CN102222221A - 基于多光谱图像滤波输出统计分布规律的目标检测方法 - Google Patents

Abstract

本发明的目的在于提供基于多光谱图像滤波输出统计分布规律的目标检测方法，包括以下步骤：获取被测区域的多光谱图像，并进行辐射校正、分块预处理；采用CEM算法对获取的多个波段图像进行滤波处理；采用EM算法对滤波输出结果的分布参数进行估计；根据参数估计结果，判断目标的有无；确定检测门限，判决目标。本发明不需要目标和背景的空域信息，在目标信号比较微弱时也有较好的检测效果。适合于绿化面积检测、水灾检测等目标数目较多的场合的目标检测。同时，它直接估计出目标成分滤波处理后的统计分布参数，在估计目标的数目、确定检测门限时，具有更高的精度。本发明也可以用于高光谱和超光谱图像的目标检测。

Description

基于多光谱图像滤波输出统计分布规律的目标检测方法

技术领域

本发明涉及的是一种信息图像处理领域的目标检测方法。

背景技术

多光谱图像包含观测场景中的空间信息和光谱信息，除可以利用图像空域和时域信息之外，还可以利用图像的谱域信息。由于光谱特征是不同化学成分的物质所具有的固有特性，结合该信息可大大提高目标和背景进行分类和检测的能力。多光谱图像处理方法可以利用多个波段的光谱信息同时进行处理，因而具有单波段相机无可比拟的优势。多光谱图像不但受到农、林、地质、矿产、环保等部门的重视，而且在军事上揭露伪装、增强目标的识别、发现新目标等方面也有广泛的用途。

多光谱检测成像技术对目标进行检测时，可以从图像空间、光谱空间、特征空间来进行，以达到抑制背景和噪声成分、保留或增强目标成分的目的。目前以发展出OSP、CEM、RX等诸多目标检测的算法，在各自的领域具有较好的检测性能。

在采用多光谱目标检测算法对多光谱图像进行滤波处理后，还需要采用一定的准则来判决目标。当目标光谱信息与背景光谱信息差异明显，目标成像面积大于一个像素时，在滤波处理后，目标的滤波输出可能明显大于背景成分的滤波输出，这时很容易把目标检测出来。然而在实际应用中，由于目标光谱信息与背景光谱信息的差异不大、目标为亚像素目标、目标和背景的先验光谱信息不准确等原因，滤波处理后，目标的滤波输出与背景成分的滤波输出可能相差不大。同时，实际应用中背景成分滤波输出的分布规律较复杂，不能简单地采用高斯分布来描述。这时判断目标的有无存在着一定的难度。

发明内容

本发明的目的在于提供适合于绿化面积检测、水灾检测等目标数目较多的场合的基于多光谱图像滤波输出统计分布规律的目标检测方法。

本发明的目的是这样实现的：

本发明基于多光谱图像滤波输出统计分布规律的目标检测方法，其特征是：

(1)获取被测区域的多光谱图像，并进行辐射校正、分块预处理；

(2)采用CEM算法对获取的多个波段图像进行滤波处理：

待检测的目标光谱信息d，波段数为L，滤波系数为L维列向量、由下式计算得到：

像元r_i对应的输出为：

其中w_cem为滤波系数，像元r_i为L维列向量，

是LλL维的自相关矩阵，N是图像中的像元总数；

(3)采用EM算法对滤波输出结果的分布参数进行估计：

步骤(2)CEM滤波处理为线性运算，对图像中成分进行滤波处理，其滤波输出符合一维的高斯分布，整体图像滤波输出的概率密度函数为各个高斯概率密度函数的加权和，即服从高斯混合分布，表示为：

其中μ_i和

为高斯分布的均值和方差，M为高斯模型个数，a_i为某个高斯分布在混合模型中占有的比例，采用EM算法对高斯混合模型进行参数估计，选择高斯模型M，通过EM算法得出各个高斯分布的均值、方差和权值参数的估计结果；

(4)根据参数估计结果，判断目标的有无：

若对于第j个组分的高斯分布，下式为真时，判断目标存在：

其中参数h1和h2是在图像中目标出现比例的上限和下限，c1和c2是目标的幅值范围，μ_b是背景成分出现的最大均值；

(5)确定检测门限，判决目标：

通过步骤(4)判决图像内存在目标后，通过a_j估计出图像内目标的数目，同时根据滤波输出的整体概率密度及第j个组分的高斯分布参数，选择虚警概率或漏警概率，确定检测门限，检测出目标。

本发明的优势在于：本发明利用多光谱滤波输出的统计分布特征进行目标检测。它不需要目标和背景的空域信息，在目标信号比较微弱时也有较好的检测效果。适合于绿化面积检测、水灾检测等目标数目较多的场合的目标检测。同时，它直接估计出目标成分滤波处理后的统计分布参数，在估计目标的数目、确定检测门限时，具有更高的精度。本发明也可以用于高光谱和超光谱图像的目标检测。

附图说明

图1为本发明的流程图；

图2为本发明不包含目标时的背景成分的CEM算法滤波输出的概率密度曲线及其高斯混合模型估计结果；

图3为本发明在图像中随机添加目标时，滤波输出的概率密度曲线及其高斯混合模型估计结果。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1～3，本发明根据多光谱图像检测输出的统计分布规律，进行目标检测。其流程图如图1所示。

1、获取被测区域的多光谱图像。

根据目标和背景环境的光谱特征，确定适宜的工作波段。对待检测区域成像，获取多光谱图像信息。这里直接选用ETM卫星TM1、TM2、TM3、TM4、TM5、TM6等六个波段的多光谱图像数据(数据来源于马里兰州大学全球观测实验室与地理科学与资源研究所的联合实验室，采用北京部分地区的图像)。利用常规方法对图像进辐射校正等预处理。该多光谱图像比较大，这里把它们分割成一系列大小为100×100的区域，逐块进行处理。

2、采用CEM等线性算法对多光谱进行滤波处理

利用多光谱图像的光谱信息，可以进行目标检测。这里采用多光谱、高光谱和超光谱检测技术中常见的CEM算法，对获取的多个波段图像进行处理。

假设已知待检测的目标光谱信息d，CEM算法是在假设

的条件下，使滤波器的输出能量最小。

波段数为L的多光谱图像，采用CEM算子进行滤波处理。其滤波系数为L维列向量，由下式计算得到：

则某个像元r_i对应的输出为：

其中：像元r_i为L维列向量，

是LλL维的自相关矩阵，N是图像中的像元总数。

3、采用EM算法对滤波输出结果的分布参数进行估计

根据多光谱图像的统计混合模型，假设多光谱图像中，各种成分均服从多维的高斯分布，可以推导出一些检测算法滤波的输出分布规律。

CEM滤波处理为线性运算，对图像中某一成分进行滤波处理，其滤波输出符合一维的高斯分布。不同的成分的高斯分布略有不同，整体图像滤波输出的概率密度函数为几个高斯概率密度函数的加权和，即服从高斯混合分布，表示为：

其中μ_i和

为高斯分布的均值和方差，M为高斯模型个数，ai为某个高斯分布在混合模型中占有的比例。

采用EM算法对高斯混合模型进行参数估计。这里选择高斯模型的个数M＝5，EM算法给出各个高斯分布的均值、方差和权值等共计15个参数的估计结果。

图2和图3分别给出了不包含目标和包含目标时，采用EM算法的参数估计结果。可以看出，采用EM算法对高斯混合模型进行参数估计得到的理论曲线和与实际曲线拟合的比较好。

4、根据参数估计结果，判断目标的有无

CEM算法满足的条件，目标成分对应的滤波输出相对较大。同时CEM算法对背景成分具有抑制作用，背景成分对应的高斯分布的均值接近0。根据上述特点，根据目标的一些先验知识，以及高斯混合模型的估计参数结果，通过观察是否存在着均值比较大的高斯分布来判断目标成分的有无。

假设第j个组分的高斯分布均值最大，下式为真时，判断目标存在：

其中参数h1和h2是在图像中，目标可能出现比例的上限和下限。c1和c2是目标的幅值范围。μ_b是背景成分可能出现的最大均值。这些参数根据具体工作环境来确定。

5、确定检测门限，判决目标

当判决图像内存在目标后，可以通过aj估计出图像内目标的数目。同时也可以根据滤波输出的整体概率密度及第j个组分的高斯分布参数，选择适当的虚警概率或漏警概率，确定检测门限，检测出目标。图3中目标成分的滤波输出和背景成分的滤波输出比较接近，采用本方法可以判别出目标，准确地估计目标成分的数目和均值。然而在需要具体指出目标位置的场合，其虚警率或漏警率比较高。需要空域、幅域、频域或时域等多种方法结合处理，进一步筛选目标。

图2中实线部分为实际的概率密度曲线，点线为采用EM算法进行参数估计得到的理论曲线，下面的五条虚线为高斯混合模型中各高斯分量的曲线。

图3中添加目标为亚像素目标，添加目标的数量为整体图像的1％。

Claims (1)

1.基于多光谱图像滤波输出统计分布规律的目标检测方法，其特征是：

(1)获取被测区域的多光谱图像，并进行辐射校正、分块预处理；

(2)采用CEM算法对获取的多个波段图像进行滤波处理：

待检测的目标光谱信息d，波段数为L，滤波系数为L维列向量、由下式计算得到：

$w_{\mathrm{cem}}=\frac{{R_{L\×L}}^{-1}d}{d^T{R}_{L\×L}^{-1}d},$

像元r_i对应的输出为：

$y_i={\mathrm{\δ}}_{\mathrm{CEM}}\left(r_i\right)={\left(w_{\mathrm{cem}}\right)}^T{r}_i={\left(\frac{R_{L\×L}^{-1}d}{d_T{R}_{L\×L}^{-1}d}\right)}^T{r}_i=\frac{d^T{R}_{L\×L}^{-1}{r}_i}{d^T{R}_{L\×L}^{-1}d},$

其中w_cem为滤波系数，像元r_i为L维列向量，是L×L维的自相关矩阵，N是图像中的像元总数；

(3)采用EM算法对滤波输出结果的分布参数进行估计：

步骤(2)CEM滤波处理为线性运算，对图像中成分进行滤波处理，其滤波输出符合一维的高斯分布，整体图像滤波输出的概率密度函数为各个高斯概率密度函数的加权和，即服从高斯混合分布，表示为：

$p\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{a}_i{N}_i({\mathrm{\μ}}_i,{\mathrm{\Σ}}_i)$

其中μ_i和∑_i为高斯分布的均值和方差，M为高斯模型个数，a_i为某个高斯分布在混合模型中占有的比例，采用EM算法对高斯混合模型进行参数估计，选择高斯模型M，通过EM算法得出各个高斯分布的均值、方差和权值参数的估计结果；

(4)根据参数估计结果，判断目标的有无：

若对于第j个组分的高斯分布，下式为真时，判断目标存在：

h1＜a_j＜h2 and c1＞μ_j＞c2 and μ_j＞μ_b，

其中参数h1和h2是在图像中目标出现比例的上限和下限，c1和c2是目标的幅值范围，μ_b是背景成分出现的最大均值；

(5)确定检测门限，判决目标：

通过步骤(4)判决图像内存在目标后，通过a_j估计出图像内目标的数目，同时根据滤波输出的整体概率密度及第j个组分的高斯分布参数，选择虚警概率或漏警概率，确定检测门限，检测出目标。

Images