计算估计的背景光谱：
x ‾ = 1 p Σ i = 0 p x i
其中，p是未被排除像素的总数，xi是包括第i个未被排除像素的光谱的向量，而是包括未被排除像素的平均光谱的向量。
A43.根据权利要求A31所述的电路，其中线性编程优化基于下列关系：
min ( w T x ‾ ) , x ‾ = 1 p Σ i = 0 p x i 和 w T * t = 1 w T * x i ≥ 0 i = 1 , . . . , p
其中，p是像素的总数，xi是包括第i个像素的光谱的向量，而是包括未被排除像素的平均光谱的向量，w是CEM滤波器系数向量，t是包括目标物质的光谱的向量。
A44.根据权利要求A43所述的电路，其中对于至少一个xi，允许wT*xi小于零。
A45.根据权利要求A31所述的电路，其中线性编程优化装置还可运行用以实时进行计算。
虽然在前文的详细说明中已经给出了至少一个示例实施例，但应该意识到存在大量变体。还应该意识到的是，本文中所述的示例实施例或实施例不是为了以任何形式限制本主题的范围、适用性或配置。恰恰相反，前面的详细说明将向本领域内技术人员提供实施所述实施例或多个实施例的便捷路线图。应被理解的是，可以在各元件的功能和排列上作出各种改变，而不背离本权利要求所定义的范围，所述范围包括提交此专利申请时的已知等同范围和可预见的等同范围。
上文说明涉及被“连接”或“耦合”在一起的元件或节点或特征。如本文中所用，除非明确声明，否则“连接”的意思是一个元件/节点/特征直接且非必要机械地，连接(或直接联系)到另一个元件/节点/特征。同样地，除非明确声明，否则“耦合”的意思是一个元件/节点/特征直接或间接地，且非必要机械地连接(或直接或间接地联系)到另一个元件/节点/特征。因此，尽管图1-2及图7描绘了各元件的示例排列，但额外的插入的元件、装置、特征或组件可以出现在本公开的实施例中。
本文中所用的术语和短语以及其各变体，除非明确声明，否则应被理解为开放式的而不是限制的。如前文中的各示例：术语“包括”应该被解读为“包括，不限制”或类似的意思；术语“示例”被用来提供所讨论项目的示例性情况，而不是其详尽或限制清单；而且各形容词，如“常规的”、“传统的”、“正常的”、“标准的”、“已知的”以及意思相似的术语不应被理解为是将所述项目限制在给定时间周期或限制为在某给定时间可以使用项目，而是应被解读为包含常规的、传统的、正常的、标准的技术，这些技术在当前或将来任何时候可以是可用或已知的。同样地，与连词“和”相连接的项目的分组不应被解读为要求那些项目中的每一个或所有出现在分组中，除非明确声明，否则应相反地被解读为“和/或”。相似地，与连词“或”相连接的项目分组不应被解读为要求该分组中的相互排斥，除非明确声明，否则也应相反地被解读为“和/或”。此外，尽管本公开的项目、元件或组件可以以单数形式说明或要求保护，但复数形式被考虑在其范围内，除非明确声明对于单数形式的限制。扩展词语和短语的存在，如“一个或多于一个”、“至少”、“但不限于”或某些情况下其他类似的短语，不应被解读为下述意思，即在可能不存在这种扩展短语的场合意指或要求更窄的情况。

Claims (19)

1.从高光谱图像数据探测目标的方法，所述图像数据包括多个像素，这些像素包括目标物质的目标光谱以及背景物质的背景光谱，该方法包括：
使用电路装置确定第一滤波器系数，从而基于所述高光谱图像数据、所述目标光谱和估计的背景光谱来执行约束线性编程优化；
将包括所述第一滤波器系数的第一滤波器应用于所述高光谱图像数据，以获得第一过滤像素；以及
将第一目标像素从所述第一过滤像素中识别出来，
该方法还包括根据下列关系估算所述估计的背景光谱：
其中，p是未被排除像素的总数，xi是包括第i个未被排除像素的光谱的向量，而是包括未被排除像素的平均光谱的向量，
其中所述电路装置包括经修正的CEM算法，
其中所述经修正的CEM算法基于下列关系：
min ( w T x ‾ ) , x ‾ = 1 p Σ i = 0 p x i 和 w T * t = 1 w T * x i ≥ 0 , i = 1 , . . . , p
其中，p是像素的总数，xi是包括第i个像素的光谱的向量，而是包括未被排除像素的平均光谱的向量，w是CEM滤波器系数向量，t是包括目标光谱的向量。
2.根据权利要求1所述的方法，还包括将一目标从所述第一目标像素中识别出来。
3.根据权利要求1所述的方法，还包括如果所述第一过滤像素中一个或多于一个的约束能量最小化“CEM”值大于CEM阈值，则将所述第一过滤像素中的所述一个或多于一个识别为所述第一目标像素中的一个或多于一个。
4.根据权利要求1所述的方法，其中所述电路装置可运行用于实时执行约束线性编程优化。
5.根据权利要求1所述的方法，其中对于至少一个xi，允许wT*xi小于零。
6.根据权利要求1所述的方法，还包括：
使用所述电路装置确定第二滤波器系数，从而基于所述高光谱图像数据、所述目标光谱和所述估计的背景光谱来执行所述约束线性编程优化，其中所述估计的背景光谱由排除了所述第一目标像素的高光谱图像数据计算得出；
将包括所述第二滤波器系数的第二滤波器应用于所述高光谱图像数据，以获得第二过滤像素；以及
将第二目标像素从所述第二过滤像素中识别出来。
7.根据权利要求6所述的方法，还包括根据CEM值排除所述第一目标像素。
8.根据权利要求6所述的方法，还包括将一目标从所述第二目标像素中识别出来。
9.根据权利要求1所述的方法，还包括使用目标探测用于遥感、避撞、图像分析以及身体扫描构成的组中的一项。
10.用于从高光谱图像数据探测目标的系统，所述图像数据包括多个像素，该系统包括：
可运行用于实施约束线性编程优化及执行约束能量最小化算法的处理器，所述处理器可运行用于：
使用电路装置确定第一滤波器系数，所述电路装置可运行用以基于所述高光谱图像数据、目标光谱和估计的背景光谱来实施所述约束线性编程优化；
将包括所述第一滤波器系数的第一滤波器应用于各像素，以获得第一过滤像素；以及
将第一目标像素从所述第一过滤像素中识别出来，
其中根据下列关系估算所述估计的背景光谱：
其中，p是未被排除像素的总数，xi是包括第i个未被排除像素的光谱的向量，而是包括未被排除像素的平均光谱的向量，
其中所述电路装置包括经修正的CEM算法，
其中所述经修正的CEM算法基于下列关系：
min ( w T x ‾ ) , x ‾ = 1 p Σ i = 0 p x i 和 w T * t = 1 w T * x i ≥ 0 , i = 1 , . . . , p
其中，p是像素的总数，xi是包括第i个像素的光谱的向量，而是包括未被排除像素的平均光谱的向量，w是CEM滤波器系数向量，t是包括目标光谱的向量。
11.根据权利要求10所述的用于从高光谱图像数据探测目标的系统，其中所述处理器包括异步脉冲处理器、微处理器、数字信号处理器、模拟信号处理器、模数混合处理器构成的组中的一种。
12.根据权利要求10所述的用于从高光谱图像数据探测目标的系统，还包括多个传感器，所述传感器可运行用于基本实时地感测用于通过所述处理器处理的高光谱图像数据。
13.根据权利要求10所述的用于从高光谱图像数据探测目标的系统，其中如果所述第一过滤像素中一个或多于一个的CEM值大于CEM阈值，则所述第一过滤像素中的所述一个或多于一个被识别为所述第一目标像素。
14.根据权利要求13所述的用于从高光谱图像数据探测目标的系统，其中所述CEM值使用所述第一滤波器系数被估计出来。
15.根据权利要求10所述的用于从高光谱图像数据探测目标的系统，其中所述电路装置可运行用于实时实施所述约束线性编程优化。
16.根据权利要求10所述的用于从高光谱图像数据探测目标的系统，其中所述处理器还可运行用于将一目标从所述第一目标像素中识别出来。
17.根据权利要求10所述的用于从高光谱图像数据探测目标的系统，其中所述处理器还可运行用于：
使用所述电路装置确定第二滤波器系数，所述电路装置可运行用于基于所述高光谱图像数据、所述目标光谱和所述估计的背景光谱来实施所述约束线性编程优化，其中所述估计的背景光谱由排除了所述第一目标像素的高光谱图像数据计算得出；
将包括所述第二滤波器系数的第二滤波器应用于各像素，以获得第二过滤像素；以及
将第二目标像素从所述第二过滤像素中识别出来。
18.根据权利要求17所述的用于从高光谱图像数据探测目标的系统，其中所述处理器还可运行用于将一目标从所述第二目标像素中识别出来。
19.根据权利要求10所述的用于从高光谱图像数据探测目标的系统，其中所述系统可运行用于遥感、避撞、图像分析以及身体扫描构成的组中的一项。
CN201110026117.3A 2010-02-17 2011-01-20 用于高光谱目标探测方法的高级背景估计技术和电路 Active CN102194099B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/707,672 US8280111B2 (en) 2010-02-17 2010-02-17 Advanced background estimation technique and circuit for a hyper-spectral target detection method
US12/707,672 2010-02-17

Publications (2)

Publication Number Publication Date
CN102194099A CN102194099A (zh) 2011-09-21
CN102194099B true CN102194099B (zh) 2015-10-21

Family

ID=44218523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110026117.3A Active CN102194099B (zh) 2010-02-17 2011-01-20 用于高光谱目标探测方法的高级背景估计技术和电路

Country Status (4)

Country Link
US (1) US8280111B2 (zh)
EP (1) EP2365463A1 (zh)
JP (1) JP5925417B2 (zh)
CN (1) CN102194099B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750703B (zh) * 2012-06-27 2015-01-07 北京航空航天大学 一种基于直线分割的遥感图像机场自动检测方法
EP2693755A3 (en) * 2012-07-31 2015-09-09 Sony Mobile Communications AB New gamut control method for improving image performance of parallax barrier S3D display
GB2506688A (en) * 2012-10-08 2014-04-09 Bae Systems Plc Detection of a target in a scene using hyperspectral imaging
GB2506687B (en) 2012-10-08 2018-02-07 Bae Systems Plc Hyperspectral imaging of a moving scene
JP6248577B2 (ja) * 2013-11-26 2017-12-20 日本電気株式会社 スリット幅変更装置及び方法並びにスペクトル出力装置
CN104463897B (zh) * 2014-12-30 2017-11-10 电子科技大学 一种高光谱目标探测的方法
CN105067116B (zh) * 2015-07-15 2017-06-30 北京农业信息技术研究中心 一种画幅式成像光谱数据的拼接方法及系统
US10152802B2 (en) 2016-03-31 2018-12-11 Radiant Geospatial Solutions Llc Method and apparatus for imaging the silhouette of an object occluding a light source using a synthetic aperature
WO2017179378A1 (ja) 2016-04-14 2017-10-19 国立大学法人北海道大学 スペクトルカメラ制御装置、スペクトルカメラ制御プログラム、スペクトルカメラ制御システム、このシステムを搭載した飛行体およびスペクトル画像撮像方法
US11573124B2 (en) 2016-04-14 2023-02-07 National University Corporation Hokkaido University Computer storage medium, network system for distributing spectral camera control program and spectral image capturing method using spectral camera control device
CN106056044B (zh) * 2016-05-19 2019-03-29 北京环境特性研究所 一种基于端元丰度反演的高光谱图像发射率光谱提取方法
CN106022286B (zh) * 2016-05-30 2017-05-31 中国石油大学(华东) 一种遥感景象的自动识别方法
CN106802283B (zh) * 2016-12-31 2018-11-30 华中科技大学 一种获取谱差异的方法及系统
KR101760474B1 (ko) 2017-03-31 2017-07-25 (주)아세아항측 중금속 함유토양 핫스팟 탐지를 위한 초분광 영상처리 진행방법
TWI624807B (zh) * 2017-09-27 2018-05-21 Taichung Veterans General Hosital 醫學影像之迭代式分析法
CN107977619B (zh) * 2017-11-28 2021-02-23 北京航空航天大学 一种基于集成学习约束能量最小化的高光谱目标检测方法
US10684216B2 (en) * 2018-03-30 2020-06-16 Konica Minolta Laboratory U.S.A., Inc. Multi-spectral gas quantification and differentiation method for optical gas imaging camera
CN109916839B (zh) * 2019-04-03 2021-03-02 中国矿业大学 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法
US11170218B2 (en) 2019-05-13 2021-11-09 Deere & Company Mobile work machine control system with terrain image analysis
CN112070098B (zh) * 2020-08-20 2024-02-09 西安理工大学 基于频率调整模型的高光谱图像显著目标检测方法
CN112268519B (zh) * 2020-09-27 2022-04-19 西北工业大学宁波研究院 基于dmd的光谱成像目标检测方法及系统
CN112287871B (zh) * 2020-11-12 2023-01-17 广东海洋大学 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4150844B2 (ja) * 2001-07-05 2008-09-17 コニカミノルタビジネステクノロジーズ株式会社 画像処理装置および画像処理プログラム
US7366326B2 (en) * 2003-06-24 2008-04-29 University Of Maryland, Baltimore County Real-time implementation of field programmable gate arrays (FPGA) design in hyperspectral imaging
JP4623412B2 (ja) * 2004-06-29 2011-02-02 日本電気株式会社 端成分データベース構築方法、端成分データベース構築装置及び端成分データベース構築プログラム
US7792321B2 (en) * 2004-07-28 2010-09-07 The Aerospace Corporation Hypersensor-based anomaly resistant detection and identification (HARDI) system and method
JP4553297B2 (ja) * 2004-08-02 2010-09-29 株式会社リコー 画像処理装置
US7515084B1 (en) 2007-03-22 2009-04-07 Hrl Laboratories, Llc Analog to digital converter using asynchronous pulse technology
JP2009276902A (ja) * 2008-05-13 2009-11-26 Toshiba Corp マルチスペクトル画像の処理装置、処理方法及び処理プログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A NEW APPROACH TO QUANTIFYING ABUNDANCES OF MATERIALS IN MULTISPECTRAL IMAGES;Milton Smith;《Geoscience and Remote Sensing Symposium》;19941231;全文 *
Mapping the distribution of mine tailings in the Coeur dAlene River Valley, Idaho, through the use of a constrained energy minimization technique;William H 等;《Application of Constrained Energy Minimization》;19971231;第68页-71页 *
Stephen Boyd 等.Approximation and fitting.《Convex Optimization》.2004, *

Also Published As

Publication number Publication date
US20110200225A1 (en) 2011-08-18
CN102194099A (zh) 2011-09-21
JP2011169896A (ja) 2011-09-01
US8280111B2 (en) 2012-10-02
JP5925417B2 (ja) 2016-05-25
EP2365463A1 (en) 2011-09-14

Similar Documents

Publication Publication Date Title
CN102194099B (zh) 用于高光谱目标探测方法的高级背景估计技术和电路
Li et al. Lo-net: Deep real-time lidar odometry
Qiu et al. Deeplidar: Deep surface normal guided depth prediction for outdoor scene from sparse lidar data and single color image
Wu et al. An error-bound-regularized sparse coding for spatiotemporal reflectance fusion
Gómez-Chova et al. Multimodal classification of remote sensing images: A review and future directions
Zhang et al. Hybrid detectors based on selective endmembers
CN102693542B (zh) 一种影像特征匹配方法
Ahmad et al. A new statistical approach for band clustering and band selection using K-means clustering
Vivone et al. A Bayesian procedure for full-resolution quality assessment of pansharpened products
Liu et al. Mapping coastal wetlands using transformer in transformer deep network on China ZY1-02D hyperspectral satellite images
CN111581884A (zh) 一种星载多分辨率目标光学辐射图像仿真方法
CN115236655B (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
Chini et al. Comparing statistical and neural network methods applied to very high resolution satellite images showing changes in man-made structures at rocky flats
CN110647909A (zh) 一种基于三维密集卷积神经网络的遥感图像分类方法
US8755564B1 (en) Technique to increase speed of asynchronous pulse processing based hyperspectral target detection algorithm
Zhang et al. Optical and SAR image dense registration using a robust deep optical flow framework
Zhu et al. HCNNet: A hybrid convolutional neural network for spatiotemporal image fusion
Theran et al. A pixel level scaled fusion model to provide high spatial-spectral resolution for satellite images using LSTM networks
Li et al. Hyperspectral image super-resolution extending: An effective fusion based method without knowing the spatial transformation matrix
Song et al. Remote sensing image spatiotemporal fusion via a generative adversarial network with one prior image pair
Mianji et al. Enhanced self-training superresolution mapping technique for hyperspectral imagery
Nguyen et al. Coarse-to-fine registration of airborne LiDAR data and optical imagery on urban scenes
CN112785693B (zh) 本征高光谱点云生成方法、系统及装置
Doster Harmonic analysis inspired data fusion for applications in remote sensing
Young Improving detection of dim targets: optimization of a moment-based detection algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant