CN106650681A - 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 - Google Patents
基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 Download PDFInfo
- Publication number
- CN106650681A CN106650681A CN201611247606.0A CN201611247606A CN106650681A CN 106650681 A CN106650681 A CN 106650681A CN 201611247606 A CN201611247606 A CN 201611247606A CN 106650681 A CN106650681 A CN 106650681A
- Authority
- CN
- China
- Prior art keywords
- low
- target identification
- spectrum
- matrix
- spectral
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,属于高光谱遥感图像目标识别领域,本发明为解决现有对高光谱图像进行目标识别处理时存在信息浪费,进而导致目标识别精度较低的问题。本发明目标识别方法的具体过程为:步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离,将被噪声干扰的高光谱图像从噪声中恢复出来;步骤2、通过有约束能量最小化方法,将待识别光谱与目标光谱进行匹配;步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别,获得高光谱图像数据的目标识别结果。本发明用于对空谱联合高光谱图像的目标识别。
Description
技术领域
本发明涉及一种空谱联合高光谱图像的目标识别方法,属于高光谱遥感图像目标识别领域。
背景技术
高光谱数据由成像光谱仪经过大气等环境收集地物的空间信息和光谱信息。在收集传输过程中,大气、光照以及仪器等因素会造成高光谱数据的损伤降质,最常见的降质即为噪声影响。这种影响会导致获取的图像辨识度不高,降低目标识别精度,因此对高光谱数据进行目标识别之前有必要对数据进行恢复处理。高光谱数据具有丰富的光谱信息,且其谱间分辨率要高于空间分辨率,因此在进行目标识别处理时,会造成关注光谱信息过多而忽视空间信息,造成信息的浪费。
发明内容
本发明目的是为了解决现有对高光谱图像进行目标识别处理时存在信息浪费,进而导致目标识别精度较低的问题,提供了一种基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法。
本发明所述基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,该目标识别方法的具体过程为:
步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离,将被噪声干扰的高光谱图像从噪声中恢复出来;
步骤2、通过有约束能量最小化方法,将待识别光谱与目标光谱进行匹配;
步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别,获得高光谱图像数据的目标识别结果。
本发明的优点:本发明提出的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法充分利用了高光谱图像光谱的低秩性,以及高光谱数据的空间信息和光谱信息,提高目标识别精度。首先通过低秩矩阵恢复方法对图像进行原图与噪声的分离,之后利用有约束能量最小化方法对高光谱数据的光谱进行目标光谱的匹配,最后从空间角度利用不变矩特征对光谱匹配的结果进行识别,进一步滤除虚警,提高目标识别性能。本发明提出在低秩矩阵恢复的基础上利用有约束能量最小化方法和不变矩特征匹配的高光谱目标识别方法来提高目标识别精度。
附图说明
图1是本发明所述基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法的原理图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,该目标识别方法的具体过程为:
步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离,将被噪声干扰的高光谱图像从噪声中恢复出来;
步骤2、通过有约束能量最小化方法,将待识别光谱与目标光谱进行匹配;
步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别,获得高光谱图像数据的目标识别结果。
具体实施方式二:本实施方式对实施方式一作进一步说明,步骤1所述通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离的具体过程为:
步骤1-1、从数据的空间角度将高光谱数据立方按照顺序进行分块,作为低秩矩阵恢复方法的输入;
步骤1-2、采用低秩矩阵恢复方法对高光谱数据进行分离恢复;
步骤1-3、采用增广拉格朗日算法对低秩恢复进行优化处理,获得优化后的恢复结果。
本实施方式中,步骤1-1从数据的空间角度将高光谱数据立方按照顺序进行分块,用于保证低秩恢复的效果和速度。
具体实施方式三:本实施方式对实施方式二作进一步说明,步骤1-3所述对低秩恢复进行优化处理的具体过程为:
设矩阵D为受噪声干扰的高光谱数据,矩阵A为经低秩恢复得到的数据,E是分离出来的噪声矩阵;
加上一个惩罚因子,构造拉格朗日函数:
其中,μ是设定的较小正数因子,Y是与D同形的矩阵,λ是一个为正的加权因子,<Y,D-E-A>表示矩阵Y与矩阵(D-E-A)的内积;
令g(X)=D-E-X,X表示每步迭代的输出,最终逼近A;
再根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法进行迭代:
步骤1-3-1、根据XK+1=arg min L(X,YK,μK),得出使L(X,YK,μK)最小的X,令XK+1=X;其中,K表示迭代次数,其取值范围为1~1000;YK表示迭代次数为K的Y矩阵;μK表示迭代次数为K的较小正数因子;
步骤1-3-2、根据YK+1=YK+μKg(XK+1),由XK和YK得出YK+1;
步骤1-3-3、根据μK+1=ρμK,ρ≥1,由μK得出μK+1;
根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法,迭代至满足迭代终止条件,输出XK,即获得优化恢复后的低秩矩阵XK。
具体实施方式四:本实施方式对实施方式三作进一步说明,时,能够获得优化恢复后的低秩矩阵,其中,m和n分别表示步骤1-1中高光谱数据分块后得到的二维矩阵的行和列。
具体实施方式五:本实施方式对实施方式一、二、三或四作进一步说明,步骤2所述通过有约束能量最小化方将待识别光谱与目标光谱进行匹配的具体过程为:
步骤2-1、输入低秩恢复获得的矩阵和目标光谱曲线;
步骤2-2、根据有约束能量最小化公式:计算出每个待测光谱属于目标光谱的隶属度DCEM,数值越大,待测光谱属于目标光谱的可能性越大;有约束能量最小化公式中,s为目标光谱向量,x为待检测光谱向量;
步骤2-3、对光谱识别得到的数据进行阈值分割,获得待测光谱的识别结果。
具体实施方式六:本实施方式对实施方式五作进一步说明,步骤3所述从空间角度利用不变矩特征对光谱匹配的结果进行识别的具体过程为:首先计算待测图像数据的不变矩特征和目标图像数据的不变矩特征,然后将不变矩特征结果进行匹配。
本实施方式中,采用不变矩特征匹配能够达到保持原有的目标识别率而降低虚警的目的。
具体实施方式七:本实施方式对实施方式六作进一步说明,不变矩特征根据图像数据的一阶、二阶和三阶的中心距构造出图像数据的七个不变矩特征,满足图像数据的尺度、平移和旋转不变形。
Claims (7)
1.基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,其特征在于,该目标识别方法的具体过程为:
步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离,将被噪声干扰的高光谱图像从噪声中恢复出来;
步骤2、通过有约束能量最小化方法,将待识别光谱与目标光谱进行匹配;
步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别,获得高光谱图像数据的目标识别结果。
2.根据权利要求1所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,其特征在于,步骤1所述通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离的具体过程为:
步骤1-1、从数据的空间角度将高光谱数据立方按照顺序进行分块,作为低秩矩阵恢复方法的输入;
步骤1-2、采用低秩矩阵恢复方法对高光谱数据进行分离恢复;
步骤1-3、采用增广拉格朗日算法对低秩恢复进行优化处理,获得优化后的恢复结果。
3.根据权利要求2所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,其特征在于,步骤1-3所述对低秩恢复进行优化处理的具体过程为:
设矩阵D为受噪声干扰的高光谱数据,矩阵A为经低秩恢复得到的数据,E是分离出来的噪声矩阵;
加上一个惩罚因子,构造拉格朗日函数:
其中,μ是设定的较小正数因子,Y是与D同形的矩阵,λ是一个为正的加权因子,<Y,D-E-A>表示矩阵Y与矩阵(D-E-A)的内积;
令g(X)=D-E-X,X表示每步迭代的输出,最终逼近A;
再根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法进行迭代:
步骤1-3-1、根据XK+1=argmin L(X,YK,μK),得出使L(X,YK,μK)最小的X,令XK+1=X;其中,K表示迭代次数,其取值范围为1~1000;YK表示迭代次数为K的Y矩阵;μK表示迭代次数为K的较小正数因子;
步骤1-3-2、根据YK+1=YK+μKg(XK+1),由XK和YK得出YK+1;
步骤1-3-3、根据μK+1=ρμK,ρ≥1,由μK得出μK+1;
根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法,迭代至满足迭代终止条件,输出XK,即获得优化恢复后的低秩矩阵XK。
4.根据权利要求3所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,其特征在于,时,能够获得优化恢复后的低秩矩阵,其中,m和n分别表示步骤1-1中高光谱数据分块后得到的二维矩阵的行和列。
5.根据权利要求1、2、3或4所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,其特征在于,步骤2所述通过有约束能量最小化方将待识别光谱与目标光谱进行匹配的具体过程为:
步骤2-1、输入低秩恢复获得的矩阵和目标光谱曲线;
步骤2-2、根据有约束能量最小化公式:计算出每个待测光谱属于目标光谱的隶属度DCEM,数值越大,待测光谱属于目标光谱的可能性越大;有约束能量最小化公式中,s为目标光谱向量,x为待检测光谱向量;
步骤2-3、对光谱识别得到的数据进行阈值分割,获得待测光谱的识别结果。
6.根据权利要求5所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,其特征在于,步骤3所述从空间角度利用不变矩特征对光谱匹配的结果进行识别的具体过程为:首先计算待测图像数据的不变矩特征和目标图像数据的不变矩特征,然后将不变矩特征结果进行匹配。
7.根据权利要求6所述的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法,其特征在于,不变矩特征根据图像数据的一阶、二阶和三阶的中心距构造出图像数据的七个不变矩特征,满足图像数据的尺度、平移和旋转不变形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611247606.0A CN106650681B (zh) | 2016-12-29 | 2016-12-29 | 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611247606.0A CN106650681B (zh) | 2016-12-29 | 2016-12-29 | 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650681A true CN106650681A (zh) | 2017-05-10 |
CN106650681B CN106650681B (zh) | 2019-06-11 |
Family
ID=58835897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611247606.0A Active CN106650681B (zh) | 2016-12-29 | 2016-12-29 | 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650681B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
CN108169204A (zh) * | 2017-12-14 | 2018-06-15 | 天津大学 | 一种基于数据库的拉曼光谱预处理方法 |
CN111986162A (zh) * | 2020-07-28 | 2020-11-24 | 西安理工大学 | 基于粗定位和协同表示的高光谱异常点快速检测方法 |
CN113536937A (zh) * | 2021-06-17 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于遥感技术的红树林生态定量反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794679A (zh) * | 2015-05-05 | 2015-07-22 | 中国人民解放军国防科学技术大学 | 一种对噪声鲁棒的图像相似性判别方法 |
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
CN106056070A (zh) * | 2016-05-26 | 2016-10-26 | 重庆大学 | 基于低秩矩阵恢复和稀疏表示的sar目标识别方法 |
CN106124050A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于子空间的高光谱亚像元目标盲提取检测方法 |
-
2016
- 2016-12-29 CN CN201611247606.0A patent/CN106650681B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794679A (zh) * | 2015-05-05 | 2015-07-22 | 中国人民解放军国防科学技术大学 | 一种对噪声鲁棒的图像相似性判别方法 |
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
CN106056070A (zh) * | 2016-05-26 | 2016-10-26 | 重庆大学 | 基于低秩矩阵恢复和稀疏表示的sar目标识别方法 |
CN106124050A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于子空间的高光谱亚像元目标盲提取检测方法 |
Non-Patent Citations (4)
Title |
---|
宋义刚: "一种新的空谱联合稀疏高光谱目标检测方法", 《兵工学报》 * |
彭伟明: "基于感兴趣信息的高光谱图像压缩技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
钟佩: "基于ACS的高阶图匹配算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
马碧玉: "基于低秩逼近的光谱图像恢复", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169204A (zh) * | 2017-12-14 | 2018-06-15 | 天津大学 | 一种基于数据库的拉曼光谱预处理方法 |
CN108133465A (zh) * | 2017-12-29 | 2018-06-08 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
CN108133465B (zh) * | 2017-12-29 | 2022-01-11 | 南京理工大学 | 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法 |
CN111986162A (zh) * | 2020-07-28 | 2020-11-24 | 西安理工大学 | 基于粗定位和协同表示的高光谱异常点快速检测方法 |
CN113536937A (zh) * | 2021-06-17 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于遥感技术的红树林生态定量反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106650681B (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650681A (zh) | 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 | |
CN111145131A (zh) | 一种基于多尺度生成式对抗网络的红外和可见光图像融合方法 | |
CN104036480B (zh) | 基于surf算法的快速消除误匹配点方法 | |
CN104182978B (zh) | 一种基于空谱核稀疏表示的高光谱图像目标检测方法 | |
CN104966063A (zh) | 基于gpu与cpu协同计算的矿井多摄像机视频融合方法 | |
CN103500449A (zh) | 一种星上可见光遥感图像云检测方法 | |
CN106155299A (zh) | 一种对智能设备进行手势控制的方法及装置 | |
CN107203750A (zh) | 一种基于稀疏表达和判别分析相结合的高光谱目标检测方法 | |
CN104008394A (zh) | 基于近邻边界最大的半监督高光谱数据降维方法 | |
CN111627007B (zh) | 一种基于自优化匹配网络图像拼接的航天器缺陷检测方法 | |
Song et al. | Multi-scale feature based land cover change detection in mountainous terrain using multi-temporal and multi-sensor remote sensing images | |
CN102156981A (zh) | 一种基于正则化高阶统计量的高光谱空间多目标检测方法 | |
CN102622611B (zh) | 基于特征扩展和模糊支持向量机的多分组图像分类方法 | |
CN103559495A (zh) | 一种高光谱溢油信息提取方法 | |
CN115144357A (zh) | 一种基于矿区机载中红外高光谱遥感数据的矿物识别方法 | |
Li et al. | Mixing Self-Attention and Convolution: A Unified Framework for Multi-source Remote Sensing Data Classification | |
CN105701845A (zh) | 协同稀疏测量和3d tv模型的高光谱影像压缩感知重构方法 | |
Sun et al. | ABLAL: Adaptive Background Latent Space Adversarial Learning Algorithm for Hyperspectral Target Detection | |
CN105825512B (zh) | 基于稳健背景回归的高光谱遥感影像异常目标探测方法 | |
He et al. | Glacier identification from Landsat8 OLI imagery using deep U-NET | |
CN116258934A (zh) | 基于特征增强的红外-可见光融合方法、系统及可读存储介质 | |
Wu et al. | Ground-based vision cloud image classification based on extreme learning machine | |
Al-Shoukry | An automatic hybrid approach to detect concealed weapons using deep learning | |
Kanthi et al. | A 3D-Inception CNN for Hyperspectral Image Classification | |
Zhao et al. | Visible/Infrared Image Registration Based on Region-Adaptive Contextual Multi-Features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |