CN104346812B - 基于鲁棒背景估计方法的高光谱图像局部目标检测方法 - Google Patents

Abstract

本发明公开了一种基于鲁棒背景估计方法的高光谱图像局部目标检测方法，用于解决现有高光谱图像局部目标检测方法虚警率高的技术问题。技术方案是首先利用基于光谱角的聚类方法，在白化空间中对输入图像进行聚类。在检测过程中，引入MCD估计方法估计待测像元所属聚类的背景参数，从而提高检测性能。在RIT提供的数据集上目标测试结果显示，反映虚警数的平均得分为2.8，较Halper的改进方法降低了4.4。卫星拍摄的AVIRIS数据集上的测试结果表明，在100％的检测率下，虚警率为0.11％，而Halper的方法虚警率为0.29％左右，全局方法的虚警率为0.82％；可见本发明方法明显降低了虚警率。

Description

基于鲁棒背景估计方法的高光谱图像局部目标检测方法

技术领域

本发明涉及一种高光谱图像局部目标检测方法，特别涉及一种基于鲁棒背景估计方法的高光谱图像局部目标检测方法。

背景技术

高光谱图像是利用成像光谱仪将视场中观测到的各种地物的光谱信息记录下来得到影像数据，它结合了地面物质的空间和光谱信息，以精细的光谱分辨率为地物的分类和检测提供了可靠依据。

大部分的检测方法通过计算待测像元与背景均值的距离，或者通过计算待测像元与已知的目标特征光谱之间的相似程度，将目标从背景中区分出来。自适应余弦一致性评估器算法(Adaptive Cosine/Coherence Estimator，ACE)等传统的非结构化目标检测算法是一类全局检测算法。其通过直接对整幅高光谱图像计算背景均值和协方差矩阵，实现对图像背景参数的估计。当场景复杂时，图像中大量存在的异常点对背景造成污染，导致全局背景均一性的下降，从而破坏了全局检测算法的检测性能。

近年来，通过对图像进行分类或利用滑动窗口构造相对较均匀的局部背景，再对局部背景使用传统检测算法进行检测的局部方法越来越受到人们的关注。但现有的多数局部检测算法，仍然沿用全局算法用来估计背景参数的经验估计方法。该方法容易受到异常数据的干扰，因此影响局部检测算法的鲁棒性。

针对这一问题，近来也有相关的研究提出了一些改进方法，例如Marin S.Halper在文献“Global,local,and stochastic background modeling for target detectionin mixed pixels,2010,(7695):769527-769527-13”中，利用全局RXD(Reed-X Detector)和全局ACE算法估计数据中的异常点和感兴趣目标，形成掩膜，在估计局部背景参数时利用掩膜将异常点和疑似目标排除在外。然而，该方法受全局算法对异常点和感兴趣目标的估计结果影响很大，缺乏稳定性，不能很好的应对复杂场景。

发明内容

为了克服现有高光谱图像局部目标检测方法虚警率高的不足，本发明提供一种基于鲁棒背景估计方法的高光谱图像局部目标检测方法。该方法首先利用基于光谱角的聚类方法，在白化空间中对输入图像进行聚类，形成具有较高均一性的具备背景。在检测过程中，引入MCD估计方法估计待测像元所属聚类的背景参数，以获得更可靠的估计结果，从而提高算法的检测性能。在RIT(Rochester Institute of Technology)提供的数据集上目标测试结果显示，在各测试目标上的平均得分(反映虚警数)为2.8，较Halper的改进方法降低了4.4。卫星拍摄的AVIRIS数据集上的测试结果表明，在100％的检测率下，虚警率为0.11％，而Halper的方法虚警率为0.29％左右，全局方法的虚警率为0.82％；可见本发明方法明显降低了虚警率。

本发明解决其技术问题所采用的技术方案是：一种基于鲁棒背景估计方法的高光谱图像局部目标检测方法，其特点是包括以下步骤：

步骤一、对于输入高光谱图像，使用MCD估计方法估计出全局背景参数并进行白化，得到白化数据D_w。

(1)对于一幅具有p个波段、n个像元的高光谱图像X_n＝{x₁,x₂,...,x_n}，用X_n中下标在集合H_t中的成员计算其协方差矩阵∑_t和均值u_t，H_t为1到n内的整数集合，即|H_t|＝h，t为当前迭代代数。

(2)计算每一像元x_i到当前均值向量u_t的马氏距离，i＝1,...,n。

(3)将得到的各距离排序d_t(i)，得到序列d_t(j₁)≤d_t(j₂)≤…≤d_t(j_n)。

(4)由上述序列构造下次迭代所需的集合H_t+1＝{j₁,j₂,…,j_h}。

重复上述步骤(1)到步骤(4)产生序列det(∑₁)≥det(∑₂)≥det(∑₃)≥…，该序列收敛于det(∑_m)＝0或det(∑_m)＝det(∑_m-1)时，将此时的协方差矩阵和均值向量作为估计结果。在产生初始集合H₀时，先从X_n中随机抽出p+1个成员组成集合V，计算V上的协方差矩阵∑_V和均值u_V；若det(∑_V)＝0，从X_n中每次增选一个成员来扩充V，直至det(∑_V)≠0。对V运用一次所述估计背景参数的步骤(1)到(4)，将步骤(4)产生的集合H作为H₀。h的取值为[(n+p+1)/2,n]，且h>p。

步骤二、对白化数据D_w进行聚类，

(1)将第一个像元标记为第一类。

(2)对于每一像元x_i计算其与现有每一聚类中心C_j,j＝1,2,...,l的夹角,l为当前聚类中心数目。

(3)若存在一聚类中心C_k，使得x_i和C_k的夹角小于阈值ε，则将x_i归入C_k所代表的类别；否则，将x_i作为新增聚类中心C_l+1，同时l＝l+1。

(4)对于步骤(3)中得到的聚类结果，用每类的均值更新其聚类中心。若各聚类中心较上次迭代有变化，则转步骤(2)；否则，转步骤(5)。

(5)取消类成员数量小于λ·n的聚类，对其中成员重新使用步骤(2)和步骤(3)进行标记过程。其中，λ为给定阈值，n为图像中像元总数。

获得m个聚类LBs＝{Cl₁,Cl₂,...,Cl_m}和少量无标签的像元。

步骤三、对于每一聚类Cl_k,k＝1,2,....,m，使用MCD估计方法，估计其背景参数：协方差矩阵∑_k和均值向量u_k。

步骤四、对于每一待测像元，使用其所属类别的局部背景参数作为ACE目标检测算法的输入，按如下公式得到各像元对应的输出：

其中，s为目标特征光谱，∑_k和u_k分别为第k聚类的协方差矩阵和均值。对于聚类后仍无标签的像元，使用MCD估计方法估计得到的全局背景参数作为ACE目标检测算法的输入，由各像元对应的算法输出值组成基于MCD估计方法的高光谱图像局部ACE目标检测的结果。

本发明的有益效果是：该方法首先利用基于光谱角的聚类方法，在白化空间中对输入图像进行聚类，形成具有较高均一性的具备背景。在检测过程中，引入MCD估计方法估计待测像元所属聚类的背景参数，以获得更可靠的估计结果，从而提高算法的检测性能。在RIT(Rochester Institute of Technology)提供的数据集上目标测试结果显示，在各测试目标上的平均得分(反映虚警数)为2.8，较Halper的改进方法降低了4.4。卫星拍摄的AVIRIS数据集上的测试结果表明，在100％的检测率下，虚警率为0.11％，而Halper的方法虚警率为0.29％左右，全局方法的虚警率为0.82％；可见本发明方法明显降低了虚警率。

以下结合具体实施方式详细说明本发明。

具体实施方式

本发明基于鲁棒背景估计方法的高光谱图像局部目标检测方法具体步骤如下：

高光谱遥感图像为一立方体结构，空间维反映地面不同位置对应的像素在某一太阳光波段上的反射率，光谱维反映某一位置的像素在不同波段上的反射率。一幅高光谱图像可以表示成一p×n的数据集合X_n＝{x₁,x₂,...,x_n}，p为波段数，n为图像中像元总数；图像中某一像元可以表示成x_i＝(x_1i,x_2i,...,x_pi)^T，x_pi是在第p个波段上的反射率。

1、白化输入数据。

对于输入高光谱图像，使用MCD估计方法估计出全局背景参数，以此对输入数据进行白化，得到白化数据D_w。

其中，对背景参数进行估计的具体步骤描述如下：

(1)用X_n中下标在集合H_t中的成员计算其协方差矩阵∑_t和均值u_t，H_t为1到n内的整数集合，即|H_t|＝h，t为当前迭代代数。

(2)计算每一像元x_i到当前均值向量u_t的马氏距离，i＝1,...,n。

(3)将得到的各距离d_t(i)排序，得到序列d_t(j₁)≤d_t(j₂)≤…≤d_t(j_n)。

(4)由上述序列构造下次迭代所需的集合H_t+1＝{j₁,j₂,…,j_h}。

重复上述步骤(1)到步骤(4)产生序列det(∑₁)≥det(∑₂)≥det(∑₃)≥…，该序列收敛于det(∑_m)＝0或det(∑_m)＝det(∑_m-1)时，将此时的协方差矩阵和均值向量作为估计结果。为了较为合理地产生初始集合H₀，本发明先从X_n中随机抽出p+1个成员组成集合V，计算V上的协方差矩阵∑_V和均值u_V；若det(∑_V)＝0，从X_n中每次增选一个成员来扩充V，直至det(∑_V)≠0。对V运用一次所述估计背景参数的步骤(1)到(4)，将步骤(4)产生的集合H作为H₀。MCD方法要求参数h在[(n+p+1)/2,n]区间内取值，且h>p。

2、聚类得到局部背景。

在白化数据D_w进行聚类，具体聚类步骤如下：

(1)将第一个像元标记为第一类。

(2)对于每一像元x_i计算其与现有每一聚类中心C_j,j＝1,2,...,l的夹角,l为当前聚类中心数目。

(3)若存在一聚类中心C_k，使得x_i和C_k的夹角小于阈值ε，则将x_i归入C_k所代表的类别；否则，将x_i作为新增聚类中心C_l+1，同时l＝l+1。

(4)对于步骤(3)中得到的聚类结果，用每类的均值更新其聚类中心。若各聚类中心较上次迭代有变化，则转步骤(2)；否则，转步骤(5)。

(5)取消类成员数量小于λ·n(λ为给定阈值，n为图像中像元总数)的聚类，对其中成员重新使用步骤(2)和步骤(3)进行标记过程。

通过上述在白化数据上进行的以光谱角为距离测度的聚类步骤，可以获得m个聚类LBs＝{Cl₁,Cl₂,...,Cl_m}和少量无标签的像元。

3、估计背景参数。

对于每一聚类Cl_k，k＝1,2,....,m使用MCD估计方法，估计其背景参数：协方差矩阵∑_k和均值向量u_k。

4、进行目标检测。

对于每一待测像元，使用其所属类别的局部背景参数作为ACE检测算子的输入，按如下公式得到各像元对应的输出：

其中，s为目标特征光谱，∑_k和u_k分别为第k聚类的协方差矩阵和均值。对于聚类后仍无标签的像元，使用MCD估计方法估计得到的全局背景参数作为ACE检测算子的输入。最终，由各像元对应的算法输出值组成基于MCD估计方法的高光谱图像局部ACE目标检测算法的结果。

Claims (1)

1.一种基于鲁棒背景估计方法的高光谱图像局部目标检测方法，其特征在于包括以下步骤：

步骤一、对于输入高光谱图像，使用MCD估计方法估计出全局背景参数并进行白化，得到白化数据D_w；

(1)对于一幅具有p个波段、n个像元的高光谱图像X_n＝{x₁,x₂,...,x_n}，用X_n中下标在集合H_t中的成员计算其协方差矩阵∑_t和均值u_t，H_t为1到n内的整数集合，即|H_t|＝h，t为当前迭代代数；

(2)计算每一像元x_i到当前均值向量u_t的马氏距离，i＝1,...,n；

(3)将得到的各距离d_t(i)排序，得到序列d_t(j₁)≤d_t(j₂)≤…≤d_t(j_n)；

(4)由上述序列构造下次迭代所需的集合H_t+1＝{j₁,j₂,…,j_h}；

重复上述步骤(1)到步骤(4)产生序列det(∑₁)≥det(∑₂)≥det(∑₃)≥…，该序列收敛于det(∑_m)＝0或det(∑_m)＝det(∑_m-1)时，将此时的协方差矩阵和均值向量作为估计结果；在产生初始集合H₀时，先从X_n中随机抽出p+1个成员组成集合V，计算V上的协方差矩阵∑_V和均值u_V；若det(∑_V)＝0，从X_n中每次增选一个成员来扩充V，直至det(∑_V)≠0；对V运用一次所述估计背景参数的步骤(1)到(4)，将步骤(4)产生的集合H作为H₀；h的取值为[(n+p+1)/2,n]，且h>p；

步骤二、对白化数据D_w进行聚类，

(1)将第一个像元标记为第一类；

(2)对于每一像元x_i计算其与现有每一聚类中心C_j,j＝1,2,...,l的夹角,l为当前聚类中心数目；

(3)若存在一聚类中心C_k，使得x_i和C_k的夹角小于阈值ε，则将x_i归入C_k所代表的类别；否则，将x_i作为新增聚类中心C_l+1，同时l＝l+1；

(4)对于步骤(3)中得到的聚类结果，用每类的均值更新其聚类中心；若各聚类中心较上次迭代有变化，则转步骤(2)；否则，转步骤(5)；

(5)取消类成员数量小于λ·n的聚类，对其中成员重新使用步骤(2)和步骤(3)进行标记过程；其中，λ为给定阈值，n为图像中像元总数；

获得m个聚类LBs＝{Cl₁,Cl₂,...,Cl_m}和少量无标签的像元；

步骤三、对于每一聚类Cl_k,k＝1,2,....,m，使用MCD估计方法，估计其背景参数：协方差矩阵∑_k和均值向量u_k；

步骤四、对于每一待测像元，使用其所属类别的局部背景参数作为ACE目标检测算法的输入，按如下公式得到各像元对应的输出：

$D\left(x_i\right)=\frac{{\[{(s-u_k)}^T{\mathrm{\Σ}}_k^{-1}(x_i-u_k)\]}^2}{\[{(s-u_k)}^T{\mathrm{\Σ}}_k^{-1}(s-u_k)\]\[{(x_i-u_k)}^T{\mathrm{\Σ}}_k^{-1}(x_i-u_k)\]}$

其中，s为目标特征光谱，∑_k和u_k分别为第k聚类的协方差矩阵和均值；对于聚类后仍无标签的像元，使用MCD估计方法估计得到的全局背景参数作为ACE目标检测算法的输入，由各像元对应的算法输出值组成基于MCD估计方法的高光谱图像局部ACE目标检测的结果。