CN107967694A - 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 - Google Patents
一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 Download PDFInfo
- Publication number
- CN107967694A CN107967694A CN201711408728.8A CN201711408728A CN107967694A CN 107967694 A CN107967694 A CN 107967694A CN 201711408728 A CN201711408728 A CN 201711408728A CN 107967694 A CN107967694 A CN 107967694A
- Authority
- CN
- China
- Prior art keywords
- abundance
- ground object
- target
- target ground
- hyperspectral image
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 230000003595 spectral effect Effects 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 30
- 238000002924 energy minimization method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 3
- 235000011613 Pinus brutia Nutrition 0.000 description 3
- 241000018646 Pinus brutia Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器，其包括计算目标地物的光谱特征d以及自相关矩阵R；计算出高光谱图像中每个像元ri所对应的丰度信息f(ri)；提取目标地物的空间特征ff(ri)，将所提取的ff(ri)反馈融合至高光谱图像的光谱特征中并更新；线性归一化处理所述丰度信息f(ri)并定义光谱自相关矩阵为R′；进行目标地物检测以获得目标地物丰度信息fc(ri)；进行二值化处理以获得待检测的目标地物。本发明在利用自相关矩阵对像元进行抑制的时候，能够降低异物同谱现象的影响，有助于目标地物的检测；同时将空间信息融入光谱特征中提高检测精度以解决现有技术中的问题。
Description
技术领域
本发明涉及基于约束的高光谱目标检测技术，具体的说是涉及一种基于反馈丰度约束的高光谱目标检测方法及系统、存储介质以及处理器。
背景技术
高光谱图像利用数十至数百个精细光谱波段对目标区域进行成像，可以同时获取地物丰富的光谱特征和空间特征，在环境监测、精准农业、军事安全等领域具有广泛的应用前景。作为高光谱技术的核心任务，高光谱目标检测是按照目标与地物在光谱特征方面存在的相似性标准进行检测。目前来说，按照背景和目标的已知情况与否，典型的目标检测算法包括正交子空间投影(OSP)方法、约束能量最小化(CEM)方法，TCIMF算法，RXD算法，KXD算法等。
CEM作为一种经典的目标探测方法，其优点在于只需要已知目标信息，通过对全部像元进行压制的方法抑制背景，从而强化感兴趣目标信息，目前应用广泛。但其缺点在于一方面对于已知目标特征比较敏感，对于“同谱异物”现象存在的时候，由于图像中存在与目标相近的地物，检测效果比较差，另一方面，在利用全部像元进行背景压制之时，导致了目标地物信号也被进行了一定程度的弱化，这种方式对于小目标的影响不大，但对大目标地物来说，检测效果会受到一定程度的影响，检测精度不高。
发明内容
鉴于已有技术存在的缺陷，本发明的目的是要提供一种基于反馈丰度约束的高光谱目标检测方法及系统、存储介质以及处理器，以解决现有技术中的问题。
为了实现上述目的，本发明的技术方案：
根据本发明实施例的一个方面，提供了一种基于反馈丰度约束的高光谱目标检测方法，其特征在于，包括如下步骤：
S1、计算目标地物的光谱特征d以及自相关矩阵R，其中所述光谱特征d是通过对高光谱图像的标签信息进行计算获得，所述自相关矩阵R是通过对高光谱图像的所有像元信息进行计算获得；
S2、根据光谱特征d以及自相关矩阵R的逆矩阵R-1，以约束能量最小化方法计算出高光谱图像中每个像元ri所对应的丰度信息f(ri)；
S3、提取目标地物的空间特征ff(ri)，将所提取的ff(ri)反馈融合至高光谱图像的光谱特征中并更新高光谱图像以及相应的目标地物的光谱特征，其中所述目标地物的空间特征ff(ri)通过高斯邻域算子与所述丰度信息f(ri)进行提取，更新后的高光谱图像为H′，对应的目标地物的光谱特征为d′；
S4、线性归一化处理所述丰度信息f(ri)，并定义基于丰度约束的高光谱图像 H′的光谱自相关矩阵为R′；
S5、根据目标地物的光谱特征d′以及光谱自相关矩阵为R′逆矩阵R′-1，以约束能量最小化方法对基于丰度约束的高光谱图像H′目标地物检测以获得目标地物丰度信息fc(ri)；
S6、以自适应阈值方法，对目标地物丰度信息fc(ri)进行二值化处理以获得待检测的目标地物。
基于上述方案，进一步地，
所述光谱特征d的计算公式为：
其中，Nm为高光谱图像数据的像元个数，Hm(i)为第i个像元对应的目标地物样本；
所述自相关矩阵R的计算公式为：
其中，RL×L为波段数目为L时的自相关矩阵。
基于上述方案，进一步地，
所述丰度信息f(ri)的计算公式为：
基于上述方案，进一步地，
目标地物的空间特征ff(ri)的计算公式为：
其中σ是高斯滤波的标准偏差，k是高斯滤波的过滤半径；
更新后的高光谱图像为H′为：
H′＝(b1,b2,...bl,ff(ri))T；
更新后的目标地物的光谱特征为d′：
d'＝[d,1]。
基于上述方案，进一步地，
线性归一化处理的计算公式为
m＝max(f(ri))
n＝min(f(ri))
光谱自相关矩阵为R′的计算公式为：
基于上述方案，进一步地，
利用约束能量最小化方法对高光谱图像H′进行目标地物检测的计算公式为：
基于上述方案，进一步地，
根据本发明实施例的另一个方面，提供了一种基于反馈丰度约束的高光谱目标检测系统，其特征在于，包括：
第一计算模块，其用于计算出目标地物的光谱特征d以及自相关矩阵R，其中所述光谱特征d是通过对高光谱图像的标签信息进行计算获得，所述自相关矩阵R是通过对高光谱图像的所有像元信息进行计算获得；
第二计算模块，其用于根据光谱特征d以及自相关矩阵R的逆矩阵R-1，以约束能量最小化方法计算出高光谱图像中每个像元ri所对应的丰度信息f(ri)；
第一提取模块，其用于提取出目标地物的空间特征ff(ri)，将所提取的ff(ri)反馈融合至高光谱图像的光谱特征中并更新高光谱图像以及相应的目标地物的光谱特征，其中所述目标地物的空间特征ff(ri)通过高斯邻域算子与所述丰度信息 f(ri)进行提取，更新后的高光谱图像为H′，对应的目标地物的光谱特征为d′；
第一处理模块，其用于线性归一化处理所述丰度信息f(ri)，并定义基于丰度约束的高光谱图像H′的光谱自相关矩阵为R′；
第二提取模块，其用于根据目标地物的光谱特征d′以及光谱自相关矩阵为R′逆矩阵R′-1，以约束能量最小化方法对基于丰度约束的高光谱图像H′目标地物检测以获得目标地物丰度信息fc(ri)；
第二处理模块，其用于以自适应阈值方法，对目标地物丰度信息fc(ri)进行二值化处理以获得待检测的目标地物。
基于上述方案，进一步地，
所述第一计算模块预存有光谱特征d计算公式以及自相关矩阵R计算公式：其中，
光谱特征d的计算公式为：
其中，Nm为高光谱图像数据的像元个数，Hm(i)为第i个像元对应的目标地物样本；
所述自相关矩阵R的计算公式为：
其中，RL×L为波段数目为L时的自相关矩阵。
基于上述方案，进一步地，
所述第二计算模块预存有丰度信息f(ri)计算公式，
丰度信息f(ri)的计算公式为：
基于上述方案，进一步地，
所述第一提取模块预存有目标地物的空间特征ff(ri)计算公式，目标地物的空间特征ff(ri)的计算公式为：
其中σ是高斯滤波的标准偏差，k是高斯滤波的过滤半径；
基于上述方案，进一步地，
所述第一处理模块预存有线性归一化处理计算公式以及光谱自相关矩阵计算公式，
线性归一化处理的计算公式为
m＝max(f(ri))
n＝min(f(ri))
光谱自相关矩阵为R′的计算公式为：
基于上述方案，进一步地，
第二提取模块预存有目标地物检测计算公式以利用约束能量最小化方法对高光谱图像H′进行目标地物检测
对应的计算公式为：
根据本发明实施例的另一个方面，提供了一种上述基于反馈丰度约束的高光谱目标检测方法的存储介质，其特征在于，包括：所述存储介质上保存有程序，所述程序被运行时执行上述方案所述的方法。
根据本发明实施例的另一个方面，提供了一种上述基于反馈丰度约束的高光谱目标检测方法的处理器，其载有计算程序，其特征在于，所述程序被运行时执行上述方案所述的方法。
与现有技术相比，本发明的有益效果：
本发明提供的一种基于反馈丰度约束的高光谱目标检测方案，首先通过利用约束能量最小化方法检测出目标地物的丰度值信息，然后利用每个像元检测出的丰度信息约束高光谱自相关矩阵，从而在利用自相关矩阵对像元进行抑制的时候，能够降低异物同谱现象的影响，有助于目标地物的检测；同时为了进一步提高检测效果，将空间信息融入光谱特征中提高检测精度。
附图说明
为了更清楚地说明本申请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地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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为本发明所述检测方法的步骤流程图；
图2为实施例中待检测的高光谱源图像；
图3为实施例中待检测的高光谱目标真实图像；
图4为实施例中的待检测目标的光谱签名曲线
图5为实施例中每种目标地物的CEM算法检测结果；
图6为实施例中每种目标地物提取到的空间特征结果图；
图7为实施例中每种目标地物的检测的丰度信息结果图；
图8为实施例中每种目标地物的检测结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种基于反馈丰度约束的高光谱目标检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
下面对本实施例中出现的一些名词进行说明或定义：
通常说来，高光谱图像数据H＝(b1,b2,...bl,ff(ri))T，bi为第i个波段的高光谱数据，像元为r＝(r1,r2,...rn)T，其中n是高光谱图像的像元数目，则高光谱图像数据的第 i个像元表示为ri(1<＝i<＝n)，ri＝(ri1,ri2,...riL)，其中L表示高光谱图像的波段数目， d＝(d1，d2，…，dL)T为待测地物目标的光谱特征，目标地物样本为Hm(i)，像元个数为 Nm。
本发明中的丰度约束是指通过反馈的丰度值信息对高光谱自相关矩阵进行约束以降低与检测目标光谱特征接近的地物的影响，提高检测效果；本发明中的融合是指考虑空间特征对于检测的作用，采用反馈叠加方式将空间特征与光谱特征进行融合，以提高大目标地物的检测精度。
根据现有技术存在的问题，本发明公开了一种基于反馈丰度约束的高光谱目标检测方法，
据本发明实施例的一个方面，提供了一种基于反馈丰度约束的高光谱目标检测方法，其特征在于，包括如下步骤：
S1、计算目标地物的光谱特征d以及自相关矩阵R，其中所述光谱特征d是通过对高光谱图像的标签信息进行计算获得，所述自相关矩阵R是通过对高光谱图像的所有像元信息ri(1<＝i<＝N)，进行计算获得；进一步地，S1具体包括：
首先根据高光谱真实图像的标签，利用光谱均值的方式进行待分类地物目标计算即所述光谱特征d的计算公式为：
其中，Nm为高光谱图像数据的像元个数，Hm(i)为第i个像元对应的目标地物样本；
其次为了利用自相关逆矩阵对非目标像元进行抑制，接着利用以下公式计算高光谱图像的样本光谱自相关矩阵R
高光谱图像的样本光谱自相关矩阵R的定义如下：
S2、根据光谱特征d以及自相关矩阵R的逆矩阵R-1，以约束能量最小化方法计算出高光谱图像中每个像元ri所对应的丰度信息f(ri)；进一步地，按照以下公式计算出高光谱图像的像元ri(1<＝i<＝N)中目标地物d的丰度信息为：
S3、提取目标地物的空间特征ff(ri)，将所提取的ff(ri)反馈融合至高光谱图像的光谱特征中并更新高光谱图像以及相应的目标地物的光谱特征，其中所述目标地物的空间特征ff(ri)通过高斯邻域算子与所述丰度信息f(ri)进行提取，更新后的高光谱图像为H′，对应的目标地物的光谱特征为d′；进一步地，为了提高检测的效果，除了利用光谱特征之外，本发明还利用了目标地物的空间特征信息，有助于较大目标地物的检测，具体为：首先利用高斯邻域算子与丰度信息f(ri)提取目标地物的空间特征ff(ri)，其计算公式为：
其中σ是高斯滤波的标准偏差，k是高斯滤波的过滤半径；
接着采用反馈融合的方式将ff(ri)作为空间特征反馈融合进H中，使待检测的高光谱图像波段数目变为L＝L+1。具体做法为：将ff(ri)作为波段信息叠加进待检测图像中(即将ff(ri)的信息作为一个波段增加为待检测高光谱图像的最后一个波段)，即新待检测的高光谱图像H′或者称为更新后的高光谱图像为H′为：
H′＝(b1,b2,...bl,ff(ri))T (5)
相应的目标地物的光谱特征需要增加一维，由于增加的空间特征为目标地物的空间特征，因此将增加的波段信息设为1，则更新后的目标地物的光谱特征为 d′：
d'＝[d,1] (6)
S4、线性归一化处理所述丰度信息f(ri)，并定义基于丰度约束的高光谱图像 H′的光谱自相关矩阵为R′；进一步地，为了定义约束的CEM算法，首先将所述丰度信息f(ri)进行线性归一化处理，具体的做法为按照以下公式计算f'(ri)：
m＝max(f(ri)) (7)
n＝min(f(ri)) (8)
其中，m为丰度信息的最大值，n为丰度信息的最小值，经过上式可以将f(ri) 的值归一化为[0,1]；
接着根据定义基于丰度约束的高光谱图像目标检测方法，利用f'(ri)信息约束高光谱图像H′的光谱自相关矩阵为R′，具体的计算公式为：
经过这种方式定义的自相关矩阵，对于和目标接近的异物同谱的像元有较大的抑制作用，从而降低了d的敏感性，提高了检测的精度；
S5、根据经约束的目标地物的光谱特征d′以及光谱自相关矩阵为R′逆矩阵 R′-1，以约束能量最小化方法对融合了空间特征的高光谱图像H′进行目标地物检测以获得目标地物丰度信息fc(ri)；进一步地，利用约束能量最小化方法对高光谱图像H′进行目标地物检测的计算公式为：
经过这种方式，一方面利用约束自相关约束矩阵有效的降低了相近目标之间的互相影响，提高检测精度；另一方面，通过融合空间信息进一步提高了目标的检测精度；
S6、以自适应阈值方法，对目标地物丰度信息fc(ri)进行二值化处理以获得待检测的目标地物。进一步地，利用自适应阈值方法，根据fc(ri)的灰度分布情况，自适应的找出阈值，接着根据阈值将目标和背景二值化即将检测结果分为目标和背景两部分，从而得到待检测的目标地物。
根据本发明实施例的另一个方面，提供了一种基于反馈丰度约束的高光谱目标检测系统，其特征在于，包括：
第一计算模块，其用于计算出目标地物的光谱特征d以及自相关矩阵R，其中所述光谱特征d是通过对高光谱图像的标签信息进行计算获得，所述自相关矩阵R是通过对高光谱图像的所有像元信息进行计算获得；
第二计算模块，其用于根据光谱特征d以及自相关矩阵R的逆矩阵R-1，以约束能量最小化方法计算出高光谱图像中每个像元ri所对应的丰度信息f(ri)；
第一提取模块，其用于提取出目标地物的空间特征ff(ri)，将所提取的ff(ri)反馈融合至高光谱图像的光谱特征中并更新高光谱图像以及相应的目标地物的光谱特征，其中所述目标地物的空间特征ff(ri)通过高斯邻域算子与所述丰度信息 f(ri)进行提取，更新后的高光谱图像为H′，对应的目标地物的光谱特征为d′；
第一处理模块，其用于线性归一化处理所述丰度信息f(ri)，并定义基于丰度约束的高光谱图像H′的光谱自相关矩阵为R′；
第二提取模块，其用于根据目标地物的光谱特征d′以及光谱自相关矩阵为R′逆矩阵R′-1，以约束能量最小化方法对基于丰度约束的高光谱图像H′目标地物检测以获得目标地物丰度信息fc(ri)；
第二处理模块，其用于以自适应阈值方法，对目标地物丰度信息fc(ri)进行二值化处理以获得待检测的目标地物。
进一步地，所述第一计算模块预存有光谱特征d计算公式以及自相关矩阵R 计算公式：其中，
光谱特征d的计算公式为：
其中，Nm为高光谱图像数据的像元个数，Hm(i)为第i个像元对应的目标地物样本；
所述自相关矩阵R的计算公式为：
其中，RL×L为波段数目为L时的自相关矩阵。
基于上述方案，进一步地，
所述第二计算模块预存有丰度信息f(ri)计算公式，
丰度信息f(ri)的计算公式为：
基于上述方案，进一步地，
所述第一提取模块预存有目标地物的空间特征ff(ri)计算公式，目标地物的空间特征ff(ri)的计算公式为：
其中σ是高斯滤波的标准偏差，k是高斯滤波的过滤半径；
基于上述方案，进一步地，
所述第一处理模块预存有线性归一化处理计算公式以及光谱自相关矩阵计算公式，
线性归一化处理的计算公式为
m＝max(f(ri))
n＝min(f(ri))
光谱自相关矩阵为R′的计算公式为：
基于上述方案，进一步地，
第二提取模块预存有目标地物检测计算公式以利用约束能量最小化方法对高光谱图像H′进行目标地物检测
对应的计算公式为：
下面以具体实例对本发明作以说明：
本实施例具体步骤如下：
A.样本数据来源：样本高光谱图像数据为美国印第安纳州Indian Purdue Pine实验区的高光谱数据，如图2所示。图像波段数目为220，分辨率为145×145，待检测目标地物种类为16种，每种地物的真实分布图如图3所示，每种地物的名称及像元数目如表1所示；
表1 Purdue图像类别名称及像元数目
B.对上述Indian Pine实验区的16类地物均按照公式(1)进行目标光谱的计算d。其中di(1≤i≤16)为第i类目标地物的光谱特征，具体的16类地物的光谱特征曲线如图4所示；
C.接着利用公式(2)计算高光谱图像的样本光谱自相关矩阵R；
D.利用公式(3)依次计算高光谱图像中di的丰度信息，具体的16种地物目标的丰度信息检测结果f(ri)如图5所示，其中按照自上而下、自左至右依次为 Purdue数据的1至16种目标地物的丰度信息示意图；
E.然后设置σ＝0.5,r＝5,利用公式(4)依次提取每种地物即di的空间信息，同时将ff(ri)的信息作为一个波段增加为图像的最后一个波段，并按照公式(5) 和(6)更新待检测的Purdue图像H′以及目标地物的光谱特征di'；具体的16种地物的空间信息ff(ri)如图6所示，其中按照自上而下、自左至右依次为Purdue数据的1至16种目标地物的空间特征提取图；从图中可以看出，相对于图4，Purdue 数据中代表目标地物的空间空间特征更清楚，因此再融合了空间特征的优势后，可以有效提高每种目标的检测效果；
F.按照公式(7)、(8)和(9)，分别计算每种地物丰度信息进行归一化处理为f'(ri)；
G.按照公式(10)定义Indian pine实验区的高光谱图像H′的光谱自相关矩阵为R′，此时R′的维度为221×221；
H.利用公式(11)依次对16种地物进行检测，计算出每种地物目标的丰度信息fc(ri)，具体的结果如图7所示，其中按照自上而下、自左至右依次为利用本次发明的约束检测算法之后，Purdue数据的1至16种目标地物的丰度信息示意图。通过约束的自相关逆矩阵降低了相似目标地物种类间的影响，提高了检测精度；
J.最后按照最大类间方差法自适应计算各地物类别阈值(level)值，具体阈值如表2所示，按照阈值的设定将Indian Pine实验区图像的每种地物的fc(ri) 信息分成背景和目标两部分，从而依次实现每种地物目标的检测，具体的检测结果图如图8所示，其中按照自上而下、自左至右依次为Purdue数据的1至16 种目标地物的检测结果示意图。
表2
实施例的实验结果分析：
本实施例利用的评价指标包括目标地物的检测精确率(Precision)，首先定义目标地物分类结果的混淆矩阵如表3所示，
表3 16种目标检测结果的混淆矩阵
其中Ci表示地物的类别，n的值为16，BKG表示背景类别，nij表示真实结果中类别为第j类的地物，而检测结果为i类地物的像元数目，接着按照以下公式计算每种地物目标的检测精确率
按照公式(12)计算的16种地物的检测结果如表4所示(Precision)。
表4 Purdue数据16中目标地物的检测精确率
| 类号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| CEM | 0.0568 | 0.2503 | 0.1399 | 0.0431 | 0.1669 | 0.1971 | 0.0063 | 0.5822 |
| 本发明方法 | 0.9756 | 0.8468 | 0.7358 | 0.9289 | 0.6220 | 0.9366 | 1.0 | 0.9423 |
| 类号 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |
| CEM | 0.0031 | 0.1860 | 0.3497 | 0.1789 | 0.2904 | 0.3140 | 0.0812 | 0.1643 |
| 本发明方法 | 1.0 | 0.8540 | 0.8024 | 0.8878 | 0.9439 | 0.6993 | 0.5410 | 0.9574 |
从该表的结果可以看出，本实施例提供的基于反馈丰度约束的高光谱目标检测方法对目标类别均具有较高的检测精度。
另外，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于反馈丰度约束的高光谱目标检测方法，其特征在于，包括如下步骤：
S1、计算目标地物的光谱特征d以及自相关矩阵R，其中所述光谱特征d是通过对高光谱图像的标签信息进行计算获得，所述自相关矩阵R是通过对高光谱图像的所有像元信息进行计算获得；
S2、根据光谱特征d以及自相关矩阵R的逆矩阵R-1，以约束能量最小化方法计算出高光谱图像中每个像元ri所对应的丰度信息f(ri)；
S3、提取目标地物的空间特征ff(ri)，将所提取的ff(ri)反馈融合至高光谱图像的光谱特征中并更新高光谱图像以及相应的目标地物的光谱特征，其中所述目标地物的空间特征ff(ri)通过高斯邻域算子与所述丰度信息f(ri)进行提取，更新后的高光谱图像为H′，对应的目标地物的光谱特征为d′；
S4、线性归一化处理所述丰度信息f(ri)，并定义基于丰度约束的高光谱图像H′的光谱自相关矩阵为R′；
S5、根据目标地物的光谱特征d′以及光谱自相关矩阵为R′逆矩阵R′-1，以约束能量最小化方法对基于丰度约束的高光谱图像H′进行目标地物检测以获得目标地物丰度信息fc(ri)；
S6、以自适应阈值方法，对目标地物丰度信息fc(ri)进行二值化处理以获得待检测的目标地物。
2.根据权利要求1所述的基于反馈丰度约束的高光谱目标检测方法，其特征在于：
所述光谱特征d的计算公式为：
<mrow>
<mi>d</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
</mfrac>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
</munderover>
<msub>
<mi>H</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中，Nm为高光谱图像数据的像元个数，Hm(i)为第i个像元对应的目标地物样本；
所述自相关矩阵R的计算公式为：
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>L</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>r</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
其中，RL×L为波段数目为L时的自相关矩阵。
3.根据权利要求1所述的基于反馈丰度约束的高光谱目标检测方法，其特征在于：
所述丰度信息f(ri)的计算公式为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>R</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>d</mi>
</mrow>
<mrow>
<msup>
<mi>d</mi>
<mi>T</mi>
</msup>
<msup>
<mi>R</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>d</mi>
</mrow>
</mfrac>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
4.根据权利要求3所述的基于反馈丰度约束的高光谱目标检测方法，其特征在于：
目标地物的空间特征ff(ri)的计算公式为：
<mrow>
<mi>f</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
其中σ是高斯滤波的标准偏差，k是高斯滤波的过滤半径；
更新后的高光谱图像为H′为：
H′＝(b1,b2,...bl,ff(ri))T；
更新后的目标地物的光谱特征为d′：
d'＝[d,1]。
5.根据权利要求1所述的基于反馈丰度约束的高光谱目标检测方法，其特征在于：
线性归一化处理的计算公式为
m＝max(f(ri))
n＝min(f(ri))
<mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mi>n</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
光谱自相关矩阵为R′的计算公式为：
<mrow>
<msub>
<msup>
<mi>R</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>L</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>&rsqb;</mo>
<mo>.</mo>
</mrow>
6.根据权利要求1所述的基于反馈丰度约束的高光谱目标检测方法，其特征在于：
利用约束能量最小化方法对高光谱图像H′进行目标地物检测的计算公式为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>R</mi>
<mrow>
<mo>&prime;</mo>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>d</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<msup>
<mi>d</mi>
<mrow>
<mo>&prime;</mo>
<mi>T</mi>
</mrow>
</msup>
<msup>
<mi>R</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>d</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</mfrac>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
7.一种基于反馈丰度约束的高光谱目标检测系统，其特征在于，包括：
第一计算模块，其用于计算出目标地物的光谱特征d以及自相关矩阵R，其中所述光谱特征d是通过对高光谱图像的标签信息进行计算获得，所述自相关矩阵R是通过对高光谱图像的所有像元信息进行计算获得；
第二计算模块，其用于根据光谱特征d以及自相关矩阵R的逆矩阵R-1，以约束能量最小化方法计算出高光谱图像中每个像元ri所对应的丰度信息f(ri)；
第一提取模块，其用于提取出目标地物的空间特征ff(ri)，将所提取的ff(ri)反馈融合至高光谱图像的光谱特征中并更新高光谱图像以及相应的目标地物的光谱特征，其中所述目标地物的空间特征ff(ri)通过高斯邻域算子与所述丰度信息f(ri)进行提取，更新后的高光谱图像为H′，对应的目标地物的光谱特征为d′；
第一处理模块，其用于线性归一化处理所述丰度信息f(ri)，并定义基于丰度约束的高光谱图像H′的光谱自相关矩阵为R′；
第二提取模块，其用于根据目标地物的光谱特征d′以及光谱自相关矩阵为R′逆矩阵R′-1，以约束能量最小化方法对基于丰度约束的高光谱图像H′进行目标地物检测以获得目标地物丰度信息fc(ri)；
第二处理模块，其用于以自适应阈值方法，对目标地物丰度信息fc(ri)进行二值化处理以获得待检测的目标地物。
8.一种存储介质，其特征在于，所述存储介质上保存有程序，所述程序被运行时执行权利要求1至6中任一项所述的方法。
9.一种处理器，其载有计算程序，其特征在于，所述程序被运行时执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711408728.8A CN107967694A (zh) | 2017-12-22 | 2017-12-22 | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711408728.8A CN107967694A (zh) | 2017-12-22 | 2017-12-22 | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107967694A true CN107967694A (zh) | 2018-04-27 |
Family
ID=61995845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711408728.8A Pending CN107967694A (zh) | 2017-12-22 | 2017-12-22 | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107967694A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492605A (zh) * | 2018-11-26 | 2019-03-19 | 湖南师范大学 | 一种基于目标光谱的高光谱图像探测方法及装置 |
| CN109509209A (zh) * | 2018-11-15 | 2019-03-22 | 上海卫星工程研究所 | 利用高光谱技术探测海空环境空中动目标的分析方法 |
| CN109840544A (zh) * | 2018-12-19 | 2019-06-04 | 嘉兴市恒创电力设备有限公司 | 一种高光谱图像多端元光谱混合分析方法及装置 |
| CN110033039A (zh) * | 2019-04-10 | 2019-07-19 | 大连海事大学 | 一种基于目标约束检测的高光谱实时分类方法 |
| CN110163221A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 在图像中进行物体检测的方法、装置、车辆、机器人 |
| CN110738171A (zh) * | 2019-10-15 | 2020-01-31 | 大连海事大学 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
| CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
| CN106650811A (zh) * | 2016-12-26 | 2017-05-10 | 大连海事大学 | 一种基于近邻协同增强的高光谱混合像元分类方法 |
-
2017
- 2017-12-22 CN CN201711408728.8A patent/CN107967694A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
| CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
| CN106650811A (zh) * | 2016-12-26 | 2017-05-10 | 大连海事大学 | 一种基于近邻协同增强的高光谱混合像元分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| MATHIEU FAUVEL等: "Advances in Spectral-Spatial Classification of Hyperspectral Images", 《PROCEEDINGS OF THE IEEE》 * |
| 张兵: "高光谱图像处理与信息提取前沿", 《遥感学报》 * |
| 李芳等: "基于自编码神经网络的Single-Pass聚类事件识别算法", 《北京化工大学学报（自然科学版）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509209A (zh) * | 2018-11-15 | 2019-03-22 | 上海卫星工程研究所 | 利用高光谱技术探测海空环境空中动目标的分析方法 |
| CN109509209B (zh) * | 2018-11-15 | 2023-08-15 | 上海卫星工程研究所 | 利用高光谱技术探测海空环境空中动目标的分析方法 |
| CN109492605A (zh) * | 2018-11-26 | 2019-03-19 | 湖南师范大学 | 一种基于目标光谱的高光谱图像探测方法及装置 |
| CN109840544A (zh) * | 2018-12-19 | 2019-06-04 | 嘉兴市恒创电力设备有限公司 | 一种高光谱图像多端元光谱混合分析方法及装置 |
| CN110033039A (zh) * | 2019-04-10 | 2019-07-19 | 大连海事大学 | 一种基于目标约束检测的高光谱实时分类方法 |
| CN110033039B (zh) * | 2019-04-10 | 2022-10-11 | 大连海事大学 | 一种基于目标约束检测的高光谱实时分类方法 |
| CN110163221A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 在图像中进行物体检测的方法、装置、车辆、机器人 |
| CN110163221B (zh) * | 2019-05-28 | 2022-12-09 | 腾讯科技（深圳）有限公司 | 在图像中进行物体检测的方法、装置、车辆、机器人 |
| CN110738171A (zh) * | 2019-10-15 | 2020-01-31 | 大连海事大学 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
| CN110738171B (zh) * | 2019-10-15 | 2023-05-05 | 大连海事大学 | 基于类特征迭代随机采样的高光谱图像谱空分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kang et al. | PCA-based edge-preserving features for hyperspectral image classification | |
| CN107967694A (zh) | 一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器 | |
| Kang et al. | Hyperspectral anomaly detection with attribute and edge-preserving filters | |
| Masias et al. | A review of source detection approaches in astronomical images | |
| Gao et al. | Discriminant saliency for visual recognition from cluttered scenes | |
| Kang et al. | Feature extraction of hyperspectral images with image fusion and recursive filtering | |
| Montazer et al. | An improved radial basis function neural network for object image retrieval | |
| CN108710907B (zh) | 手写体数据分类方法、模型训练方法、装置、设备及介质 | |
| Klein et al. | Salient pattern detection using W 2 on multivariate normal distributions | |
| Amin-Naji et al. | CNNs hard voting for multi-focus image fusion | |
| US11861669B2 (en) | System and method for textual analysis of images | |
| Bae et al. | Real-time face detection and recognition using hybrid-information extracted from face space and facial features | |
| Neelima et al. | Perceptual hash function based on scale-invariant feature transform and singular value decomposition | |
| Chawathe | Rice disease detection by image analysis | |
| Chodey et al. | Hybrid deep learning model for in-field pest detection on real-time field monitoring | |
| Zhao et al. | Automatic blur region segmentation approach using image matting | |
| Guan et al. | Fabric defect image segmentation based on the visual attention mechanism of the wavelet domain | |
| Kainat et al. | Blended Features Classification of Leaf‐Based Cucumber Disease Using Image Processing Techniques | |
| US20230147685A1 (en) | Generalized anomaly detection | |
| Bionda et al. | Deep autoencoders for anomaly detection in textured images using CW-SSIM | |
| Hazgui et al. | Evolutionary-based generation of rotation and scale invariant texture descriptors from SIFT keypoints | |
| Zaafouri et al. | A new method for expiration code detection and recognition using Gabor features based collaborative representation | |
| CN110827327A (zh) | 一种基于融合的长期目标跟踪方法 | |
| Huang et al. | A Novel Approach for Interest Point Detection via Laplacian‐of‐Bilateral Filter | |
| Siew et al. | Improved convolutional networks in forest species identification task |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180427 |