CN102609703A - 一种高光谱图像中目标地物检测方法及装置 - Google Patents
一种高光谱图像中目标地物检测方法及装置 Download PDFInfo
- Publication number
- CN102609703A CN102609703A CN2012100560790A CN201210056079A CN102609703A CN 102609703 A CN102609703 A CN 102609703A CN 2012100560790 A CN2012100560790 A CN 2012100560790A CN 201210056079 A CN201210056079 A CN 201210056079A CN 102609703 A CN102609703 A CN 102609703A
- Authority
- CN
- China
- Prior art keywords
- ground object
- image
- target ground
- pixels
- pixel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003595 spectral effect Effects 0.000 claims abstract description 81
- 238000010521 absorption reaction Methods 0.000 claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000002310 reflectometry Methods 0.000 claims abstract description 34
- 238000012935 Averaging Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种高光谱图像中目标地物检测方法及装置。所述方法包括:分析一待检测目标地物对应的光谱反射率曲线;构造一包含该光谱反射率曲线中特征吸收波段的样本波段集;将该待检测目标地物的高光谱图像中该样本波段集的各波段对应的图像作为空间维图像;确定各空间维图像所对应的像元样本集;计算各像元样本集对应像元的协方差矩阵;将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为该对应位置像元的有效协方差矩阵;对各有效协方差矩阵进行求逆运算,并将逆运算结果作为该待检测目标地物在该高光谱图像中的分布情况。通过利用本发明所提供方案,可以高效检测高光谱图像中的目标地物。
Description
技术领域
本发明涉及高光谱图像处理技术领域,特别是涉及一种高光谱图像中目标地物检测方法及装置。
背景技术
太阳辐射到达地表后,自然界中的地物以其固有的特性发生反射、吸收和透射三种基本的相互作用,其中反射辐射穿过大气被遥感器接收与记录,反射光谱(0.4um~2.5um)已成为人们获得地物信息的重要组成部分。其中,地物的光谱反射率随波长变化的曲线称为光谱反射率曲线,该光谱反射率曲线形状反应了地物的反射光谱特征。地物的组成、结构、电学特性(电导、介电、磁学性质)及其表面特征(粗糙度、质地)等因素都会影响该地物的光谱反射率。可见,地物的光谱反射率曲线蕴含着该地物的自身本质信息,而这成为基于地物反射光谱特征进行物质识别与反演的物理基础。
其中,与传统的基于空间分辨率的遥感影像而言,高光谱遥感图像更加能够提供目标地物的辐射、几何和光谱信息。因此,利用高光谱遥感图像进行目标地物的识别的实质是依据目标地物与其他地物在光谱特征上存在的差异。
现有的利用高光谱图像进行目标地物检测方法中波段选择过程通常采用两种方法:一种是利用PCA变换方法来保留原始图像的主要信息,实时需要较大的计算量;另一种是直接对原始图像进行波段抽取,构造一个波段子集,但是由于没有将目标地物的光谱信息完全提取出来,最终的检测结果有较多的虚警目标。而在空间维上对所有像元点向量做协方差运算,计算量较大。
因此,如何高效的实现高光谱遥感图像中目标地物的实时检测是一个值得关注的问题。
发明内容
为解决上述技术问题,本发明实施例提供了一种高光谱图像中目标地物检测方法及装置,以高效检测高光谱图像中的目标地物,技术方案如下:
一种高光谱图像中目标地物检测方法,所述方法包括:
分析一待检测目标地物对应的光谱反射率曲线;
构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集;
将所述待检测目标地物的高光谱图像中所述样本波段集的各波段对应的图像作为空间维图像;
确定各空间维图像所对应的、包含预设数量像元的像元样本集;
计算各像元样本集对应像元的协方差矩阵;
将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为所述对应位置像元的有效协方差矩阵;
对各有效协方差矩阵进行求逆运算,并将逆运算结果作为所述待检测目标地物在所述高光谱图像中的分布情况,以实现对所述待检测目标地物的检测。
其中,构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集,具体为:
提取所述光谱反射率曲线中特定的特征吸收波段以外预定数量的波段,并结合所述特定的特征波段,构造一样本波段集。
其中,构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集,具体为:
提取所述光谱反射率曲线中特定的特征吸收波段,同时提取除大气吸收波段、预设的低信噪比的波段以外预设数量的波段,并结合所述特定的特征吸收波段,构成一样本波段集。
其中,确定空间维图像所对应的、包含预设数量像元的像元样本集,具体为:
按照第一步长选择一空间维图像中预设数量的像元,以形成所述空间维图像对应的像元样本集。
其中,确定空间维图像中预设数量的像元所对应的像元样本集,具体为:
按照随机方式选择一空间维图像中预设数量的像元,以形成所述空间维图像对应的像元样本集。
其中,确定空间维图像中预设数量的像元所对应的像元样本集,具体为:
利用标量值dTX作为像元选择的标准,用排序算法把标量值dTX按照升序排列形成一序列c,去掉所述序列c中使得标量值dTX大于预设阈值的像元,在当前序列c中以第二步长选择预设数量的像元,以形成所述空间维图像对应的像元样本集;
其中,d为目标匹配向量,X为像元向量,dTX为目标向量d的转置与像元向量X的内积。
其中,所述特定的特征吸收波段:
特征吸收波段中各波段;
或者,光谱反射率曲线中吸收特征最低处对应的波段以及所述吸收特征最低处对应的波段左右相邻的特定数量的波段。
其中,所述计算像元样本集对应像元的协方差矩阵,具体为:
直接计算像元样本集对应像元的协方差矩阵;
或者,
计算像元样本集对应像元的上三角矩阵,并根据所述上三角矩阵为所述像元的下三角矩阵进行赋值。
其中,所述像元样本集中像元的数量不小于样本波段集中波段的数目。
本发明实施例还提供一种高光谱图像中目标地物检测装置,包括:
样本波段集构造模块,用于分析一待检测目标地物对应的光谱反射率曲线;构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集;
空间维图像确定模块,用于将所述待检测目标地物的高光谱图像中所述样本波段集的各波段对应的图像作为空间维图像;
像元样本集确定模块,用于确定各空间维图像所对应的、包含预设数量像元的像元样本集;
第一协方差矩阵计算模块,用于计算各像元样本集对应像元的协方差矩阵;
第二协方差矩阵计算模块,用于将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为所述对应位置像元的有效协方差矩阵;
逆运算模块,用于对各有效协方差矩阵进行求逆运算,并将逆运算结果作为所述待检测目标地物在所述高光谱图像中的分布情况,以实现对所述待检测目标地物的检测。
本发明实施例所提供的技术方案中,在构造样本波段集时考虑到了待检测目标地物对应的光谱反射率曲线中的包含光谱信息较多的特征吸收波段,从而更好的代表目标地物的光谱特性;同时,利用遥感图像的高空间相关性,仅仅计算一空间维图像的部分像元的协方差矩阵,以获取完整遥感图像主要的数据统计量。相对于现有技术,本方案可以高效检测高光谱图像中的目标地物。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种高光谱图像中目标地物检测方法的第一种流程图;
图2为本发明实施例所提供的一种高光谱图像中目标地物检测方法的第二种流程图;
图3为本发明实施例所提供的一种高光谱图像中目标地物检测方法的第三种流程图;
图4为一地物的光谱反射率曲线的示意图;
图5为本发明实施例所提供的一种高光谱图像中目标地物检测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了有效检测高光谱图像中的目标地物,本发明实施例提供一种高光谱图像中目标地物检测方法及装置。
下面首先对本发明实施例所提供的一种高光谱图像中目标地物检测方法进行介绍。
如图1所示,一种高光谱图像中目标地物检测方法,所述方法包括:
S101,分析一待检测目标地物对应的光谱反射率曲线;
S102,构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集;
S103,将所述待检测目标地物的高光谱图像中所述样本波段集的各波段对应的图像作为空间维图像;
S104,确定各空间维图像所对应的、包含预设数量像元的像元样本集;
S105,计算各像元样本集对应像元的协方差矩阵;
S106,将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为所述对应位置像元的有效协方差矩阵;
S107,对各有效协方差矩阵进行求逆运算,并将逆运算结果作为所述待检测目标地物在所述高光谱图像中的分布情况,以实现对所述待检测目标地物的检测。
本发明实施例所提供的技术方案中,在构造样本波段集时考虑到了待检测目标地物对应的光谱反射率曲线中的包含光谱信息较多的特征吸收波段,从而更好的代表目标地物的光谱特性;同时,利用遥感图像的高空间相关性,仅仅计算一空间维图像的部分像元的协方差矩阵,以获取完整遥感图像主要的数据统计量。相对于现有技术,本方案可以高效检测高光谱图像中的目标地物。
下面结合具体的应用实例对本发明所提供的一种高光谱图像中目标地物检测方法进行详细介绍。
如图2、图4所示,一种高光谱图像中目标地物检测方法,可以包括:
S201,分析一待检测目标地物对应的光谱反射率曲线;
自然界中的地物以固有的特性发生反射、吸收和透射三种基本的相互作用,其中,反射辐射穿过大气被遥感器接受与记录,反射光谱(0.4um~2.5um)已成为人们获得地物信息的重要组成部分。其中,地物的光谱反射率随波长变化的曲线称为光谱反射率曲线,该光谱反射率曲线形状反应了地物的反射光谱特征。如图4所示的一种地物的光谱反射率曲线图,其中,横坐标为波段号,纵坐标为光谱反射率;图中显示有特征吸收波段,大气吸收波段。
可见,该光谱反射率曲线可以称为代表地物真实特性的“指纹”光谱,利用该指纹光谱可以完成对待检测目标地物的检测。因此,在检测高遥感图像中一目标地物时,可以通过分析该待检测目标地物对应的光谱反射率曲线,以确定出该待检测目标地物对应的各波段特性,进而进行后续的操作。
S202,提取该光谱反射率曲线中特定的特征吸收波段以外预定数量的波段,并结合该特定的特征波段,构造一样本波段集;
分析该光谱反射率曲线可知,该曲线中能够代表地物光谱特性的波段为特征吸收波段。因此,为了简化计算,在光谱维上,可以构造包含特定的特征吸收波段以及特定数量的其他波段的样本波段集。
其中,特定的特征吸收波段可以为特征吸收波段中所有波段,或者,光谱反射率曲线中吸收特征最低处对应的波段以及所述吸收特征最低处对应的波段左右相邻的特定数量的波段。例如:特定的特征吸收波段为吸收特征最低处对应的波段以及该最低处对应波段左右相邻两个波段。本领域技术人员可以理解的是,特定的特征吸收波段可以根据实际的应用场景进行设定,并不局限于本发明实施例所述的波段。
并且,提取该光谱反射率曲线中特定的特征吸收波段以外预定数量的波段时,可以采用均匀选择的方式,例如:每个5个波段进行抽取一个波段;或者,采用随机选取的方式,这都是合理的。同样的,特定的特征吸收波段以外的波段的数量可以根据实际应用场景进行设定,在此不作限定。
S203,将该待检测目标地物的高光谱图像中该样本波段集的各波段对应的图像作为空间维图像;
S204,确定各空间维图像所对应的、包含预设数量像元的像元样本集;
可以理解的是,每一波段所对应的空间维图像中包含若干个像元,可以通过计算像元的协方差矩阵,确定光谱维上像元对应位置的图像信息。在计算像元协方差矩阵时,通常像元数目越少计算速率越快,但是为了图像信息完整性,
所选择的空间维图像的像元数量下限是样本波段集中波段数量。在实际应用中,可以将像元数量设定为样本波段集中波段数量的5倍,当然,并不局限于5倍。
其中,确定空间维图像所对应的、包含预设数量像元的像元样本集,具体为:
按照第一步长选择一空间维图像中预设数量的像元,以形成该空间维图像对应的像元样本集。也就是,在一空间维图像中,每隔第一步长选择一个像元,以形成该空间维图像对应的像元样本集。可以理解的是,第一步长可以根据实际应用场景进行设定,在此不作限定。
或者,
按照随机方式选择一空间维图像中预设数量的像元,以形成该空间维图像对应的像元样本集。也就是,在一空间维图像中,对所有像元进行标号,用一个随机数产生模块随机的选择像元,以形成该空间维图像对应的像元样本集。
为了更加有效的构造像元样本集,本发明另一实施例还提供一种确定像元样本集的方式:
利用标量值dTX作为像元选择的标准,用排序算法把标量值dTX按照升序排列形成一序列c,去掉所述序列c中使得标量值dTX大于预设阈值的像元,在当前序列c中以第二步长选择预设数量的像元,以形成所述空间维图像对应的像元样本集;
其中,d为目标匹配向量,X为像元向量,dTX为目标向量d的转置与像元向量X的内积。
由于该方式所形成的像元样本集具有稳定性、可重生性和地物类型覆盖完全的特点,能很好的代表原始图像的统计量。可以理解的是,第二步长可以根据实际应用场景进行设定,在此不作限定。
S205,计算各像元样本集对应像元的协方差矩阵;
其中,所述计算像元样本集对应像元的协方差矩阵,可以为:
直接计算像元样本集对应像元的协方差矩阵。
由于在计算每个协方差矩阵时,协方差矩阵是一个对称矩阵,因此,为了提高计算效率,在计算每个像元向量的协方差矩阵时,可以仅计算一个上三角矩阵,下三角通过赋值操作进行。
下面列举一个计算像元协方差矩阵方式:
针对样本集中的像元向量X,对第i个像元向量Xi有L个元素(L为样本集的波段数),即Xi={xi,1,xi,2,xi,3......xi,L},则可以求得如下矩阵:
这样就得到了每个像元向量的协方差矩阵。
S206,将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为对应位置像元的有效协方差矩阵;
为了获得待检测目标地物的高遥感图像在光谱维上相应位置像元的有效协方差矩阵,需要将处于光谱维对应位置的各个像元样本集中像元的协方差矩阵进行累加,并处以样本波段集中波段的数目,该结果即为该待检测目标地物遥感图像相应位置像元对应的有效协方差矩阵。其中,该有效协方差矩阵形式如下:
其中,
S207,对各有效协方差矩阵进行求逆运算,并将逆运算结果作为该待检测目标地物在该高光谱图像中的分布情况,以实现对该待检测目标地物的检测。
对各个有效协方差矩阵进行求逆运算得到∑-1,对于目标探测算法而言,协方差矩阵的逆∑-1可以强化数据中信息量少的成分,而目标地物在图像中通常蕴涵较少的信息量,这样就起到了抑制背景,突出目标的作用。自相关矩阵R与协方差矩阵∑的数学含义相同,后者只是前者每个分量减去一个均值后得到的结果,这里以CEM(约束最小能量算子)为例论述目标探测算法的实现过程:
假设高光谱图像像元个数为N,波段数为L,d为感兴趣的目标,ri=(ri1,ri2......riL)T为任一像元向量(i=1,2……N),CEM的目的就是设计一个FIR线性滤波器w=(w1,w2......wL)T,使得满足方程组如下:
求解得到:
则有,
以上方程组的解即为CEM算子,将CEM算子作用于图像中的每个像元,将得到目标d在图像中的分布情况,实现对目标d的探测。
本实施例中,在构造样本波段集时考虑到了待检测目标地物对应的光谱反射率曲线中的包含光谱信息较多的特定的特征吸收波段,从而更好的代表目标地物的光谱特性;同时,利用遥感图像的高空间相关性,仅仅计算一空间维图像的部分像元的协方差矩阵,以获取完整遥感图像主要的数据统计量。相对于现有技术,本方案可以高效检测高光谱图像中的目标地物。
可以理解的是,光谱反射率曲线中反映了包含光谱信息较多的特征吸收波段,而且,反映出包含信息较少的波段,例如:大气吸收处波段、信噪比较低的波段,因此,为了提高信息有效性,在构造样本波段集过程中,可以包含特定的特征吸收波段,同时去掉大气吸收处波段、信噪比较低的波段。对于上述情况,本发明实施例还提供了一种高光谱图像中目标地物检测方法。
如图3、图4所示,一种高光谱图像中目标地物检测方法,可以包括:
S301,分析一待检测目标地物对应的光谱反射率曲线;
其中,该光谱反射率曲线可以称为代表地物真实特性的“指纹”光谱,利用该指纹光谱可以完成对待检测目标地物的检测。因此,在检测高遥感图像中一目标地物时,可以通过分析该待检测目标地物对应的光谱反射率曲线,以确定出该待检测目标地物对应的各波段特性,进而进行后续的操作。
S302,提取该光谱反射率曲线中特定的特征吸收波段,同时提取除大气吸收波段、预设的低信噪比的波段以外预设数量的波段,并结合该特定的特征吸收波段,构成一样本波段集;
本实施例中,在构造样本波段集时,提取该光谱反射率曲线中特定的特征吸收波段,同时,提取除大气吸收波段、预设的低信噪比的波段以外预设数量的波段,然后将所提取的预设数量的波段与特定的特征吸收波段组合,以此提高样本波段集的有效光谱信息。
其中,大气吸收波段通常分为1.40um~1.90um及2.00um~2.50um两个子波段区间。并且,预设的低信噪比可以根据实际情况进行设定,其中,设定过程可以为:根据待检测目标地物的已知光谱数据库,对比分析该待检测目标地物的多条光谱反射率曲线,对于反射率变化较大的某一波段可以视为低信噪比较波段,此外,针对高光谱遥感器,进行噪声评估可以获得各个波段的信噪比。
并且,特定的特征吸收波段可以为特征吸收波段中所有波段,或者,光谱反射率曲线中吸收特征最低处对应的波段以及所述吸收特征最低处对应的波段左右相邻的特定数量的波段。例如:特定的特征吸收波段为吸收特征最低处对应的波段以及该最低处对应波段左右相邻两个波段。本领域技术人员可以理解的是,特定的特征吸收波段可以根据实际的应用场景进行设定,并不局限于本发明实施例所述的波段。
提取该谱反射率曲线中特定的特征吸收波段、大气吸收波段、预设的低信噪比的波段以外预设数量的波段可以采用均匀选择的方式,例如:每个5个波段进行抽取一个波段;或者,采用随机选取的方式,这都是合理的。同样的,特定的特征吸收波段、大气吸收波段、预设的低信噪比的波段以外波段的数量可以根据实际应用场景进行设定,在此不作限定。
S303,将该待检测目标地物的高光谱图像中该样本波段集的各波段对应的图像作为空间维图像;
S304,确定各空间维图像所对应的、包含预设数量像元的像元样本集;
S305,计算各像元样本集对应像元的协方差矩阵;
S306,将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为所述对应位置像元的有效协方差矩阵;
S307,对各有效协方差矩阵进行求逆运算,并将逆运算结果作为所述待检测目标地物在所述高光谱图像中的分布情况,以实现对所述待检测目标地物的检测。
本实施例中,步骤S303-步骤S307与上述实施例的步骤S203-步骤207相似,在此不再赘述。
本实施例中,在构造样本波段集时考虑到了待检测目标地物对应的光谱反射率曲线中的包含光谱信息较多的特定的特征吸收波段,并去除了光谱信息量较少的大气吸收波段、低信噪比波段,从而提高了样本波段集光谱特性;同时,利用遥感图像的高空间相关性,仅仅计算一空间维图像的部分像元的协方差矩阵,以获取完整遥感图像主要的数据统计量。相对于现有技术,本方案可以高效检测高光谱图像中的目标地物。
通过以上的方法实施例的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
相应于上述方法,本发明实施例提供一种高光谱图像中目标地物检测装置,如图5所示,可以包括:
样本波段集构造模块110,用于分析一待检测目标地物对应的光谱反射率曲线;构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集;
空间维图像确定模块120,用于将所述待检测目标地物的高光谱图像中所述样本波段集的各波段对应的图像作为空间维图像;
像元样本集确定模块130,用于确定各空间维图像所对应的、包含预设数量像元的像元样本集;
第一协方差矩阵计算模块140,用于计算各像元样本集对应像元的协方差矩阵;
第二协方差矩阵计算模块150,用于将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为所述对应位置像元的有效协方差矩阵;
逆运算模块160,用于对各有效协方差矩阵进行求逆运算,并将逆运算结果作为所述待检测目标地物在所述高光谱图像中的分布情况,以实现对所述待检测目标地物的检测。
本发明实施例所提供的装置,在构造样本波段集时考虑到了待检测目标地物对应的光谱反射率曲线中的包含光谱信息较多的特征吸收波段,从而更好的代表目标地物的光谱特性;同时,利用遥感图像的高空间相关性,仅仅计算一空间维图像的部分像元的协方差矩阵,以获取完整遥感图像主要的数据统计量。相对于现有技术,本方案可以高效检测高光谱图像中的目标地物。
其中,样本波段集构造模块110构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集,具体为:
提取所述光谱反射率曲线中特定的特征吸收波段以外预定数量的波段,并结合所述特定的特征波段,构造一样本波段集。
其中,样本波段集构造模块110构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集,具体为:
提取所述光谱反射率曲线中特定的特征吸收波段,同时提取除大气吸收波段、预设的低信噪比的波段以外预设数量的波段,并结合所述特定的特征吸收波段,构成一样本波段集。
其中,像元样本集确定模块130,可以包括:
第一像元样本集确定单元,用于按照第一步长选择一空间维图像中预设数量的像元,以形成所述空间维图像对应的像元样本集。
其中,像元样本集确定模块130,可以包括:
第二像元样本集确定单元,用于按照随机方式选择一空间维图像中预设数量的像元,以形成所述空间维图像对应的像元样本集。
其中,像元样本集确定模块130,可以包括:
第三像元样本集确定单元,用于
利用标量值dTX作为像元选择的标准,用排序算法把标量值dTX按照升序排列形成一序列c,去掉所述序列c中使得标量值dTX大于预设阈值的像元,在当前序列c中以第二步长选择预设数量的像元,以形成所述空间维图像对应的像元样本集;
其中,d为目标匹配向量,X为像元向量,dTX为目标向量d的转置与像元向量X的内积。
其中,第一协方差矩阵计算模块140,用于
直接计算像元样本集对应像元的协方差矩阵;
或者,
计算像元样本集对应像元的上三角矩阵,并根据所述上三角矩阵为所述像元的下三角矩阵进行赋值。
对于装置或系统实施例而言,由于其基本相应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置或系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,在没有超过本申请的精神和范围内,可以通过其他的方式实现。当前的实施例只是一种示范性的例子,不应该作为限制,所给出的具体内容不应该限制本申请的目的。例如,所述单元或子单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或多个子单元结合一起。另外,多个单元可以或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
另外,所描述系统,装置和方法以及不同实施例的示意图,在不超出本申请的范围内,可以与其它系统,模块,技术或方法结合或集成。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上所述仅是本发明的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种高光谱图像中目标地物检测方法,其特征在于,所述方法包括:
分析一待检测目标地物对应的光谱反射率曲线;
构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集;
将所述待检测目标地物的高光谱图像中所述样本波段集的各波段对应的图像作为空间维图像;
确定各空间维图像所对应的、包含预设数量像元的像元样本集;
计算各像元样本集对应像元的协方差矩阵;
将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为所述对应位置像元的有效协方差矩阵;
对各有效协方差矩阵进行求逆运算,并将逆运算结果作为所述待检测目标地物在所述高光谱图像中的分布情况,以实现对所述待检测目标地物的检测。
2.根据权利要求1所述的方法,其特征在于,构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集,具体为:
提取所述光谱反射率曲线中特定的特征吸收波段以外预定数量的波段,并结合所述特定的特征波段,构造一样本波段集。
3.根据权利要求1所述的方法,其特征在于,构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集,具体为:
提取所述光谱反射率曲线中特定的特征吸收波段,同时提取除大气吸收波段、预设的低信噪比的波段以外预设数量的波段,并结合所述特定的特征吸收波段,构成一样本波段集。
4.根据权利要求2或3所述的方法,其特征在于,确定空间维图像所对应的、包含预设数量像元的像元样本集,具体为:
按照第一步长选择一空间维图像中预设数量的像元,以形成所述空间维图像对应的像元样本集。
5.根据权利要求2或3所述的方法,其特征在于,确定空间维图像中预设数量的像元所对应的像元样本集,具体为:
按照随机方式选择一空间维图像中预设数量的像元,以形成所述空间维图像对应的像元样本集。
6.根据权利要求2或3所述的方法,其特征在于,确定空间维图像中预设数量的像元所对应的像元样本集,具体为:
利用标量值dTX作为像元选择的标准,用排序算法把标量值dTX按照升序排列形成一序列c,去掉所述序列c中使得标量值dTX大于预设阈值的像元,在当前序列c中以第二步长选择预设数量的像元,以形成所述空间维图像对应的像元样本集;
其中,d为目标匹配向量,X为像元向量,dTX为目标向量d的转置与像元向量X的内积。
7.根据权利要求2或3所述的方法,其特征在于,所述特定的特征吸收波段:
特征吸收波段中各波段;
或者,光谱反射率曲线中吸收特征最低处对应的波段以及所述吸收特征最低处对应的波段左右相邻的特定数量的波段。
8.根据权利要求1所述的方法,其特征在于,所述计算像元样本集对应像元的协方差矩阵,具体为:
直接计算像元样本集对应像元的协方差矩阵;
或者,
计算像元样本集对应像元的上三角矩阵,并根据所述上三角矩阵为所述像元的下三角矩阵进行赋值。
9.根据权利要求1所述的方法,其特征在于,所述像元样本集中像元的数量不小于样本波段集中波段的数目。
10.一种高光谱图像中目标地物检测装置,其特征在于,包括:
样本波段集构造模块,用于分析一待检测目标地物对应的光谱反射率曲线;构造一包含所述光谱反射率曲线中特征吸收波段的样本波段集;
空间维图像确定模块,用于将所述待检测目标地物的高光谱图像中所述样本波段集的各波段对应的图像作为空间维图像;
像元样本集确定模块,用于确定各空间维图像所对应的、包含预设数量像元的像元样本集;
第一协方差矩阵计算模块,用于计算各像元样本集对应像元的协方差矩阵;
第二协方差矩阵计算模块,用于将处于光谱维对应位置的各像元样本集中像元的协方差矩阵进行累加并求平均,且将所获得的平均值作为所述对应位置像元的有效协方差矩阵;
逆运算模块,用于对各有效协方差矩阵进行求逆运算,并将逆运算结果作为所述待检测目标地物在所述高光谱图像中的分布情况,以实现对所述待检测目标地物的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210056079 CN102609703B (zh) | 2012-03-05 | 2012-03-05 | 一种高光谱图像中目标地物检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210056079 CN102609703B (zh) | 2012-03-05 | 2012-03-05 | 一种高光谱图像中目标地物检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102609703A true CN102609703A (zh) | 2012-07-25 |
CN102609703B CN102609703B (zh) | 2013-10-02 |
Family
ID=46527062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210056079 Expired - Fee Related CN102609703B (zh) | 2012-03-05 | 2012-03-05 | 一种高光谱图像中目标地物检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102609703B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103542936A (zh) * | 2012-11-14 | 2014-01-29 | 王荣强 | 基于主元分析法的校准分光光度计仪器间误差的方法 |
CN103822711A (zh) * | 2014-03-03 | 2014-05-28 | 中国科学院遥感与数字地球研究所 | 数字图像显示方法以及高光谱望远镜 |
CN106203328A (zh) * | 2016-07-11 | 2016-12-07 | 北华航天工业学院 | 提高遥感影像中目标地物分类提取准确度的方法 |
CN108007902A (zh) * | 2016-10-27 | 2018-05-08 | 核工业北京地质研究院 | 一种用高光谱数据计算白云母Al-OH吸收位置的方法 |
CN108446599A (zh) * | 2018-02-27 | 2018-08-24 | 首都师范大学 | 一种p值统计量建模独立性的高光谱图像波段快速选择方法 |
CN109801226A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院西安光学精密机械研究所 | 基于sam和加权自相关cem算法的水面目标探测方法 |
CN110909216A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 检测用户属性之间的关联性的方法及装置 |
CN111126452A (zh) * | 2019-12-03 | 2020-05-08 | 中国科学院国家空间科学中心 | 一种基于主成分分析的地物光谱曲线扩展方法及系统 |
CN113260882A (zh) * | 2020-07-20 | 2021-08-13 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN115184281A (zh) * | 2022-09-05 | 2022-10-14 | 北京智麟科技有限公司 | 一种基于二维光谱的溶液组分浓度确定方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710387A (zh) * | 2009-10-29 | 2010-05-19 | 中国科学院对地观测与数字地球科学中心 | 一种高分辨率遥感图像智能分类方法 |
CN102096824A (zh) * | 2011-02-18 | 2011-06-15 | 复旦大学 | 基于选择性视觉注意机制的多光谱图像舰船检测方法 |
CN102222221A (zh) * | 2011-07-01 | 2011-10-19 | 哈尔滨工程大学 | 基于多光谱图像滤波输出统计分布规律的目标检测方法 |
-
2012
- 2012-03-05 CN CN 201210056079 patent/CN102609703B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710387A (zh) * | 2009-10-29 | 2010-05-19 | 中国科学院对地观测与数字地球科学中心 | 一种高分辨率遥感图像智能分类方法 |
CN102096824A (zh) * | 2011-02-18 | 2011-06-15 | 复旦大学 | 基于选择性视觉注意机制的多光谱图像舰船检测方法 |
CN102222221A (zh) * | 2011-07-01 | 2011-10-19 | 哈尔滨工程大学 | 基于多光谱图像滤波输出统计分布规律的目标检测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103542936B (zh) * | 2012-11-14 | 2015-09-09 | 慈溪市附海大奇电器厂 | 基于主元分析法的校准分光光度计仪器间误差的方法 |
CN103542936A (zh) * | 2012-11-14 | 2014-01-29 | 王荣强 | 基于主元分析法的校准分光光度计仪器间误差的方法 |
CN103822711A (zh) * | 2014-03-03 | 2014-05-28 | 中国科学院遥感与数字地球研究所 | 数字图像显示方法以及高光谱望远镜 |
CN103822711B (zh) * | 2014-03-03 | 2015-12-02 | 中国科学院遥感与数字地球研究所 | 数字图像显示方法以及高光谱望远镜 |
CN106203328A (zh) * | 2016-07-11 | 2016-12-07 | 北华航天工业学院 | 提高遥感影像中目标地物分类提取准确度的方法 |
CN108007902B (zh) * | 2016-10-27 | 2020-06-19 | 核工业北京地质研究院 | 一种用高光谱数据计算白云母Al-OH吸收位置的方法 |
CN108007902A (zh) * | 2016-10-27 | 2018-05-08 | 核工业北京地质研究院 | 一种用高光谱数据计算白云母Al-OH吸收位置的方法 |
CN108446599B (zh) * | 2018-02-27 | 2021-11-05 | 首都师范大学 | 一种p值统计量建模独立性的高光谱图像波段快速选择方法 |
CN108446599A (zh) * | 2018-02-27 | 2018-08-24 | 首都师范大学 | 一种p值统计量建模独立性的高光谱图像波段快速选择方法 |
CN109801226A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院西安光学精密机械研究所 | 基于sam和加权自相关cem算法的水面目标探测方法 |
CN111126452A (zh) * | 2019-12-03 | 2020-05-08 | 中国科学院国家空间科学中心 | 一种基于主成分分析的地物光谱曲线扩展方法及系统 |
CN111126452B (zh) * | 2019-12-03 | 2023-05-23 | 中国科学院国家空间科学中心 | 一种基于主成分分析的地物光谱曲线扩展方法及系统 |
CN110909216A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 检测用户属性之间的关联性的方法及装置 |
CN110909216B (zh) * | 2019-12-04 | 2023-06-20 | 支付宝(杭州)信息技术有限公司 | 检测用户属性之间的关联性的方法及装置 |
CN113260882A (zh) * | 2020-07-20 | 2021-08-13 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN113260882B (zh) * | 2020-07-20 | 2024-03-12 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN115184281A (zh) * | 2022-09-05 | 2022-10-14 | 北京智麟科技有限公司 | 一种基于二维光谱的溶液组分浓度确定方法及系统 |
CN115184281B (zh) * | 2022-09-05 | 2022-12-09 | 北京智麟科技有限公司 | 一种基于二维光谱的溶液组分浓度确定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102609703B (zh) | 2013-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102609703B (zh) | 一种高光谱图像中目标地物检测方法及装置 | |
US8948540B2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral images | |
CN101807301B (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
CN112052755A (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN103632155B (zh) | 基于慢特征分析的遥感影像变化检测方法 | |
CN110298235B (zh) | 基于流形约束自编码网络的高光谱异常检测方法及系统 | |
CN103761742B (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
CN109493338B (zh) | 基于联合提取空谱特征的高光谱图像异常检测方法 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN106778680A (zh) | 一种基于关键波段提取的高光谱图像波段选择方法及装置 | |
US8189860B2 (en) | Systems and methods of using spatial/spectral/temporal imaging for hidden or buried explosive detection | |
CN106570862A (zh) | 一种超分辨率重建质量的评价方法及装置 | |
CN111046800A (zh) | 一种基于低秩与稀疏分解的高光谱图像异常目标检测方法 | |
Iordache et al. | Dictionary pruning in sparse unmixing of hyperspectral data | |
CN111474117B (zh) | 作物病害监测的方法及装置 | |
CN117975133A (zh) | 高光谱图像分类方法、系统、计算机程序产品 | |
KR20170063182A (ko) | 표적신호 분리를 이용하여 탐지성능이 향상된 초분광 영상의 표적물질 탐지방법 | |
CN112819769B (zh) | 基于核函数和联合字典的非线性高光谱图像异常探测算法 | |
CN112395924B (zh) | 一种遥感监测方法及装置 | |
CN115639159B (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
CN103903258B (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 | |
CN103020644B (zh) | 一种目标识别方法及装置 | |
CN115393796A (zh) | 基于注意力机制的x光安检图像危险物品检测方法 | |
CN115187984A (zh) | 基于波段-位置选择的多光谱遥感图像分割方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131002 |