CN102540271B - 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 - Google Patents
基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 Download PDFInfo
- Publication number
- CN102540271B CN102540271B CN201110443968.8A CN201110443968A CN102540271B CN 102540271 B CN102540271 B CN 102540271B CN 201110443968 A CN201110443968 A CN 201110443968A CN 102540271 B CN102540271 B CN 102540271B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- pixel
- spectra
- library
- end member
- 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
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于增强约束稀疏回归半监督高光谱亚像元目标检测法,本发明利用增强的约束稀疏回归方法提高高光谱混合像元分解的精度和稳定性,应用广义似然比检验的理论建立区分目标像元与背景像元的统计模型,两者结合应用既能定量检测目标分布,又能有效提高探测率、降低虚警率。
Description
技术领域
本发明涉及高光谱遥感探测技术领域,特别是一种基于增强约束稀疏回归半监督高光谱亚像元目标检测法。
背景技术
高光谱数据具有很高的光谱分辨率,能在电磁波谱的可见光、近红外、中红外和热红外波段范围内获取许多非常窄的光谱波段信息,从而得到高维的光谱数据,被广泛应用于环境监测、农业生产、军事侦察、地质勘探、国土资源利用、灾害预警、城市规划等关系到国计民生的关键科技领域。高光谱遥感图像每个像元的光谱维数可达几十或是数百,与低维的全色图像、彩色图像或是多光谱图像相比,超维的高光谱图像数据往往表现出异于一般直觉的特性,能揭示不同地物的细微差异,在目标探测方面具有独特的优势。一方面,高光谱数据包含丰富的空间、辐射和光谱三重信息,给遥感图像目标检测带来了机遇,高光谱数据光谱分辨率高,能够获取地物精细的光谱特征曲线,可以根据需要选择或者提取特定的波段来突出目标特征;另一方面,定量化的连续光谱曲线数据为地物光谱机理模型引入目标检测提供了条件。
但是,由于受到获取手段和光学器件性能的限制,高光谱遥感图像的空间分辨率往往比较低,在像元对应的瞬时视场角内通常包含多于一种地物类型的地面信息,形成混合像元现象;而混合像元的存在,对高光谱遥感目标检测的精度产生了很大的影响,研究高光谱图像混合像元中的亚像元目标检测具有重要的意义。
高光谱遥感图像的亚像元目标检测方法主要有三类:一类是基于匹配滤波器的方法,将目标的光谱数据作为先验信息,通过匹配滤波器找到与先验目标光谱最相近的点作为目标点;一类是基于统计分布假设的方法,假设高光谱数据符合一定的统计分布,将亚像元目标视为不符合该统计分布的异常点,通过找这种异常点来检测亚像元目标;还有一类是基于线性混合像元分解的方法,将混合像元的光谱视为多种地物光谱信号(包括目标光谱)的组合,把目标检测问题转化为分离目标端元光谱和背景端元光谱的过程。其中基于线性混合像元分解的方法物理意义明确、探测率高,应用比较广泛。代表性的方法有全限制性线性分解方法、约束能量最小化方法、自适应匹配子空间探测方法。其中,自适应匹配子空间探测方法无法给出定量探测信息;全限制性线性分解方法不能给出区分目标与背景像元的可靠准则,定性探测效果欠佳;约束能量最小化方法容易受图像虚拟维数估计偏差和图像噪声影响而导致探测精度下降。
发明内容
本发明的目的是提供一种面向高光谱遥感图像的半监督亚像元目标检测方法,结合高光谱解混和广义似然比检验的方法,解决遥感信息处理中特定目标的检测识别问题。与目前已有的高光谱亚像元目标检测相关算法不同,本发明利用增强的约束稀疏回归方法提高高光谱混合像元分解的精度和稳定性,应用广义似然比检验的理论建立区分目标像元与背景像元的统计模型,两者结合应用既能定量检测目标分布,又能有效提高探测率、降低虚警率。
实现本发明目的的技术解决方案为:一种基于增强约束稀疏回归的半监督高光谱亚像元目标检测法,采用增强约束稀疏回归和广义似然比检验相结合的方法进行亚像元目标检测,具体步骤如下:
步骤1 、利用地面高光谱成像仪采集地物的高光谱信号,收集各种地物的反射率光谱曲线构造光谱库,包括目标端元光谱;
步骤2 、根据待检测高光谱图像的特点调整光谱库中光谱曲线的尺度,即根据待检测高光谱图像的波段信息进行一一对应的光谱库波段选择,采用基于光谱角距离的光谱库预优算法对步骤1中构造的光谱库进行预优,提高约束稀疏回归的精度和稳定性;
步骤3、 基于步骤2的预优光谱库,逐像元地采用增强约束稀疏回归的方法对待检测的高光谱图像进行混合像元分解,提取高光谱图像端元及其丰度系数;
步骤4、 将每个像元在预优光谱库下的丰度系数向量按照原始高光谱图像像元的位置进行拼接,求得待检测高光谱图像对应于预优光谱库的丰度系数矩阵;根据该丰度系数矩阵行向量的和值作为判据,提取待检测高光谱图像的背景端元,构造亚像元目标检测的背景端元矩阵和完整端元矩阵,并从丰度系数矩阵中提取相应的背景端元丰度分布数据和完整端元丰度分布数据;
步骤5 、基于广义似然比检验方法构造目标检测器,计算各个像元的目标检测算子;采用最大似然估计进行参数估计,估计噪声方差,根据背景端元丰度分布数据和完整端元丰度分布数据,设计目标检测算子,并逐像元地计算目标检测算子;
步骤6 、采用阈值分割方法确定目标点确切位置,通过可视化技术将检测结果叠加到原始高光谱图像并高亮显示。
本发明提出了一种新的高光谱亚像元目标检测方法,引入地面实测光谱库,采用增强约束稀疏回归和广义似然比统计检验相结合的方法,提高了高光谱遥感图像中特定目标的检测识别精度。本发明与现有技术相比,其显著优点为:(1)采用增强约束稀疏回归的方法能够提高高光谱图像背景端元提取和丰度反演的精度和稳定性,并简化求解过程;(2)定性检测和定量探测相结合,既能从统计模式上有效区分目标像元和背景像元,又能针对目标端元的分布给出定量探测信息;(3)采用增强约束稀疏回归和广义似然比统计检验相结合的方法,能够有效提高高光谱图像目标检测的探测率,降低虚警率。
附图说明
图1是本发明一种半监督的高光谱亚像元目标检测算法流程示意图。
图2是本发明光谱库预优算法流程示意图。图中, 为K×1的向量,代表某地物的反射率光谱曲线,K表示高光谱的波段数;为K×n的矩阵,表示原始光谱库,n表示所采集的地物光谱曲线数量;为L×1的向量,表示波段选择后的某地物光谱曲线,L为待检测高光谱图像的波段数。
具体实施方式
本发明是一种利用高光谱图像进行目标检测和识别的技术,基于增强约束稀疏回归和广义似然比检验相结合的思想,在高光谱图像亚像元级别进行特定目标的检测和识别。本发明属于遥感图像处理领域,在环境检测、军事侦察、地质勘探、灾害预警等领域有应用前景。
本发明基于增强约束稀疏回归的半监督高光谱亚像元目标检测方法,具体方案如图1所示,包括以下步骤:
步骤1、 利用地面高光谱成像仪采集典型地物的高光谱信号,收集各种地物的反射率光谱曲线构造光谱库,包括目标端元光谱。
步骤2、 根据待检测高光谱图像的特点调整光谱库中光谱曲线的尺度,采用基于光谱角距离的光谱库预优算法对步骤1中构造的光谱库进行预优,提高约束稀疏回归的精度和稳定性。详细的光谱库预优流程如图2所示。
步骤3 、基于步骤2的预优光谱库,逐像元地采用增强约束稀疏回归的方法对待检测的高光谱图像进行混合像元分解,提取高光谱图像端元及其丰度系数,算法具体流程如图3所示。
步骤4 、将每个像元在预优光谱库下的丰度系数向量按照原始高光谱图像像元的位置进行拼接,求得待检测高光谱图像对应于预优光谱库的丰度系数矩阵。根据该丰度系数矩阵行向量的和值作为判据,提取待检测高光谱图像的背景端元,构造亚像元目标检测的背景端元矩阵和完整端元矩阵,并从丰度系数矩阵中提取相应的背景端元丰度分布数据和完整端元丰度分布数据。
步骤5、 基于广义似然比检验方法构造目标检测器,计算各个像元的目标检测算子。采用最大似然估计进行参数估计,估计噪声方差,根据背景端元丰度分布数据和完整端元丰度分布数据,设计目标检测算子,并逐像元地计算目标检测算子。
步骤6、 采用阈值分割方法确定目标点确切位置,通过可视化技术将检测结果叠加到原始高光谱图像并高亮显示。
本发明步骤2包含基于光谱角距离的光谱库预优算法,具体步骤如下:
本发明步骤3包含基于增强约束稀疏回归的高光谱图像解混算法,具体流程如下:
步骤3.2)循环求解优化问题:
步骤3.3)
步骤3.5) 更新迭代步数m=m+1,若m达到最大迭代步骤,则算法终止;否则转至步骤3.2)。
基于增强约束稀疏回归的半监督高光谱亚像元目标检测方法具体实施方式如下:
步骤1 利用地面高光谱成像仪采集典型地物的高光谱信号,收集各种地物的反射率光谱曲线构造光谱库。记每一种地物的反射率光谱曲线为一K×1的向量,则光谱库可以表示为K×n的矩阵,其中k表示高光谱的波段数,n表示所采集的地物光谱曲线数量。
步骤2 根据待检测高光谱图像的特点调整光谱库尺度,并对光谱库进行预优。根据待检测高光谱图像的波段信息进行一一对应的光谱库波段选择,波段选择后的每个光谱曲线记为L×1的向量,L为待检测高光谱图像的波段数,光谱库记为。为了提高约束稀疏回归的精度和稳定性,采用以下步骤进行光谱库预优,如图2所示,光谱库预优步骤如下:
步骤3 将待检测高光谱图像按从左至右从上到下的顺序展开成的二维矩阵Y,其中待检测高光谱图像行数为r,列数为c,则总像元数为,基于步骤1.2中预优选择的光谱库A,A为的矩阵,q为光谱库中光谱曲线的个数,对待检测高光谱图像Y逐像元地采用增强约束稀疏回归的方法进行混合像元分解,提取背景端元并反演丰度系数,设当前处理的某像元光谱曲线为y,具体实施方式如下:
步骤3.1) 定义稀疏约束权重因子, m为迭代步骤,初始时m=0,, i=1,2,…,p.;
步骤3.2.5) 更新稀疏约束权重因子, i=1,2,…,p;
步骤4 根据反演的丰度系数矩阵U求背景端元:令,其中为丰度系数矩阵第i行第j列的分量,对v降序排序之后取最前面的s个(,建议s取6)所对应光谱库A中的光谱曲线作为端元(如果包含目标光谱,则去除),构成的背景端元矩阵B,在背景端元矩阵B的基础上加上目标端元光谱构成的的完整端元矩阵E,并从U中提取背景端元B和完整端元E对应的丰度系数矩阵和。
步骤5 基于广义似然比检验方法构造目标检测器,计算各个像元的目标检测算子。根据步骤4求得的背景端元丰度分布矩阵,采用最大似然估计进行参数估计,估计噪声方差:,并结合完整端元丰度分布矩阵设计目标检测算子:,逐像元地计算每个像元的目标检测算子。
步骤6采用阈值分割方法确定目标点确切位置,通过可视化技术将检测结果叠加到原始图像并高亮显示。根据目标检测查准率和虚警率的不同用户需求设定目标检测结果分割阈值,在虚警率要求小于1%的需求情况下建议设定目标检测算子分割阈值为1,在查准率要求大于99.9%的需求情况下建议设定目标检测算子分割阈值为0.5。通过阈值分割结果将所检测到的目标像元在原始高光谱图像上高亮显示。
Claims (2)
1.一种基于增强约束稀疏回归的半监督高光谱亚像元目标检测法,其特征在于:采用增强约束稀疏回归和广义似然比检验相结合的方法进行亚像元目标检测,具体步骤如下:
步骤1、利用地面高光谱成像仪采集地物的高光谱信号,收集各种地物的反射率光谱曲线构造光谱库,包括目标端元光谱;
步骤2、根据待检测高光谱图像的特点调整光谱库中光谱曲线的尺度,即根据待检测高光谱图像的波段信息进行一一对应的光谱库波段选择,采用基于光谱角距离的光谱库预优算法对步骤1中构造的光谱库进行预优,提高约束稀疏回归的精度和稳定性;
步骤3、基于步骤2的预优光谱库,逐像元地采用增强约束稀疏回归的方法对待检测的高光谱图像进行混合像元分解,提取高光谱图像端元及其丰度系数;
步骤4、将每个像元在预优光谱库下的丰度系数向量按照原始高光谱图像像元的位置进行拼接,求得待检测高光谱图像对应于预优光谱库的丰度系数矩阵;根据该丰度系数矩阵行向量的和值作为判据,提取待检测高光谱图像的背景端元,构造亚像元目标检测的背景端元矩阵和完整端元矩阵,并从丰度系数矩阵中提取相应的背景端元丰度分布数据和完整端元丰度分布数据;
步骤5、基于广义似然比检验方法构造目标检测器,计算各个像元的目标检测算子;采用最大似然估计进行参数估计,估计噪声方差,根据背景端元丰度分布数据和完整端元丰度分布数据,设计目标检测算子,并逐像元地计算目标检测算子;
步骤6、采用阈值分割方法确定目标点确切位置,通过可视化技术将检测结果叠加到原始高光谱图像并高亮显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110443968.8A CN102540271B (zh) | 2011-12-27 | 2011-12-27 | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110443968.8A CN102540271B (zh) | 2011-12-27 | 2011-12-27 | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102540271A CN102540271A (zh) | 2012-07-04 |
CN102540271B true CN102540271B (zh) | 2014-03-19 |
Family
ID=46347579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110443968.8A Active CN102540271B (zh) | 2011-12-27 | 2011-12-27 | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102540271B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268593B (zh) * | 2013-04-24 | 2016-06-08 | 中国科学院遥感与数字地球研究所 | 一种高光谱遥感影像中信号和噪声的分离方法 |
CN104463224B (zh) * | 2014-12-24 | 2017-06-27 | 武汉大学 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
CN105957112A (zh) * | 2016-05-06 | 2016-09-21 | 西安电子科技大学 | 基于快速uncls的高光谱亚像素探测方法 |
CN107590800A (zh) * | 2017-09-04 | 2018-01-16 | 东华理工大学 | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 |
CN109509209B (zh) * | 2018-11-15 | 2023-08-15 | 上海卫星工程研究所 | 利用高光谱技术探测海空环境空中动目标的分析方法 |
CN109671019B (zh) * | 2018-12-14 | 2022-11-01 | 武汉大学 | 一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法 |
CN112396029B (zh) * | 2020-12-03 | 2022-02-18 | 宁波大学 | 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 |
CN116129281B (zh) * | 2023-04-18 | 2023-06-30 | 中国人民解放军战略支援部队航天工程大学 | 一种用于高光谱影像的亚像元目标检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7327896B1 (en) * | 2004-08-12 | 2008-02-05 | Northrop Grumman Corporation | Testing apparatus and method for a spectral imaging system |
CN101144861A (zh) * | 2007-11-02 | 2008-03-19 | 北京航空航天大学 | 高光谱亚像元目标探测方法及装置 |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN101814148A (zh) * | 2010-04-30 | 2010-08-25 | 霍振国 | 基于半监督核自适应学习的遥感高光谱图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100963797B1 (ko) * | 2008-02-27 | 2010-06-17 | 아주대학교산학협력단 | 복잡성이 감소된 고분광 프로세싱에 기반을 둔 실시간 타겟검출 방법 |
-
2011
- 2011-12-27 CN CN201110443968.8A patent/CN102540271B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7327896B1 (en) * | 2004-08-12 | 2008-02-05 | Northrop Grumman Corporation | Testing apparatus and method for a spectral imaging system |
CN101144861A (zh) * | 2007-11-02 | 2008-03-19 | 北京航空航天大学 | 高光谱亚像元目标探测方法及装置 |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN101814148A (zh) * | 2010-04-30 | 2010-08-25 | 霍振国 | 基于半监督核自适应学习的遥感高光谱图像分类方法 |
Non-Patent Citations (5)
Title |
---|
唐世浩等.高光谱与多角度数据联合进行混合像元分解研究.《遥感学报》.2003,第7卷(第3期),第182-189页. |
唐文杰等.一种基于高光谱压缩数据的亚像元级目标探测算法.《中国通信学会第六届学术年会论文集(下)》.2009,第49-54页. * |
杜博.高光谱遥感影像亚像元小目标探测研究.《中国博士学位论文全文数据库 信息科技辑》.2010,第I140-62页. |
高光谱与多角度数据联合进行混合像元分解研究;唐世浩等;《遥感学报》;20030531;第7卷(第3期);第182-189页 * |
高光谱遥感影像亚像元小目标探测研究;杜博;《中国博士学位论文全文数据库 信息科技辑》;20101015;第I140-62页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102540271A (zh) | 2012-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102540271B (zh) | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 | |
Latifi et al. | Forest structure modeling with combined airborne hyperspectral and LiDAR data | |
Coppin et al. | Review ArticleDigital change detection methods in ecosystem monitoring: a review | |
Small et al. | Multi-scale standardized spectral mixture models | |
Silván-Cárdenas et al. | Retrieval of subpixel Tamarix canopy cover from Landsat data along the Forgotten River using linear and nonlinear spectral mixture models | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN101807301A (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
CN103761742A (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
CN107316309A (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
CN108195771A (zh) | 一种海洋高光谱遥感影像目标识别方法 | |
CN107194936A (zh) | 基于超像素联合稀疏表示的高光谱图像目标检测方法 | |
Camacho et al. | An analysis of spectral variability in hyperspectral imagery: a case study of stressed oil palm detection in Colombia | |
Acito et al. | CWV-Net: A deep neural network for atmospheric column water vapor retrieval from hyperspectral VNIR data | |
CN114202539A (zh) | 基于端到端rx的高光谱图像异常检测方法 | |
CN103870807A (zh) | 一种高光谱混合核rx异常检测方法 | |
CN110135479A (zh) | 基于随机森林测度学习的高光谱图像目标探测方法及系统 | |
Meng et al. | Improving the spatial resolution of hyperspectral image using panchromatic and multispectral images: An integrated method | |
He et al. | Anomaly detection in hyperspectral imagery based on maximum entropy and nonparametric estimation | |
Fundisi et al. | A combination of Sentinel-1 RADAR and Sentinel-2 multispectral data improves classification of morphologically similar savanna woody plants | |
Nouri et al. | Processing of Hyperion data set for detection of indicative minerals using a hybrid method in Dost-Bayli, Iran | |
Gill et al. | Estimates of bare ground and vegetation cover from Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) short-wave-infrared reflectance imagery | |
Iyer et al. | Hyperspectral image analysis techniques on remote sensing | |
US10176407B1 (en) | Nonlinear sparse representation-based classification for foveated analysis of spectral data with distortions | |
Widipaminto et al. | Roof materials identification based on pleiades spectral responses using supervised classification | |
Hou et al. | Novel hyperspectral anomaly detection methods based on unsupervised nearest regularized subspace |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |