CN106529472B - 基于大尺度高分辨率高光谱图像的目标探测方法及装置 - Google Patents

基于大尺度高分辨率高光谱图像的目标探测方法及装置 Download PDF

Info

Publication number
CN106529472B
CN106529472B CN201610985099.4A CN201610985099A CN106529472B CN 106529472 B CN106529472 B CN 106529472B CN 201610985099 A CN201610985099 A CN 201610985099A CN 106529472 B CN106529472 B CN 106529472B
Authority
CN
China
Prior art keywords
image block
target
spectrum
described image
interest
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
CN201610985099.4A
Other languages
English (en)
Other versions
CN106529472A (zh
Inventor
李岩山
徐健杰
黄庆华
夏荣杰
谢维信
刘鹏
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201610985099.4A priority Critical patent/CN106529472B/zh
Publication of CN106529472A publication Critical patent/CN106529472A/zh
Application granted granted Critical
Publication of CN106529472B publication Critical patent/CN106529472B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了基于大尺度高分辨率高光谱图像的目标探测方法及装置。该方法包括：读取目标对应的高光谱图像；对高光谱图像进行预处理；检测高光谱图像的所有候选空谱域兴趣点，得到第一集合；根据响应强度对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；根据第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；对图像块进行特征描述，并编码得到图像块对应的矢量；根据图像块对应的矢量计算图像块对应的分类函数的值；若图像块对应的分类函数的值大于分类阈值，则判定图像块包含目标；若图像块对应的分类函数的值小于或等于分类阈值，则对图像块进行分割。本发明能够提高高分辨率的高光谱图像的目标探测中的探测效果。

Description

基于大尺度高分辨率高光谱图像的目标探测方法及装置
技术领域
本发明属于信息技术领域，尤其涉及基于大尺度高分辨率高光谱图像的目标探测方法及装置。
背景技术
高光谱图像相对于灰度图、RGB(Red，红；Green，绿；Blue，蓝)彩色图，包含了空间和光谱信息，数据量大，在检测伪装和隐蔽的军事目标，以及在民用搜救探测目标等方面都有重要的作用。随着高光谱技术的发展，目前的高光谱图像呈现出高空间分辨率的特点，地物目标在高光谱图像上具有丰富的纹理和结构信息，其包含的光谱信息也非常复杂与丰富。现有的高光谱图像目标探测算法主要采用光谱信息进行目标探测，包括正交子空间投影(Orthogonal Subspace Projection，OSP)、广义化似然比探测(GeneralizedLikelihood Ratio Test，GLRT)、约束能量最小化算法(Constrained EnergyMinimization，CEM)、自适应余弦估计算法(Adaptive Cosine Estimator，ACE)、RX异常探测算法(Reed-X Detector，RXD)等。这些算法普遍适用于低空间分辨率的卫星遥感高光谱图像。现有的高光谱图像目标探测算法主要是利用像元的光谱信息，它们在高分辨率的高光谱图像的目标探测中的探测效果较差。
发明内容
鉴于此，本发明实施例提供了一种基于大尺度高分辨率高光谱图像的目标探测方法及装置，以解决现有技术在高分辨率的高光谱图像的目标探测中的探测效果较差的问题。
第一方面，本发明实施例提供了一种基于大尺度高分辨率高光谱图像的目标探测方法，包括：
读取目标对应的高光谱图像；
对所述高光谱图像进行预处理；
检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
根据所述第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；
对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；
根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
第二方面，本发明实施例提供了一种基于大尺度高分辨率高光谱图像的目标探测装置，包括：
读取模块，用于读取目标对应的高光谱图像；
预处理模块，用于对所述高光谱图像进行预处理；
检测模块，用于检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
筛选模块，用于根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
光谱角匹配模块，用于根据所述第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；特征描述模块，用于对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；
计算模块，用于根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
目标判定模块，用于若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
分割模块，用于若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过运用空谱域结合提取兴趣点，对高光谱图像进行分割，使空谱域兴趣点相分离，并通过描述、编码、分类实现目标物的快速识别定位，从而能够提高高分辨率的高光谱图像的目标探测中的探测效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法的实现流程图；
图2示出本发明实施例中高光谱图像中某点的原始光谱曲线和采样频率为原始光谱曲线的1/3的光谱曲线的示意图；
图3示出了本发明实施例中四叉树分割的示意图；
图4示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法采用的整体框架的示意图；
图5至图8示出在不同场景下采用本发明实施例的基于大尺度高分辨率高光谱图像的目标探测方法与采用其他算法的效果示意图；
图9示出本发明实施例提供的就高光谱图像的目标探测装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法的实现流程图。如图1所示，该方法包括：
在步骤S101中，读取目标对应的高光谱图像。
该高光谱图像可以为一大尺度高分辨率的高光谱图像，例如，该高光谱图像的尺寸可以为M×N×B1，其中，M表示高光谱图像的行数，N表示高光谱图像的列数，B1表示高光谱图像的原波段数。
在步骤S102中，对高光谱图像进行预处理。
在一种可能的实现方式中，对高光谱图像进行预处理，包括：对高光谱图像进行波段采样处理。在该实现方式中，为了使该基于大尺度高分辨率高光谱图像的目标探测方法具有一定的实时性，可以对原始的高光谱图像进行波段采样处理。例如，采样间隔可以为k，经过波段采样处理后的高光谱图像的尺寸可以为M×N×B2，其中，B2表示高光谱图像的采样后的波段数。B2＝{1,1+k,1+2k,...,Bmax},Bmax≤B1，其中，Bmax表示B2的最大波段数。
图2示出本发明实施例中高光谱图像中某点的原始光谱曲线和采样频率为原始光谱曲线的1/3的光谱曲线的示意图。在图2中，横轴为波长，纵轴为传感器记录的原始辐射值(Digital Number)。由图2可以看出，在采样后的光谱曲线中，光谱域的维度大大减少，数据量也随之大大减少。在采用后的光谱曲线中，在降低数据量的同时保留了光谱信息，这样为快速检测时空兴趣点提供了基础。
在步骤S103中，检测经过预处理的高光谱图像的所有候选空谱域兴趣点，得到第一集合。
在本发明实施例中，空谱域兴趣点可以指整个高光谱立方块中像素值发生剧烈变化的点。在本发明实施例中，可以在预处理之前，提取高光谱图像的所有候选空谱域兴趣点。假设pj表示第j个候选空谱域兴趣点，vj表示第j个候选空谱域兴趣点对应的响应强度，pj到vj为一一映射关系，G:pj→vj。根据所有候选空谱域兴趣点可以构建第一集合P＝{p1,p2,p3,...,pm|G(px)≥G(px+1)}，其中，P表示第一集合，x∈{1,2,3,...,m-1}，m表示高光谱图像中候选空谱域兴趣点的总个数。
在步骤S104中，根据响应强度对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合。
由于候选空谱域兴趣点的数据量非常大，因此可以对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合，并采用第二集合对高光谱图像进行表示，以提高目标探测的效率。例如，可以用Fn表示对第一集合取前n个元素构成新的子集，并可以用表示高光谱图像的子集，其中，表示第二集合，n<m。通常，m远远大于n。
在一种可能的实现方式中，根据响应强度对第一集合中的候选空谱域兴趣点进行筛选，得到第二集合，包括：从第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
在步骤S105中，根据第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块。
在一种可能的实现方式中，该方法还包括：采用目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，以排除非潜在目标区域的图像块。例如，光谱角相似度阈值可以为h。在该实现方式中，为了提高运算效率，减少后续的计算量。首先可以采用目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，计算采样后的高光谱图像的候选空谱域兴趣点与目标对应的光谱曲线集合的光谱角相似度，再使用该相似度与设定的光谱角相似度阈值h进行比较，若该相似度低于光谱角相似度阈值h，则判定该图像块有可能存在目标，否则排除该图像块。在步骤S106中，对图像块进行特征描述，并编码得到图像块对应的矢量。
作为本发明实施例的一个示例，可以采用3D SIFT对pj进行描述形成qj，j∈{1,2,3,...,m}，pj与qj之间的映射关系可以用H表示为H:pj→qj。对第二集合进行描述，形成描述集合对每个图像立方块得到的描述集合进行词袋模型(BoW)编码形成统计分布直方图，可以得到各个图块像对应的矢量。
在步骤S107中，根据图像块对应的矢量计算图像块对应的分类函数的值。
作为本发明实施例的一个示例，在得到各个图像块对应的矢量后，可以用得到的矢量对高光谱图像进行表示，并可以采用SVM(Support Vector Machine，支持向量机)分类器进行分类。假设一图像块对应的矢量为X，则判别目标物的分类函数可以为f(X)＝wTX+b，其中，w向量和b向量为SVM分类器对大量目标物样本训练后得到的向量。
在步骤S108中，若图像块对应的分类函数的值大于分类阈值，则判定该图像块包含目标。
例如，分类阈值可以为Td。若f(X)≥Td，则判定矢量X对应的图像块包含目标，否则采用四叉树分割方法对当前图像进行分割。
在步骤S109中，若图像块对应的分类函数的值小于或等于分类阈值，则对图像块进行分割。
在一种可能的实现方式中，对图像块进行分割，包括：对图像块进行四叉树分割。需要说明的是，在该实现方式中，高光谱图像的四叉树分割是在空域上进行的。与一般的四叉树分割不同的是，由于图像空域方向的分割块大小不同对兴趣点的提取影响不大，所以不需要进行图像的填充使行列都为2的n次方。例如，假设高光谱图像的尺寸为M×N×B，其中M为行数，N为列数，B为波段数。在分割时，根据M和N奇偶性，做以下分割：
其中，Ri为分割子立方块，四叉树分割方法目标是使大环境下的高光谱图像块所包含的目标物越少，特征映射后所属类的评分会越高。
在步骤S110中，根据子图像块分割所有候选空谱域兴趣点，形成对应子图像块的第一集合。
在一种可能的实现方式中，对高光谱图像进行四叉树分割后，Pi为Ri区域的候选点集，表示为Pi＝{p1,p2,p3,...,pyi|G(pz)≥G(pz+1)}，其中，yi为对应子立方块Ri的候选空谱域兴趣点的数量的最大值，z∈{1,2,3,...,yi-1}。同时，也形成四个子集表示为在分割后的子立方块中继续选取n个候选空谱域兴趣点形成集合Pi′，该集合P′i用于表示高光谱图像，P′i可以表示为P′i＝Fn(Pi)，则对应的图像块的特征描述集Qi可以表示为新形成的图像块特征描述集中，不需要对n个候选空谱域兴趣点进行描述，而只需运算部分即可，则从父图像继承。
在步骤S111中，依次对分割后的子图像重复操作，直至分割得到的某一子图像块对应的分类函数的值大于分类阈值，或者分割得到的子图像块达到指定最小尺寸。
在一种可能的实现方式中，在根据图像块对应的矢量计算图像块对应的分类函数的值之后，该方法还包括：若子图像块对应的分类函数的值小于或等于分类阈值，则继续对该子图像块进行四叉树分割，直至分割得到的某一子图像块对应的分类函数的值大于分类阈值或者达到指定最小尺寸便停止分割。
将原始高光谱图像的数据作为根节点，依次递归分割为四个子立方块，直到满足条件f(X)≥Td则停止分割。f(X)为高光谱图像经过基于空谱域提取的兴趣点和特征描述后的BoW模型编码的特征映射对应目标物的分类函数，Td为分类阈值。需要说明的是，由于选择的候选空谱域兴趣点可能包含其他目标物，会影响f(X)的值，若仅含有一种目标物，则经过计算后，得到的所属目标物的f(X)较大。
图3示出了本发明实施例中四叉树分割的示意图。如图3所示，假设原始高光谱图像输入时序号为0，对依次分割的子立方块进行编码，序号长度越长代表树的深度越深，子图像块的尺寸则越小。
需要说明的是，一般目标物会由较小的图像块组成，经过分类函数判定后的图像会有错误分类的现象，需要进行一定的后处理。例如，通过寻找确定为目标的图像块的质心，可以计算出目标物的质心。假设目标物的质心为C，各个图像块的质心为Cα，则其中，β为确定目标后图像块的个数，求出质心后，便可以确定目标物所在的位置，从而可以采用预先设定好大小形状的图形方框进行定位。
图4示出本发明实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法采用的整体框架的示意图。如图4所示，作为本发明实施例的一个示例，可以首先在高光谱图像对应的立方体里提取候选空谱域兴趣点，根据候选空谱域兴趣点对应的光谱曲线快速排除非潜在目标区域，对疑似目标区域进行特征描述，接着采用BoW进行图像编码，并用SVM分类器对其进行分类，如果被判为目标则该块目标探测结束，否则继续用四叉树分割方法对图像进行划分，并重复上述步骤，如此迭代至条件成立为止。
应理解，在本发明实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例通过运用空谱域结合提取兴趣点，对高光谱图像进行分割，使空谱域兴趣点相分离，并通过描述、编码、分类实现目标物的快速识别定位，从而能够提高高分辨率的高光谱图像的目标探测中的探测效果。
为了更直观地示出本发明实施例在基于大尺度高分辨率高光谱图像的目标探测中的效果，以下示出了实验结果。本实验使用的高光谱图像来自型号为Image-λ-V10E-HR的高光谱相机，ZOLIX INSTRUMENTS CO.,LTD.，有728个波段，波长范围从362.05～1002.47nm，空间分辨为2.9cm/像素，光谱分辨率达到了0.88nm。本实验以探测汽车为目标为例，设定Fn中的n值为100，分类阈值Td为1.1，光谱角相似度阈值h为0.19，采样间隔k为3。在不同场景下的情况进行实验，并对比本实施例提供的基于大尺度高分辨率高光谱图像的目标探测方法与传统的RXD，CEM，ACE等算法。图5～图8设置了不同的场景，其中图(a)为原始高光谱图像，图(b)为本实施例的实验结果，图(c)～图(f)中图像上的黑色点为目标物，图(c)为使用阈值300使探测结果二值化RXD算法的结果，图(d)为使用阈值0.2使探测结果二值化CEM算法的结果，图(e)为使用阈值0.08使探测结果二值化ACE算法的结果，图(f)为使用阈值0.2使探测结果二值化MF算法的结果；RXD探测不需要先验知识，图5～图7中CEM、ACE和MF探测均取汽车车前盖某点的光谱曲线作为先验知识进行探测，而图8则取位置在上边的车的车顶某点的光谱曲线作为先验知识进行探测。
如图5所示，场景一中有白色汽车，树，道路和路灯，采用本实施例能准确探测出汽车的位置，RXD算法、CEM和MF除了探测到汽车外，还有路灯也被认定为目标物，而ACE没能准确探测到。
如图6所示，场景二中有黑色汽车，道路，人行道和土壤，采用本实施例能较好地标识出汽车的位置。对于黑色汽车，RXD、CEM、MF探测不出汽车，而ACE探测的目标比较集中在黑色汽车位置，但效果较差。
如图7所示，场景三中有白色汽车，道路，人行道和土壤，相比于场景一最大的不同是更换了背景，但采用本实施例仍能较好地探测出汽车。探测结果与场景一相似，RXD算法探测把其他非目标物质标注出来，CEM算法和MF算法能大致探测出目标物，而ACE算法效果较差。
如图8所示，场景四中有三辆不同颜色的汽车，道路和植被，RXD算法探测的结果除了汽车外还有其他非汽车目标，CEM算法和MF算法探测出上边车辆的结果比较明显，其他两辆车也能探测出，但效果比较不明显。而ACE算法只能探测出上边的车辆，其他两辆车均不能明显探测出来。
根据RXD的原理知，存在异常目标时，相应的能量会比较小，计算的结果会是比较大的值，当目标与背景差异较大时探测结果较为理想，其算法最大的优点是不需要目标先验知识。ACE需知道样本协方差阵，需估计所有目标样本像元的协方差阵，当目标像元在高光谱图像较少时，对该估计值影响较小，但本实验的目标较大，影响了检测效果，ACE对少量目标探测效果会好点。CEM、MF都是需要先验目标知识，通过抑制背景探测目标，两种方法也是对小目标探测最为有效。
本发明实施例很好地适用在大尺度高分辨率高光谱图像的场景下，这是由于检测特征点的方法结合了空间和谱间的信息，使高光谱图像提供的信息量最大化，探测前期事先训练目标物的SVM模型，用四叉树方法把特征描述划分，根据描述区分图像块的性质，这样能够精确地探测目标物。
图9示出本发明实施例提供的就高光谱图像的目标探测装置的结构框图。为了便于说明，在图9中仅示出了与本发明实施例相关的部分。
如图9所示，该装置包括：读取模块90，用于读取目标对应的高光谱图像；预处理模块91，用于对所述高光谱图像进行预处理；检测模块92，用于检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；筛选模块93，用于根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；光谱角匹配模块94，用于根据所述第二集合对应的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；特征描述模块95，用于对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；计算模块96，用于根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；目标判定模块97，用于若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；分割模块98，用于若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
在一种可能的实现方式中，所述筛选模块93具体用于：从所述第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
在一种可能的实现方式中，所述装置还包括：光谱角匹配模块94还用于：采用所述目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，以排除非潜在目标区域的图像块。
在一种可能的实现方式中，所述分割模块98具体用于：对所述图像块进行四叉树分割。
本发明实施例通过运用空谱域结合提取兴趣点，对高光谱图像进行分割，使空谱域兴趣点相分离，并通过描述、编码、分类实现目标物的快速识别定位，从而能够提高高分辨率的高光谱图像的目标探测中的探测效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种基于大尺度高分辨率高光谱图像的目标探测方法，其特征在于，包括：
读取目标对应的高光谱图像；
对所述高光谱图像进行预处理；
检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
将所述第二集合对应的光谱曲线与所述目标对应的光谱曲线集合中的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；
对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；
根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
2.根据权利要求1所述的方法，其特征在于，根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合，包括：
从所述第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采用所述目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，以排除非潜在目标区域的图像块。
4.根据权利要求1所述的方法，其特征在于，对所述图像块进行分割，包括：对所述图像块进行四叉树分割。
5.一种基于大尺度高分辨率高光谱图像的目标探测装置，其特征在于，包括：
读取模块，用于读取目标对应的高光谱图像；
预处理模块，用于对所述高光谱图像进行预处理；
检测模块，用于检测经过预处理的所述高光谱图像的所有候选空谱域兴趣点，得到第一集合；
筛选模块，用于根据响应强度对所述第一集合中的候选空谱域兴趣点进行筛选，得到第二集合；
光谱角匹配模块，用于将所述第二集合对应的光谱曲线与所述目标对应的光谱曲线集合中的光谱曲线进行光谱角匹配，得到潜在目标区域的图像块；特征描述模块，用于对所述图像块进行特征描述，并编码得到所述图像块对应的矢量；
计算模块，用于根据所述图像块对应的矢量计算所述图像块对应的分类函数的值；
目标判定模块，用于若所述图像块对应的分类函数的值大于分类阈值，则判定所述图像块包含所述目标；
分割模块，用于若所述图像块对应的分类函数的值小于或等于所述分类阈值，则对所述图像块进行分割，直至分割得到的某一子图像块对应的分类函数的值大于所述分类阈值，或者分割得到的子图像块达到指定最小尺寸。
6.根据权利要求5所述的装置，其特征在于，所述筛选模块具体用于：
从所述第一集合中筛选出响应强度最大的前n个候选空谱域兴趣点，得到第二集合，其中，n为正整数。
7.根据权利要求5所述的装置，其特征在于，所述光谱角匹配模块还用于：
采用所述目标对应的光谱曲线集合与候选空谱域兴趣点对应的光谱曲线进行光谱角匹配，以排除非潜在目标区域的图像块。
8.根据权利要求5所述的装置，其特征在于，所述分割模块用于：
对所述图像块进行四叉树分割。
CN201610985099.4A 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置 Active CN106529472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610985099.4A CN106529472B (zh) 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610985099.4A CN106529472B (zh) 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置

Publications (2)

Publication Number Publication Date
CN106529472A CN106529472A (zh) 2017-03-22
CN106529472B true CN106529472B (zh) 2019-08-02

Family

ID=58350546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610985099.4A Active CN106529472B (zh) 2016-10-24 2016-10-24 基于大尺度高分辨率高光谱图像的目标探测方法及装置

Country Status (1)

Country Link
CN (1) CN106529472B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447057B (zh) * 2018-08-30 2021-11-26 深圳大学 图像特征识别方法、相关装置及存储介质
CN109522890B (zh) * 2018-09-21 2020-11-03 北京晶品特装科技有限责任公司 一种利用近红外闪烁光源识别坦克目标的方法
CN112465904A (zh) * 2019-09-06 2021-03-09 上海晶赞融宣科技有限公司 图像目标定位方法、装置、计算机设备和存储介质
CN112465809B (zh) * 2020-12-15 2023-05-05 北京市计算中心有限公司 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置
CN112488924B (zh) * 2020-12-21 2023-10-27 深圳大学 一种图像超分辨率模型训练方法、重建方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018180A (zh) * 2012-12-11 2013-04-03 江苏大学 一种基于多源光信息技术的棉花病害检测方法和装置
CN104933410A (zh) * 2015-06-15 2015-09-23 山东大学 一种高光谱图像光谱域与空间域联合分类方法
CN105139412A (zh) * 2015-09-25 2015-12-09 深圳大学 一种高光谱图像角点检测方法与系统
CN105809205A (zh) * 2016-03-31 2016-07-27 深圳大学 一种高光谱图像的分类方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018180A (zh) * 2012-12-11 2013-04-03 江苏大学 一种基于多源光信息技术的棉花病害检测方法和装置
CN104933410A (zh) * 2015-06-15 2015-09-23 山东大学 一种高光谱图像光谱域与空间域联合分类方法
CN105139412A (zh) * 2015-09-25 2015-12-09 深圳大学 一种高光谱图像角点检测方法与系统
CN105809205A (zh) * 2016-03-31 2016-07-27 深圳大学 一种高光谱图像的分类方法及其系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Harris Corner Detection Algorithm for Multispectral Images Based on the Correlation;Yanshan Li 等;《6th International Conference on Wireless, Mobile and Multi-Media (ICWMMN 2015)》;20160419;161-165
Segmentation and recognition of multi-model photo event;Feibin Yang 等;《Neurocomputing》;20150512;第172卷;159-167
Segmentation for High-Resolution Optical Remote Sensing Imagery Using Improved Quadtree and Region Adjacency Graph Technique;Gang Fu 等;《Remote Sensing》;20130705;第5卷(第7期);3259-3279
高光谱图像目标检测技术研究;范金华;《万方数据 学位论文》;20160504;1-57

Also Published As

Publication number Publication date
CN106529472A (zh) 2017-03-22

Similar Documents

Publication Publication Date Title
Li et al. TransUNetCD: A hybrid transformer network for change detection in optical remote-sensing images
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN106529472B (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
EP3614308B1 (en) Joint deep learning for land cover and land use classification
Tong et al. Learning transferable deep models for land-use classification with high-resolution remote sensing images
WO2018076138A1 (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
Chen et al. Vehicle detection in high-resolution aerial images based on fast sparse representation classification and multiorder feature
CN107085708B (zh) 基于多尺度分割和融合的高分辨率遥感图像变化检测方法
CN110263712B (zh) 一种基于区域候选的粗精行人检测方法
CN110309781B (zh) 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法
CN106295498B (zh) 光学遥感图像目标区域检测装置与方法
CN106897679A (zh) 一种基于改进模糊c均值聚类的语义变化检测方法及系统
Asokan et al. Machine learning based image processing techniques for satellite image analysis-a survey
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
Cai et al. MHA-Net: Multipath Hybrid Attention Network for building footprint extraction from high-resolution remote sensing imagery
Deng et al. Cloud detection in satellite images based on natural scene statistics and gabor features
Fu et al. A novel spectral-spatial singular spectrum analysis technique for near real-time in situ feature extraction in hyperspectral imaging
CN106485238A (zh) 一种高光谱遥感图像特征提取和分类方法及其系统
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN108537169A (zh) 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法
CN108492288B (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
CN112115795B (zh) 一种基于Triple GAN的高光谱图像分类方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
Sethi et al. Scalable machine learning approaches for neighborhood classification using very high resolution remote sensing imagery
CN108596244A (zh) 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant