CN107977619B - 一种基于集成学习约束能量最小化的高光谱目标检测方法 - Google Patents
一种基于集成学习约束能量最小化的高光谱目标检测方法 Download PDFInfo
- Publication number
- CN107977619B CN107977619B CN201711215419.9A CN201711215419A CN107977619B CN 107977619 B CN107977619 B CN 107977619B CN 201711215419 A CN201711215419 A CN 201711215419A CN 107977619 B CN107977619 B CN 107977619B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- data set
- hyperspectral
- cem
- pixel
- 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
Links
Images
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
- 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
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于集成学习约束能量最小化的高光谱目标检测方法,它有五大步骤:步骤一:计算机读取数据;步骤二:数据集拓展;步骤三:随机取样得到多个检测器;步骤四:计算计算像元向量与感兴趣目标的夹角;步骤五:将所得分布情况进行软投票。本发明克服了现有技术的不足,很好地解决了高光谱图像目标检测问题,取得了较好的检测结果,因而此方法可以应用在高光谱图像目标检测中,具有广阔的应用前景和价值。
Description
(一)技术领域:
本发明涉及一种基于集成学习约束能量最小化的高光谱目标检测方法,属于高光谱遥感图像目标检测技术领域。
(二)背景技术:
高光谱遥感图像不仅包含了物体的空间信息,而且还包含了物体的光谱信息,其中的每个像素都包含一个近似连续的光谱曲线。高光谱图像中同一波段的所有像素可以形成二维图像,每个像素也包含一条光谱曲线,因此高光谱图像数据可视为三维数据,包含丰富的光谱信息。高光谱图像光谱分辨率较高,可以通过光谱特性区分不同地物的材质,可以解决许多原来利用全色图像、多光谱图像不能解决的问题,例如识别军事伪装,地下工事,进行资源探测,环境监测等,因此高光谱图像目标检测在军事和民用方面都有重要的应用价值。
高光谱图像目标检测已有的算法有光谱角度匹配(spectral angle mapper,SAM)算法,光谱信息散度(spectral information divergence,SID)算法,约束能量最小化(constrained energy minimization,CEM)算法,匹配滤波器(matched filter,MF),自适应一致性/余弦估计器(adaptive coherence/cosine estimator,ACE)。
现有的算法构造的检测器大多通过约束最小二乘法或基于高斯分布先验下的假设检验算法获得,得到的检测器大多数为线性算子(如CEM/MF)或二次算子(ACE)。然而,真实环境中捕获的高光谱数据通常受到成像噪声、大气湍流、光谱混合等效应的影响,通常表现出很强的非线性分布特性,在光谱空间中不满足高斯分布先验。这种情况下线性算子或二次算子通常难以获得满意的检测效果。虽然在高光谱目标检测领域有一些学者将高光谱数据点通过核方法(kernel trick)映射到高维或无穷维空间,已获得以上算法的非线性表达形式如核CEM(Kernel CEM)、核ACE(Kernel ACE)等,但核方法本身极易受到核函数参数选择而表现出性能不稳定的现象。从统计机器学习理论来讲,算法的表达能力和泛化能力是制约算法精度和稳定性的两个重要因素,对于传统算法如CEM、MF、ACE而言,其泛化能力较强而表达能力相对较弱,难以描述非线性分布下的光谱数据,而它们的核化形式则具有很强的表达能力和较弱的泛化性能。通常,设计高光谱目标算法的关键在于算法表达能力和泛化能力之间的权衡。
集成学习算法是机器学习中的一类重要方法,其思想在于采用多个弱决策器的集成来对其表达能力和泛化能力进行提升。集成学习中有两类重要思想,一类叫做Boosting,其作用在于保持弱决策器泛化性能不变的同时对其表达能力进行提升,典型算法为Adaboost算法;而另一类叫做Model Combination思想在于保证弱决策器较强表达能力的同时对其泛化性能进行提升,典型算法为Bagging。因此,我们容易想到的一个问题是,能够利用集成学习中的Model Combination的思想,对现有的高光谱目标检测算法进行改进,使其具有较强非线性光谱表达能力的同时提升其稳定性和鲁棒性。本发明针对上述情况,提出了一种集成学习约束能量最小化的高光谱目标检测方法(Ensemble-based-CEM,简称E-CEM)。
(三)发明内容:
1、目的:本发明的目的是提供一种集成学习约束能量最小化的高光谱目标检测方法,该方法利用集成学习和约束能量最小化的方法来进行高光谱遥感图像的目标检测。
2、技术方案:本发明是通过以下技术方案实现的:
本发明是一种基于集成学习约束能量最小化的高光谱目标检测方法。该方法的具体步骤如下:
步骤一:计算机读取数据。
步骤二:对数据集进行拓展,具体采用QCEM算法;
步骤三:从数据集有放回抽取N个样本,重复步骤二P次,得到M个含有N个训练样本的采样集,每个采样集训练得到一个CEM检测器,利用检测器得到感兴趣目标d的分布情况;
步骤四:计算数据集中各像元向量与感兴趣目标之间的夹角。
步骤五:利将所有CEM算子得出的感兴趣目标d在数据集中的分布情况进行软投票,以步骤四得到的夹角为权重,最终得到感兴趣目标d在整个数据集中的分布情况。
3、优点及功效:
本发明是一种基于集成学习约束能量最小化的高光谱目标检测方法。本发明的优点是:本发明通过集成学习和约束能量最小化的方法来完成高光谱目标检测。在约束能量最小化具有较强的光谱表达能力的基础上集成提升其稳定性和鲁棒性,通过两者的结合,高光谱目标检测的总体效果较好。
(四)附图说明:
图1本发明所述方法高光谱目标检测框图。
图2本发明方法及其他相关各算法在高光谱数据上的AUC值。
(五)具体实施方式:
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述:
本发明在MATLAB 2016a编程环境下实现。计算机读取了高光谱遥感图像数据后,首先进行数据集拓展,然后有放回抽取N个样本像元用来训练CEM检测器,重复T次得到T个检测器,并利用训练好的检测器判断感兴趣目标在数据集上的分布情况,以像元向量与目标向量的夹角为权重进行软投票得到最终的感兴趣目标在数据集中的分布情况,最终完成高光谱目标检测。
本发明的流程图如1所示,计算机配置采用Intel(R)Core(TM)i7-3770处理器,主频3.40GHz,内存32GB,该高光谱目标检测方法包括如下步骤:
步骤一:计算机读取数据。使用计算机在MATLAB 2016a编程环境下读取AVIRIS高光谱图像,本发明使用的数据为Airborne Visible/Infrared Imaging Spectrometer(AVIRIS)高光谱图像进行目标检测,图像的场景是美国圣地亚哥(San Diego)的一个机场。AVIRIS采集的数据共有224个波段,波段范围是0.4~2.5μm。首先去除水汽吸收的波段和低信噪比波段,实际使用的数据共有189个波段,图像大小为200*200像素。记高光谱图像中的所有像元组成的矩阵S={r1,r2,...,rN},其中rj=(rj1,rj2,...,rjL)T为任一样本像元向量(j=1,2,...,N),N为像元的个数,L为图像的波段数。感兴趣目标为d=(d1,d2,...,dL)。
步骤二:对数据集进行拓展。采用QCEM算法;
为了获得比约束能量最小化(CEM)算法更强的非线性表达能力,我们这里采用改进算法QCEM。QCEM算法就是设计滤波器G=diag(g1,g2,...,gL)以及ω=(ω1,ω2,...,ωL)T。其中,滤波器可以看作矩阵,g1,g2,...,gL和ω1,ω2,...,ωL分别代表矩阵中的元素,T代表矩阵转置。
当输入为rj时,记yj为经过滤波器的输出:
G,ω可由下式求解:
其中,E{y2}为输出能量期望值,β(∥w∥2F+∥G∥2F)是一个正则化项用来减少滤波器的复杂度并提升其稳定性。
数据集中的像元向量拓展为:
感兴趣目标拓展为
波段数拓展为2L。
(2)式可以转化为:
求得:
步骤三:从数据集有放回抽取N个样本,重复步骤二P次,得到M个含有N个训练样本的采样集{D1,D2,...,DP},其中为任一采样集,为该采样集中任一像元向量(i=1,2,...,N),每一采样集Di可得到一个CEM算子,将CEM算子作用于数据集中的每个像元,将得到感兴趣目标d在数据集中的分布情况其中是hi在上的输出,最终所有CEM算子得出的感兴趣目标的分布情况可表示为{c1,c2,...,cN},其中
算法描述:
输入:数据集S={r1,r2,...,rN}其中ri=(ri1,ri2,...,riL)T;
感兴趣目标光谱d;
有放回抽取N个像元向量M;
训练轮数P;
过程:
步骤四:计算数据集中各像元向量与感兴趣目标d之间的夹角{θ1,θ2,...,θN},令αi=1-θi,得到{α1,α2,...,αN}。αi为夹角θ运算后的值,随像元与感兴趣目标的相似程度的改变而改变,若像元与感兴趣目标越相似,则两向量的夹角越小,αi越大,反之αi越小,故{α1,α2,...,αN}可作为软投票时的权重。
步骤五:将所有CEM算子得出的感兴趣目标在数据集中的分布情况{c1,c2,...,cN}进行软投票,以步骤四得到的夹角{α1,α2,...,αN}为权重,最终得到感兴趣目标d在整个数据集中的分布情况。
实验结果:为了验证本发明的有效性,我们使用该方法进行实验,取得了较好的高光谱目标检测效果。本发明实验所用数据为Airborne Visible/Infrared ImagingSpectrometer(AVIRIS)高光谱图像。最终在测试数据上得到的集成学习约束能量最小化的高光谱目标检测方法(E-CEM)的ROC曲线下的面积(Area Under the Curve,AUC)为0.9982,高光谱目标检测的效果较好(参见图2,及下表1)。
表1
从实验结果来看,本发明的方法很好地解决了可见高光谱目标检测问题,因而此方法可以应用在高光谱目标检测中,具有广阔的应用前景和价值。
Claims (1)
1.一种基于集成学习约束能量最小化的高光谱目标检测方法,其特征在于:该方法包括如下步骤:
步骤一:计算机读取数据;使用计算机在MATLAB 2016a编程环境下读取AVIRIS高光谱图像,使用的数据为AVIRIS高光谱图像进行目标检测,图像的场景是美国圣地亚哥的一个机场;AVIRIS采集的数据共有224个波段,波段范围是0.4~2.5μm;首先去除水汽吸收的波段和低信噪比波段,实际使用的数据共有189个波段,图像大小为200*200像素;记高光谱图像中的所有像元组成的矩阵S={r1,r2,...,rN},其中rj=(rj1,rj2,...,rjL)T为任一样本像元向量,j=1,2,...,N,N为像元的个数,L为图像的波段数;感兴趣目标为d=(d1,d2,...,dL);
步骤二:对数据集进行拓展;采用QCEM算法;
为了获得比约束能量最小化CEM算法更强的非线性表达能力,采用改进算法QCEM;QCEM算法就是设计滤波器G=diag(g1,g2,...,gL)以及ω=(ω1,ω2,...,ωL)T;其中,滤波器看作矩阵,g1,g2,...,gL和ω1,ω2,...,ωL分别代表矩阵中的元素,T代表矩阵转置;
当输入为rj时,记yj为经过滤波器的输出:
G,ω由下式求解:
其中,E{y2}为输出能量期望值,β(//w//2F+//G//2F)是一个正则化项用来减少滤波器的复杂度并提升其稳定性;
数据集中的像元向量拓展为:
感兴趣目标拓展为
波段数拓展为2L;
(2)式转化为:
求得:
步骤三:从数据集有放回抽取N个样本,重复步骤二P次,得到M个含有N个训练样本的采样集{D1,D2,...,DP},其中为任一采样集,为该采样集中任一像元向量,i=1,2,...,N,每一采样集Di得到一个CEM算子,将CEM算子作用于数据集中的每个像元,将得到感兴趣目标d在数据集中的分布情况其中是hi在上的输出,最终所有CEM算子得出的感兴趣目标的分布情况表示为{c1,c2,...,cN},其中
算法描述:
输入:数据集S={r1,r2,...,rN}其中ri=(ri1,ri2,...,riL)T;
感兴趣目标光谱d;
有放回抽取N个像元向量M;
训练轮数P;
过程:
5:end for
步骤四:计算数据集中各像元向量与感兴趣目标d之间的夹角{θ1,θ2,...,θN},令αi=1-θi,得到{α1,α2,...,αN};αi为夹角θ运算后的值,随像元与感兴趣目标的相似程度的改变而改变,若像元与感兴趣目标越相似,则两向量的夹角越小,αi越大,反之αi越小,故{α1,α2,...,αN}作为软投票时的权重;
步骤五:将所有CEM算子得出的感兴趣目标在数据集中的分布情况{c1,c2,...,cN}进行软投票,以步骤四得到的夹角{α1,α2,...,αN}为权重,最终得到感兴趣目标d在整个数据集中的分布情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711215419.9A CN107977619B (zh) | 2017-11-28 | 2017-11-28 | 一种基于集成学习约束能量最小化的高光谱目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711215419.9A CN107977619B (zh) | 2017-11-28 | 2017-11-28 | 一种基于集成学习约束能量最小化的高光谱目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977619A CN107977619A (zh) | 2018-05-01 |
CN107977619B true CN107977619B (zh) | 2021-02-23 |
Family
ID=62012175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711215419.9A Active CN107977619B (zh) | 2017-11-28 | 2017-11-28 | 一种基于集成学习约束能量最小化的高光谱目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977619B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401359A (zh) * | 2020-02-25 | 2020-07-10 | 北京三快在线科技有限公司 | 目标识别方法、装置、电子设备和存储介质 |
CN112733661B (zh) * | 2020-12-31 | 2023-08-18 | 西安电子科技大学 | 多示例能量约束最小化的高光谱目标描述与检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280111B2 (en) * | 2010-02-17 | 2012-10-02 | The Boeing Company | Advanced background estimation technique and circuit for a hyper-spectral target detection method |
CN102222221B (zh) * | 2011-07-01 | 2014-03-26 | 哈尔滨工程大学 | 基于多光谱图像滤波输出统计分布规律的目标检测方法 |
CN105760857B (zh) * | 2016-03-18 | 2019-04-26 | 武汉大学 | 一种高光谱遥感影像目标探测方法 |
-
2017
- 2017-11-28 CN CN201711215419.9A patent/CN107977619B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107977619A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Locality and structure regularized low rank representation for hyperspectral image classification | |
Zhao et al. | Hyperspectral anomaly detection via a sparsity score estimation framework | |
Wang et al. | Robust hyperspectral unmixing with correntropy-based metric | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN107609573B (zh) | 基于低秩分解和空谱约束的高光谱图像时变特征提取方法 | |
Chen et al. | Low-rank decomposition-based anomaly detection | |
Sun et al. | Nonlinear dimensionality reduction via the ENH-LTSA method for hyperspectral image classification | |
Ma et al. | Hyperspectral anomaly detection based on low-rank representation with data-driven projection and dictionary construction | |
He et al. | Spectral-spatial hyperspectral image classification via SVM and superpixel segmentation | |
CN107977619B (zh) | 一种基于集成学习约束能量最小化的高光谱目标检测方法 | |
CN114863173B (zh) | 一种面向土地资源审计的自互注意力高光谱图像分类方法 | |
Yuan et al. | ROBUST PCANet for hyperspectral image change detection | |
Liu et al. | Feature extraction for hyperspectral remote sensing image using weighted PCA-ICA | |
Li et al. | Variational Bayesian independent component analysis-support vector machine for remote sensing classification | |
Zhang et al. | Feature-band-based unsupervised hyperspectral underwater target detection near the coastline | |
Li et al. | Using improved ICA method for hyperspectral data classification | |
Kong et al. | Regularized multiple sparse Bayesian learning for hyperspectral target detection | |
Luo et al. | Wavelet-based extended morphological profile and deep autoencoder for hyperspectral image classification | |
Wang et al. | Multiple Spectral-Spatial Representation Based on Tensor Decomposition for HSI Anomaly Detection | |
CN105825512A (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 | |
Srivatsa et al. | Application of least square denoising to improve admm based hyperspectral image classification | |
Lian et al. | Low-rank constrained memory autoencoder for hyperspectral anomaly detection | |
CN102054273B (zh) | 基于单形体三角分解的高光谱遥感图像混合像元分解方法 | |
CN111899226B (zh) | 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 | |
Ghosh et al. | A combined framework for dimensionality reduction of hyperspectral images using feature selection and feature extraction |
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 |