CN107194936A - 基于超像素联合稀疏表示的高光谱图像目标检测方法 - Google Patents
基于超像素联合稀疏表示的高光谱图像目标检测方法 Download PDFInfo
- Publication number
- CN107194936A CN107194936A CN201710374788.6A CN201710374788A CN107194936A CN 107194936 A CN107194936 A CN 107194936A CN 201710374788 A CN201710374788 A CN 201710374788A CN 107194936 A CN107194936 A CN 107194936A
- Authority
- CN
- China
- Prior art keywords
- msubsup
- mtd
- dictionary
- target
- background
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
基于超像素联合稀疏表示的高光谱图像目标检测方法，本发明涉及高光谱图像的目标检测。本发明的目的是为了解决现有高光谱图像目标检测方法不能从三维数据整体进行信息挖掘，检测精度低的问题。过程为：一：建立超像素约束下的目标和背景的信号联合稀疏表示模型；二：利用图像超像素分割方法将待检测高光谱图像进行分割，分割的结果作为空间约束的先验信息；三：利用获得的目标和背景样本建立目标字典At和背景字典Ab；四：利用At和Ab、空间约束的先验信息和待检测高光谱图像，分别求取五：基于得到的稀疏表示系数，分别计算rb(x)和rt(x)，依据误差的大小，判定待检测高光谱图像的像元是否为检测目标。本发明用于数字图像处理领域。
Description
技术领域
本发明涉及高光谱图像的目标检测。
背景技术
目前，航空航天遥感正向高空间分辨率、高光谱分辨率、高时间分辨率、多极化、多角度的方向迅猛发展。高光谱遥感已发展成一个颇具特色的前沿技术，并形成了一门成像光谱学的新兴学科门类。高光谱传感器通过上百个光谱通道获取地物的反射辐射信息，其波段范围覆盖了从可见光到近红外乃至长波红外区域，包含了地物的空间信息、辐射信息以及光谱信息，其特性通常被称为“图谱合一”。高光谱遥感影像数据的一个重要特征是超多波段和大数据量，近乎连续的光谱采样信息可以记录地物在光谱上很小的反射差异。这个特性被称作地物的诊断特性，可以作为对地物进行分类和检测的依据。研究高光谱图像目标检测新技术，具有重要的理论意义和应用价值。由于高光谱遥感影像提供了更为丰富的地球表面信息，因此受到国内外学者的很大关注，并有了快速发展。其应用领域已涵盖地球科学的各个方面，在地质找矿和制图、大气和环境监测、农业和森林调查、海洋生物和物理研究等领域发挥着越来越重要的作用。
典型的目标检测方法利用光谱库中已知的光谱数据，采用匹配算法来鉴别和识别图像中目标，如光谱角匹配检测(spectral angle matching，SAM)，匹配子空间检测方法(matched subspace detector，MSD)，正交子空间目标检测方法(orthogonal subspaceprojection，OSP)，约束能量最小化方法(constrained energy minimization，CEM)等经典方法，近几年提出的稀疏表示检测方法等。另外，考虑到高光谱图像中也存在着非线性特性，基于经典的匹配算法，得到了核化的目标检测方法。
当前目标检测主要利用光谱匹配特性，通过光谱匹配程度判断单点光谱的属性，并未充分考虑在高空间分辨率条件下空间约束增强的特性，即局部相关性增大的特性，空间-光谱联合检测方法可以提高光谱和空间的利用能力，但一般的空间-光谱联合方法仅仅从光谱或空间的简单组合操作进行分析，而不能从三维数据整体进行信息挖掘，检测精度低。
近年来，超像素分割作为研究的热点，在自然图像当中已经得到了广泛的应用和实践，提出了多种基于图的分割方法，充分考虑了颜色信息和空间信息的融合，目前在高光谱图像当中也进行了初步应用并取得了一定的进展。最典型的也是应用最广泛的方法是简单线性迭代聚类分割算法(simple linear iterative clustering segmentationalgorithm，SLIC)，在其基础上又出现了许多改进的分割方法。
发明内容
本发明的目的是为了解决现有高光谱图像目标检测方法不能从三维数据整体进行信息挖掘，检测精度低的问题，而提出基于超像素联合稀疏表示的高光谱图像目标检测方法。
基于超像素联合稀疏表示的高光谱图像目标检测方法具体过程为：
步骤一：建立超像素约束下的目标和背景的信号联合稀疏表示模型；
步骤二：基于步骤一获得的模型，利用图像超像素分割方法将待检测高光谱图像进行分割，分割的结果作为空间约束的先验信息；
步骤三：利用获得的目标和背景样本建立目标字典At和背景字典Ab；
步骤四：利用步骤三得到的目标字典At和背景字典Ab、步骤二得到的空间约束的先验信息和待检测高光谱图像，分别求取关于目标字典和背景字典的稀疏表示系数
步骤五：基于步骤四得到的稀疏表示系数，分别计算待检测高光谱图像数据X与用背景字典Ab表示恢复的数据的误差rb(x)和待检测高光谱图像数据X与用目标字典At表示恢复的数据的误差rt(x)，依据误差的大小，判定待检测高光谱图像的像元是否为检测目标。
本发明的有益效果为：
本发明方法将高光谱数据转换成超像素的形式进行处理，能够对多维数据整体信息进行挖掘，提高检测精度，相比于现有目标检测单独利用光谱匹配特性，以及一般的仅通过光谱和空间的简单组合操作的空间-光谱联合方法，解决了不能从三维数据整体进行信息挖掘，检测精度低的问题。
为了验证本发明所提出的算法的性能，针对一组机载可见光/红外成像光谱仪(Airborne Visible Infrared Imaging Spectrometer，AVIRIS)采集的一组机场数据进行了实验，在虚警率为0.05时，现有联合稀疏表示方法检测概率为0.95，本发明超像素联合稀疏表示方法检测概率为0.98，在虚警率为0.1时，现有联合稀疏表示方法检测概率为0.97，本发明超像素联合稀疏表示方法检测概率为0.99，本发明方法能够在低虚警率的情况下达到更好的检测结果，验证了本发明提出的基于超像素联合稀疏表示的高光谱图像目标检测算法的有效性。
附图说明
图1是本发明的实现流程示意图，α、γ为稀疏系数；
图2a是飞机场仿真实验数据图；
图2b是飞机场数据基于超像素联合稀疏表示的高光谱图像目标检测结果图；
图2c是飞机场数据基于高光谱图像联合稀疏表示检测结果图；
图3是飞机场数据基于超像素联合稀疏表示的高光谱图像目标检测和基于高光谱图像联合稀疏表示检测结果的接收机工作特性曲线对比图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式的基于超像素联合稀疏表示的高光谱图像目标检测方法具体过程为：
步骤一：建立超像素约束下的目标和背景的信号联合稀疏表示模型；
步骤二：基于步骤一获得的模型，利用图像超像素分割方法将待检测高光谱图像进行分割，分割的结果作为空间约束的先验信息；
步骤三：利用获得的目标和背景样本建立目标字典At和背景字典Ab；
步骤四：利用步骤三得到的目标字典At和背景字典Ab、步骤二得到的空间约束的先验信息和待检测高光谱图像，分别求取关于目标字典和背景字典的稀疏表示系数
步骤五：基于步骤四得到的稀疏表示系数，分别计算待检测高光谱图像数据X与用背景字典Ab表示恢复的数据的误差rb(x)和待检测高光谱图像数据X与用目标字典At表示恢复的数据的误差rt(x)，依据误差的大小，判定待检测高光谱图像的像元是否为检测目标。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中建立超像素约束下的目标和背景的信号联合稀疏表示模型；具体过程为：
超像素约束下的目标H1和背景H0的信号联合稀疏表示模型为：
其中，x表示一个待检测的像素，Ab表示由背景样本组成的背景字典，Sb表示关于背景字典的稀疏系数矩阵，为关于背景字典第i个原子的权重，1≤i≤Nb，为背景字典中第i个原子，1≤i≤Nb，为关于目标字典第j个原子的权重，1≤j≤Nt，为目标字典中第j个原子，1≤j≤Nt，T为转置，At表示由目标样本组成的目标字典，St表示关于目标字典的稀疏系数矩阵，Nb和Nt分别表示背景字典和目标字典中的原子数，取值为正整数。
其它步骤及参数与具体实施方式一相同。
所述步骤2包括下列步骤：
(1)种子点选取
将初始的模糊种子点定位于每个超像素块的中心，因为种子点的选取对聚类结果有重要的影响,因此为了防止种子点落入边界使得聚类过程局部收敛，我们在模糊种子点周围M×M的邻域内计算每个超像素的梯度值，将梯度值最小的超像素点设为初始种子点,初始种子点seed(xsi,ysi)满足如下条件：seed(xsi,ysi)的坐标带入梯度运算式{[I(x+1,y)-I(x-1,y)]2+[I(x,y+1)-I(x,y-1)]2}当中，所得到的结果最小，设(xci,yci)表示label为i的超像素块的模糊中心点,那么在上式中xsi∈{xci-2,xci+2}，ysi∈{yci-2,yci+2}；
(2)计算超像素内各点到种子点间距离
在各个超像素块的种子点周2M×2M的邻域范围内计算各个像素到种子点的距离，距离计算综合考虑颜色距离与欧氏距离，计算公式如下：
(3)像素点聚类与标记
超像素块的步长为S，在种子点周围2S×2S区域内聚类能够保证各个像素点能够聚集到最佳的聚类中心，计算各个像素到种子点的距离,并将像素标记一个与其距离最小的种子点相同的labels，至此初始聚类标记步骤完成；
(4)更新种子点
基于区域的聚类分割算法多为迭代算法，一次聚类完毕之后要重新计算种子点供下一次聚类。设聚类于种子点seed(xsi,ysi)的像素集合为{I(Lsi,Asi,Bsi,xsi,ysi)}，像素个数为nsi，一次聚类完毕之后更新的种子点为n_seed(Lsi,Asi,Bsi,xsi,ysi)，其颜色特征值和坐标值等于具有相同labels的像素各项的平均值，即：
将原始种子点更新为新的种子点后判断两个种子点的L、a、b以及x、y是否相等，若相等表明聚类结果收敛,停止迭代,若不相等,以新的种子点作为聚类中心，重新计算距离，进行新一轮的聚类，并判断新种子点是否稳定，如此迭代直至各个聚类中心不再发生变化,这样就得到了初始的分割结果。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤三中利用获得的目标和背景样本建立目标字典和背景字典；具体过程为：
(1)从待检测高光谱图像中利用真值图先验信息获取目标样本，并通过目标样本组成目标字典At；
(2)从待检测高光谱图像中利用真值图先验信息获取背景样本，并通过背景样本组成背景字典Ab。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤四中利用步骤三得到的目标字典At和背景字典Ab、步骤二得到的空间约束的先验信息和待检测高光谱图像，分别求取关于目标字典和背景字典的稀疏表示系数具体过程为：
步骤四一：将步骤三得到的目标字典At和背景字典Ab、步骤二得到的空间约束的先验信息及待检测高光谱图像作为SOMP算法的输入；
所述SOMP算法为同步OMP算法，OMP为正交匹配追踪；
步骤四二：确定SOMP算法的稀疏度L的大小，L＜＜Nb+Nt；
步骤四三：利用SOMP算法求出SOMP算法的输出，SOMP算法的输出为过程为：
min imize||S||row,0
subject to||AS-X||F≤σ
或
min imize||AS-X||F
subject to||S||row,0≤K0
式中，||S||row,0表示稀疏系数矩阵S中非零列的数目，σ表示容错误差，K0表示稀疏度上边界，A为目标字典At和背景字典Ab的级联，X为待检测图像超像素中所有像素形成的矩阵，||·||F为Frobenius范数，minimize为把||S||row,0减至最低数量，subjectto为使服从，稀疏系数矩阵S包括Sb和St，SOMP算法求出的包括和表示利用SOMP算法求得的关于目标字典的稀疏系数，表示利用SOMP算法求得的关于背景字典的稀疏系数。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤五中基于步骤四得到的稀疏表示系数，分别计算待检测高光谱图像数据X与用背景字典Ab表示恢复的数据的误差rb(x)和待检测高光谱图像数据X与用目标字典At表示恢复的数据的误差rt(x)，依据误差的大小，判定待检测高光谱图像的像元是否为检测目标；具体过程为：
步骤五一：计算待检测高光谱图像数据X与用背景字典Ab表示恢复的数据的误差
步骤五二：计算待检测高光谱图像数据X与用目标字典At表示恢复的数据的误差
步骤五三：通过信号稀疏表示检测理论中的残差检验模型得到超像素联合稀疏表示下的检测模型，计算得到检测结果；
超像素联合稀疏表示下的检测模型如下：
其中，D(x)表示待检测高光谱图像中像元的检测结果，rb(x)和rt(x)分别表示用背景字典表示的误差和用目标字典表示的误差，||·||F表示Frobenius范数，η表示设定的阈值；
如果D(x)＞η，则将待检测高光谱图像的像元确定为目标H1，否则认为待检测高光谱图像的像元是背景H0；
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例基于超像素联合稀疏表示的高光谱图像目标检测方法具体是按照以下步骤制备的：
实验所用数据是AVIRIS传感器获得的美国圣地亚哥高光谱图像，数据包含224个光谱波段，波长范围为0.4～1.8μm，地面分辨率3.5m，灰度范围为0～10000，图像大小150×150。数据已经经过了大气、几何校正等预处理，并去除了低信噪比和水汽吸收波段，保留了126个波段。图2a为原始数据第4波段图像，图2b为基于张量光谱匹配滤波的高光谱图像目标检测结果图，图2c为高光谱图像光谱匹配滤波检测结果图，用来作为对比实验，图3为两种方法的接收机工作特性曲线。从图2b和图2c的检测结果图和图3所示的与之对应的接收机工作特性曲线可以看出：与对比试验相比，在虚警率为0.05时，现有联合稀疏表示方法检测概率为0.95，本发明超像素联合稀疏表示方法检测概率为0.98，在虚警率为0.1时，现有联合稀疏表示方法检测概率为0.97，本发明超像素联合稀疏表示方法检测概率为0.99，本发明方法能够在低虚警率的情况下达到更好的检测结果，本发明方法能够在低虚警率的情况下达到更好的检测结果，证明了本发明方法的有效性。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.基于超像素联合稀疏表示的高光谱图像目标检测方法，其特征在于：所述方法具体过程为：
步骤一：建立超像素约束下的目标和背景的信号联合稀疏表示模型；
步骤二：基于步骤一获得的模型，利用图像超像素分割方法将待检测高光谱图像进行分割，分割的结果作为空间约束的先验信息；
步骤三：利用获得的目标和背景样本建立目标字典At和背景字典Ab；
步骤四：利用步骤三得到的目标字典At和背景字典Ab、步骤二得到的空间约束的先验信息和待检测高光谱图像，分别求取关于目标字典和背景字典的稀疏表示系数
步骤五：基于步骤四得到的稀疏表示系数，分别计算待检测高光谱图像数据X与用背景字典Ab表示恢复的数据的误差rb(x)和待检测高光谱图像数据X与用目标字典At表示恢复的数据的误差rt(x)，依据误差的大小，判定待检测高光谱图像的像元是否为检测目标。
2.根据权利要求1所述基于超像素联合稀疏表示的高光谱图像目标检测方法，其特征在于：所述步骤一中建立超像素约束下的目标和背景的信号联合稀疏表示模型；具体过程为：
超像素约束下的目标H1和背景H0的信号联合稀疏表示模型为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mn>0</mn>
</msub>
<mo>:</mo>
<mi>x</mi>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mn>1</mn>
<mi>b</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mi>b</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mi>b</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mi>b</mi>
</msubsup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msubsup>
<mi>a</mi>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mi>b</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mi>b</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>a</mi>
<mn>1</mn>
<mi>b</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mi>b</mi>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>a</mi>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mi>b</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mi>b</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mi>b</mi>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>s</mi>
<msub>
<mi>N</mi>
<mi>b</mi>
</msub>
<mi>b</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>b</mi>
</msub>
<msup>
<mi>S</mi>
<mi>b</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>:</mo>
<mi>x</mi>
<mo>=</mo>
<msubsup>
<mi>a</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msubsup>
<mi>a</mi>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>s</mi>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
<mi>t</mi>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>a</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>a</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>a</mi>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mi>t</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mi>t</mi>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>s</mi>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
<mi>t</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>t</mi>
</msub>
<msup>
<mi>S</mi>
<mi>t</mi>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，x表示一个待检测的像素，Ab表示由背景样本组成的背景字典，Sb表示关于背景字典的稀疏系数矩阵，为关于背景字典第i个原子的权重，1≤i≤Nb，为背景字典中第i个原子，1≤i≤Nb，为关于目标字典第j个原子的权重，1≤j≤Nt，为目标字典中第j个原子，1≤j≤Nt，T为转置，At表示由目标样本组成的目标字典，St表示关于目标字典的稀疏系数矩阵，Nb和Nt分别表示背景字典和目标字典中的原子数，取值为正整数。
3.根据权利要求2所述基于超像素联合稀疏表示的高光谱图像目标检测方法，其特征在于：所述步骤三中利用获得的目标和背景样本建立目标字典和背景字典；具体过程为：
(1)从待检测高光谱图像中利用真值图先验信息获取目标样本，并通过目标样本组成目标字典At；
(2)从待检测高光谱图像中利用真值图先验信息获取背景样本，并通过背景样本组成背景字典Ab。
4.根据权利要求3所述基于超像素联合稀疏表示的高光谱图像目标检测方法，其特征在于：所述步骤四中利用步骤三得到的目标字典At和背景字典Ab、步骤二得到的空间约束的先验信息和待检测高光谱图像，分别求取关于目标字典和背景字典的稀疏表示系数具体过程为：
步骤四一：将步骤三得到的目标字典At和背景字典Ab、步骤二得到的空间约束的先验信息及待检测高光谱图像作为SOMP算法的输入；
所述SOMP算法为同步OMP算法，OMP为正交匹配追踪；
步骤四二：确定SOMP算法的稀疏度L的大小，L＜＜Nb+Nt；
步骤四三：利用SOMP算法求出SOMP算法的输出，SOMP算法的输出为过程为：
min imize||S||row,0
subject to||AS-X||F≤σ
或
min imize||AS-X||F
subject to||S||row,0≤K0
式中，||S||row,0表示稀疏系数矩阵S中非零列的数目，σ表示容错误差，K0表示稀疏度上边界，A为目标字典At和背景字典Ab的级联，X为待检测图像超像素中所有像素形成的矩阵，||·||F为Frobenius范数，minimize为把||S||row,0减至最低数量，subjectto为使服从，稀疏系数矩阵S包括Sb和St，SOMP算法求出的包括和表示利用SOMP算法求得的关于目标字典的稀疏系数，表示利用SOMP算法求得的关于背景字典的稀疏系数。
5.根据权利要求4所述基于超像素联合稀疏表示的高光谱图像目标检测方法，其特征在于：所述步骤五中基于步骤四得到的稀疏表示系数，分别计算待检测高光谱图像数据X与用背景字典Ab表示恢复的数据的误差rb(x)和待检测高光谱图像数据X与用目标字典At表示恢复的数据的误差rt(x)，依据误差的大小，判定待检测高光谱图像的像元是否为检测目标；具体过程为：
步骤五一：计算待检测高光谱图像数据X与用背景字典Ab表示恢复的数据的误差
步骤五二：计算待检测高光谱图像数据X与用目标字典At表示恢复的数据的误差
步骤五三：通过信号稀疏表示检测理论中的残差检验模型得到超像素联合稀疏表示下的检测模型，计算得到检测结果；
超像素联合稀疏表示下的检测模型如下：
其中，D(x)表示待检测高光谱图像中像元的检测结果，rb(x)和rt(x)分别表示用背景字典表示的误差和用目标字典表示的误差，||·||F表示Frobenius范数，η表示设定的阈值；
如果D(x)＞η，则将待检测高光谱图像的像元确定为目标H1，否则认为待检测高光谱图像的像元是背景H0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710374788.6A CN107194936B (zh) | 2017-05-24 | 2017-05-24 | 基于超像素联合稀疏表示的高光谱图像目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710374788.6A CN107194936B (zh) | 2017-05-24 | 2017-05-24 | 基于超像素联合稀疏表示的高光谱图像目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107194936A true CN107194936A (zh) | 2017-09-22 |
| CN107194936B CN107194936B (zh) | 2021-02-02 |
Family
ID=59874518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710374788.6A Active CN107194936B (zh) | 2017-05-24 | 2017-05-24 | 基于超像素联合稀疏表示的高光谱图像目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194936B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059613A (zh) * | 2019-04-16 | 2019-07-26 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
| CN110580463A (zh) * | 2019-08-30 | 2019-12-17 | 武汉大学 | 单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法 |
| CN110781832A (zh) * | 2019-10-28 | 2020-02-11 | 大庆师范学院 | 基于联合深度置信网络的高光谱图像异常目标检测方法 |
| CN111833353A (zh) * | 2020-07-16 | 2020-10-27 | 四川九洲电器集团有限责任公司 | 一种基于图像分割的高光谱目标检测方法 |
| CN111899226A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学（武汉） | 一种基于多任务稀疏学习的高光谱影像目标先验优化方法 |
| CN112949422A (zh) * | 2021-04-30 | 2021-06-11 | 西北工业大学 | 一种基于自监督光谱匹配框架的高光谱目标检测方法 |
| CN114529769A (zh) * | 2022-02-21 | 2022-05-24 | 哈尔滨工业大学 | 一种面向大场景遥感图像分类的可分离多模联合表示方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103391438A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种高光谱图像压缩编码方法及装置 |
| CN104036289A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 |
| CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
| CN106384354A (zh) * | 2016-09-14 | 2017-02-08 | 哈尔滨工业大学 | 基于slic算法的超像素分割方法 |
| CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
| CN106529508A (zh) * | 2016-12-07 | 2017-03-22 | 西安电子科技大学 | 基于局部和非局部多特征语义高光谱图像分类方法 |
-
2017
- 2017-05-24 CN CN201710374788.6A patent/CN107194936B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103391438A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种高光谱图像压缩编码方法及装置 |
| CN104123555A (zh) * | 2014-02-24 | 2014-10-29 | 西安电子科技大学 | 一种基于稀疏表示和超像素的极化sar地物分类方法 |
| CN104036289A (zh) * | 2014-06-05 | 2014-09-10 | 哈尔滨工程大学 | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 |
| CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
| CN106384354A (zh) * | 2016-09-14 | 2017-02-08 | 哈尔滨工业大学 | 基于slic算法的超像素分割方法 |
| CN106529508A (zh) * | 2016-12-07 | 2017-03-22 | 西安电子科技大学 | 基于局部和非局部多特征语义高光谱图像分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIAYI LI等: ""Efficient superpixel-Level Multitask Joint Sparse Representation for Hyperspectral Image Classification"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| 闫和鑫: ""基于多尺度超像素和字典学习的图像显著性检测"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 闫永帅: "基于稀疏表示的高光谱遥感图像分类", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059613A (zh) * | 2019-04-16 | 2019-07-26 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
| CN110059613B (zh) * | 2019-04-16 | 2021-08-10 | 东南大学 | 一种基于稀疏表示的视频图像烟火分离与检测方法 |
| CN110580463A (zh) * | 2019-08-30 | 2019-12-17 | 武汉大学 | 单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法 |
| CN110781832A (zh) * | 2019-10-28 | 2020-02-11 | 大庆师范学院 | 基于联合深度置信网络的高光谱图像异常目标检测方法 |
| CN111899226A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学（武汉） | 一种基于多任务稀疏学习的高光谱影像目标先验优化方法 |
| CN111899226B (zh) * | 2020-07-02 | 2022-06-21 | 中国地质大学（武汉） | 一种基于多任务稀疏学习的高光谱影像目标先验优化方法 |
| CN111833353A (zh) * | 2020-07-16 | 2020-10-27 | 四川九洲电器集团有限责任公司 | 一种基于图像分割的高光谱目标检测方法 |
| CN112949422A (zh) * | 2021-04-30 | 2021-06-11 | 西北工业大学 | 一种基于自监督光谱匹配框架的高光谱目标检测方法 |
| CN112949422B (zh) * | 2021-04-30 | 2024-06-04 | 西北工业大学 | 一种基于自监督光谱匹配框架的高光谱目标检测方法 |
| CN114529769A (zh) * | 2022-02-21 | 2022-05-24 | 哈尔滨工业大学 | 一种面向大场景遥感图像分类的可分离多模联合表示方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107194936B (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN100547438C (zh) | 一种油气勘探方法及系统 | |
| 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 | |
| CN105913448B (zh) | 基于张量匹配子空间的高光谱图像目标检测方法 | |
| CN107798294A (zh) | 检测森林斑块变化的方法和装置 | |
| 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 | |
| Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
| Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data | |
| Omari et al. | Retrieval of forest canopy parameters by inversion of the PROFLAIR leaf-canopy reflectance model using the LUT approach | |
| Zhou et al. | Tree crown detection in high resolution optical and LiDAR images of tropical forest | |
| CN107239768A (zh) | 一种基于张量主成分分析降维的高光谱图像目标检测方法 | |
| Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
| CN114386497A (zh) | 面向铀成矿构造的航空高光谱和伽玛能谱数据融合方法 | |
| CN107316009A (zh) | 基于张量线性判别分析降维的高光谱图像目标检测方法 | |
| Zhao et al. | Hyperspectral target detection method based on nonlocal self-similarity and rank-1 tensor | |
| Zhang et al. | A novel multitemporal cloud and cloud shadow detection method using the integrated cloud Z-scores model | |
| Meng et al. | Improving the spatial resolution of hyperspectral image using panchromatic and multispectral images: An integrated method | |
| Zhu et al. | Reducing mis-registration and shadow effects on change detection in wetlands | |
| 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 | |
| CN112257531A (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
| CN111460943A (zh) | 一种遥感影像地物分类方法及系统 | |
| CN106503754B (zh) | 基于空谱特征保持全局几何结构的多时相高光谱图像分类方法 | |
| CN109190506A (zh) | 一种基于核稀疏和空间约束的高光谱目标检测方法 | |
| CN105761273A (zh) | 一种基于图构造的高光谱遥感影像异常目标探测方法 | |
| Vafadar et al. | Hyperspectral anomaly detection using Modified Principal component analysis reconstruction error |
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 |