CN108764097A - 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 - Google Patents
一种基于分段稀疏表示的高光谱遥感图像目标识别方法 Download PDFInfo
- Publication number
- CN108764097A CN108764097A CN201810489307.0A CN201810489307A CN108764097A CN 108764097 A CN108764097 A CN 108764097A CN 201810489307 A CN201810489307 A CN 201810489307A CN 108764097 A CN108764097 A CN 108764097A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- target
- spectrum
- background
- segmentation
- 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
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分段稀疏表示的高光谱遥感图像目标识别方法。使用本发明能够在不同场景下均取得了不错的目标检测效果。本发明通过光谱分段,从局部特征的组合方式着手,充分强调并利用了更为稳定的局部光谱特征,提升了目标检测效果;利用稀疏表示和字典学习自适应性的特点,无需对目标和背景的分布做任何的假设,避免了过多先验假设和手工特征带来的建模的欠准确性。本发明采用局部特征匹配的特性使得少数波段受到污染不会严重影响全局的特征匹配结果,具有一定的抗波段污染的效果。
Description
技术领域
本发明涉及遥感图像处理和计算机视觉技术领域,具体涉及一种基于稀疏表示和字典学习的高光谱图像目标检测方法。
背景技术
目标检测与识别是计算机视觉的重要组成部分。高光谱遥感利用目标的空间信息和光谱信息,对场景中的地物进行精细识别,目前已在地质矿物探测、植被水体研究、大气科学、海洋科学、城市规划、农业、国防军事等领域得到了日益广泛的应用。目标检测关键在于利用目标和背景的先验知识,将目标从背景中检测出来。理论上,高光谱遥感图像包含了二维的地物空间分布信息以及一维的反射光谱信息,因此目标检测可以从空间维度与光谱维度两方面进行。目前而言,多数的高光谱遥感系统,其空间分辨率较低而光谱分辨率较高(<10nm),因此基于光谱信息的目标检测仍是当前阶段高光谱遥感目标检测的主流方法。
传统的高光谱遥感目标检测以统计理论和信号检测理论为基础,将待检测像元看作目标和背景的二元假设,在一定的先验分布假设下分别计算待检测像元属于目标分布或者背景分布的概率,并做似然比检验,如果似然比大于设定好的经验阈值,则认为待检测像元属于目标,反之则属于背景,认为目标不存在。匹配滤波(MF)是检测理论中最具有代表性的方法之一,自适应一致/余弦估计(ACE)便是应用匹配滤波的检测的一个特例。ACE基于零均值多元高斯分布的噪声假设,以及只包含单一光谱构成非结构化背景模型,而在实际中,由于光谱变异性、混合光谱等的作用,背景像元往往服从更为复杂的分布。针对这一问题,研究人员提出了结构化背景模型,即认为背景光谱是多种地物光谱的混合。正交子空间投影(OSP)是一种典型的基于结构化背景假设的目标检测方法。这一方法并未对噪声做过多的先验分布假设,并要求存在目标和背景端元先验光谱信息,实际操作中能够取得较好的背景抑制作用。包括OSP在内的一系列方法最大的限制在于背景先验光谱的获取,实际情况中背景复杂多变,人们难以详尽地收集欲抑制的背景光谱,因此这些方法难以在实际中得以应用。约束能量最小化(CEM)是一种基于二阶统计量的经典目标检测算法,该方法求得一种检测器,能够约束目标的输出能量并最小化背景的总输出能量,只需极少的先验假设,因而有一定的实用价值。无背景先验假设的特点使得CEM具有异常检测的特性,但同时也带来了易虚警、不易检测大目标的问题。
近年来随着机器学习技术的兴起,有关技术也被逐步应用在高光谱图像处理中。稀疏表示与字典学习作为其中的代表之一,在目标检测中取得了令人欣喜的结果。利用事先构建的目标字典及背景字典,将待检测像元进行稀疏重构,并利用重构残差判断其属于目标或是背景,是这类方法的核心所在。数据驱动和自适应的特点使基于稀疏表示的方法不需要显式的分布假设,因此具有很好的应用价值,STD(稀疏表示目标检测)、SRBBHD(稀疏表示二元假设检测)等均是典型的稀疏表示目标检测方法。然而,这些方法都直接利用原始光谱向量,并未充分挖掘光谱的特征。这使得它们对于光谱变异性、波段污染等常见干扰较为敏感。
总结当前高光谱目标检测的方法,它们取得了一定的成果,但仍存在一些不容忽视的问题。第一,传统的基于统计理论的方法往往要求较强的目标和背景的先验分布假设,但实际情况复杂多变难以对其做准确数学建模。影响光谱变化的因素很多,包括光照强度和角度、大气传输、物体本身的几何形状、表面材料物理性质变化等,模型往往对这些因素难以准确详尽的予以考虑。第二,传统的方法大多直接从原始光谱曲线出发,缺乏对更为鲁棒的光谱特征的挖掘。光谱变异性使得同一地物的光谱曲线呈现一定程度的波动,而现有的方法往往对于这样的波动较为敏感,归根到底在于原始光谱特征鲁棒性较差。第三,云层遮挡等常见现象对光谱造成污染,这导致现有方法性能严重下降。如果能够充分挖掘穿云波段的特征,利用穿云波段进行匹配识别,就有可能实现薄云遮挡下目标的识别。
针对当前目标检测算法对光谱变异性敏感,未充分挖掘光谱特征等问题,有必要设计一种更为鲁棒的目标检测识别方法,它能够自适应的挖掘目标和背景的特征,并进行特征匹配,完成目标的识别。
发明内容
有鉴于此,本发明提供了一种基于分段稀疏表示的高光谱遥感图像目标识别方法,由特征学习、特征提取和特征匹配三个过程组成,是一种具有较好通用性的目标检测算法,在不同场景下均取得了不错的目标检测效果。
本发明的基于分段稀疏表示的高光谱遥感图像目标识别方法,包括如下步骤:
步骤1,将高光谱遥感图像中的各像元划分为训练集和测试集;并对所有像元的光谱进行相同的分段处理,获得光谱子段;其中,各子段中包含的波段数目相同;
步骤2,分别构建目标字典和背景字典;其中,目标字典的原子数与光谱子段的个数为同一数量级,背景字典的原子数比目标字典的原子数大一个数量级;目标特征和背景特征的稀疏度相同,比目标字典的原子数小一个数量级;利用训练集中的目标像元的各光谱子段依次对目标字典进行训练,利用训练集中的背景像元的各光谱子段依次对背景字典进行训练;
步骤3,利用训练好的目标字典和背景字典,对测试集中像元的各光谱子段分别进行稀疏表示重构,分别得到本子段的目标稀疏特征向量和背景稀疏特征向量;将像元的所有光谱子段的稀疏特征向量组成该像元的稀疏特征矩阵;分别利用目标稀疏特征矩阵和背景稀疏特征矩阵对像元进行光谱重构,并计算重构残差;
步骤4,根据由背景稀疏特征矩阵得到的重构残差和由目标稀疏特征矩阵得到的重构残差,完成目标判别。
进一步的,采用留出法或交叉验证法将高光谱遥感图像中的各像元划分为训练集和测试集。
进一步的,所述步骤1分段时,光谱子段中波段数目不足时,删去该光谱子段。
进一步的,所述步骤2中,目标字典的原子数为大于所述光谱子段的个数与目标类别数的乘积的整数;背景字典的原子数为目标字典原子数的5~10倍;目标特征的稀疏度小于或等于3。
进一步的,目标字典和背景字典的原子数为2的整次幂。
进一步的,字典训练方法如下:
步骤2.1,初始化当前字典D为构建的字典;
步骤2.2,求取当前字典D的稀疏向量Γ;
步骤2.3,初始化残差集Xref为训练集光谱子段,初始化去冗余字典D0为空;
步骤2.4,在当前残差集Xref上求取当前字典D的最小二乘解D′;
步骤2.5,将D′分为保留部分D1和冗余部分D2;将D1加入去冗余字典D0中,更新去冗余字典D0;将D2初始化;
步骤2.6,在残差集Xref中减去更新后去冗余字典D0与当前稀疏向量Γ的乘积,更新残差集Xref;更新当前字典D为D2;
步骤2.7,判断D2是否为空,如果不是,则执行步骤2.4;若是,则更新字典D为D0;
步骤2.8,判断总重构误差是否小于设定的阈值,若不满足,则执行步骤2.2,若满足,则结束训练,最后获得的字典即为训练完成的字典。
进一步的,所述步骤4中,计算由背景稀疏特征矩阵得到的重构残差和由目标稀疏特征矩阵得到的重构残差的差值,若所述差值大于设定的阈值A,则判定该像元为目标像元。
进一步的,所述阈值A=0。
有益效果:
(1)本发明方法在目标检测的过程中,从局部特征的组合方式着手,充分强调并利用了更为稳定的局部光谱特征(如诊断性的吸收峰、反射峰、正向及负向斜坡等),提升了目标检测效果。在本发明中,待检测像元被表示为稀疏特征向量,稀疏向量非零元的分布情况代表了局部特征的组合情况。
一般而言,由于不同地物反射光谱均受到太阳光谱、大气传输、传感器未矫正误差等的影响,在整体变化趋势上存在某种共性,这种共性会导致类间可分性降低。而传统高光谱目标检测方法又往往从全局特征(即整条光谱曲线)出发,这使得较为微弱的类间差异(体现在局部特征)被掩盖。本发明通过光谱分段对局部特征进行学习和表示——类内差异表现为稀疏特征向量非零元大小的波动,而非零元位置的分布则相对稳定;在重构时,字典原子对类间差异十分敏感,微弱的类间差异即可造成稀疏特征向量非零元分布巨大的变化。因而本发明突出了目标和背景的微弱类间差异而弱化了目标像元的类内差异,增加了目标和背景的区分度,提升了目标检测结果的准确性和可信度。
(2)本发明中采用的目标检测方法未对目标和背景的分布做任何的假设,而利用稀疏表示和字典学习自适应性的特点,从训练和学习的角度对训练集中的信息进行有效挖掘,避免了过多先验假设和手工特征带来的建模的欠准确性。在不同检测场景下,字典学习算法可以自适应的学习不同地物的光谱特征,不需要根据应用背景重新建模,且不依赖于其他领域的专门知识,这一定程度上提高了在不同应用场景下的通用性。
(3)本发明在训练目标字典和背景字典的过程中,对二者的光谱特征进行了充分的学习和挖掘。在稀疏性和重构误差的共同约束下,字典趋向于物理意义明确且较为鲁棒的结果,学习到了光谱曲线中的典型局部特征。一方面,该特征对光谱变异性不敏感。例如,光谱变异性的典型表现是光谱曲线的某些连续波段出现幅度上的波动,而字典原子对信号幅度的波动较为鲁棒。另一方面,稀疏性约束带来了字典原子良好的可解释性,训练完成后的字典中包含了在目标或背景的典型局部特征,而稀疏特征向量则代表了局部特征的组合情况。鲁棒性好且物理意义明确的特性使得字典可迁移至类似场景而避免了反复的训练。
(4)本发明具有一定的抗波段污染的效果。局部特征匹配的特性使得少数波段受到污染不会严重影响全局的特征匹配结果。例如在云层遮挡下,部分波段受到污染而使反射率改变,而穿云波段的反射率则几乎不受影响。传统方法对于波段污染往往十分敏感,在云层干扰下检测器几乎失效,而本方法能够利用穿云波段的局部特征进行匹配,一定程度上突破了传统方法受云层干扰的限制,实现云下目标的检测与识别。
附图说明
图1为本发明的总体实施流程图。
图2为本发明字典学习算法的流程图。
图3为本发明特征提取与匹配的流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于稀疏表示和字典学习的高光谱目标检测方法,如图1所示,分为三个主要步骤,即特征学习、特征提取和特征匹配三个阶段。首先将光谱分段与稀疏表示和字典学习相结合,学习并构建了目标和背景光谱的局部特征字典,这包括下面的步骤一、步骤二。其次分别利用目标及背景局部特征字典对待检测像元进行稀疏特征提取,这包括下面的步骤三。最后利用上一步提取的稀疏特征,进行二者重构误差的比较,并设置指标进行检测结果的判决输出,这包括下面的步骤四。
步骤一、对高光谱遥感图像做常规的预处理,包括数据的重新排列、低信噪比波段去除、均值去除、光谱归一化等等。然后将预处理后的高光谱遥感图像的各像元组成的数据集划分为训练集和测试集,并对训练集和测试集中的像元做相同的光谱分段处理。其中,在划分训练集和测试集时,可采用留出法或交叉验证法。光谱的分段处理是指将每一像元的光谱曲线划分为多个长度相等的光谱子段,目的是有效地获取光谱的局部特征,抑制光谱变异性的干扰。
在分段时,每一个光谱子段内包含的波段数目不应太少,应能使得光谱的局部特征(吸收峰、反射峰等)不被破坏。光谱的连续波段往往具有强相关性,它们共同构成了较为鲁棒的诊断性特征,应被完整保留。另外,光谱子段内也不宜包含过多的波段,波段数增加会导致局部特征组合的复杂度增加,最终难以有效地提取局部特征。经实验测定,对于具有10nm光谱分辨率的数据,每个光谱分段包含的波段数(长度)为20时效果较为理想。当每个分段的长度确定了以后,分段个数也随之确定,即分段个数=总波段数/每个光谱子段波段数,长度不足的光谱子段可整体舍去。例如,224波段、10nm光谱分辨率的AVIRIS数据,可分为11个光谱子段,每个光谱子段的长度为20,由于最后一个光谱子段中只包含4个波段,故舍去该光谱子段。
步骤二、对于分段后的训练集,分别利用训练集中已知的目标像元以及背景像元光谱训练与之相应的目标字典及背景字典。
首先,根据训练样本的标签信息(标明了每个样本属于目标或者背景),将训练集分为目标训练子集和背景训练子集。
其次,设置字典学习的相关参数,这包括字典原子总数和稀疏度,这两个参数的设置与第一步光谱分段的情况有一定关联。字典本身相当于存储光谱局部特征的特征数据库,而原子总数相当于数据库的容量。一方面,如果目标或者背景的分布越复杂,就应该设置更多的字典原子数,以提供充足的存储空间来学习和存储光谱特征。另一方面,原子数也不应设置的过高,否则会导致字典中较多的冗余原子和噪声原子,导致稀疏特征向量的鲁棒性下降。另外,背景像元分布相较于目标像元分布往往更为复杂,因此背景字典原子总数应明显高于目标字典原子总数。对于稀疏度而言,最终字典学习的结果与之密切相关,如果特征向量较为稠密,即稀疏性约束较差,字典最终可能收敛到物理意义不明确的结果,如噪声矩阵。另外,稀疏度的设置也和字典原子总数相互制约,一般而言,稀疏性约束越强,相应的字典原子总数设置应该略高一些,反之亦然。
实际操作中,目标字典的原子数应与步骤一划分得到的光谱子段的个数为同一数量级,可设置为略大于分段数与目标类别数的乘积的整数;背景字典原子数可为目标原子数的5~10倍(约高一个量级)。另外,为了利于提高计算机运算效率,原子数尽量设置为2的整次幂为宜。而对于稀疏度,一般设置为目标和背景的稀疏度相同,比目标字典的原子数小一个数量级即可,可以设为小于或等于3的整数。例如,光谱子段个数为11,欲检测的目标为单一类别,背景为较为复杂的城市区域背景,则可设置目标字典原子总数为16,背景字典原子总数为128,稀疏度为3。
最后,分别在训练目标子集和训练背景子集上训练目标字典和背景字典。训练时,利用像元的各光谱子段依次对字典进行训练。图2为利用光谱子段进行字典学习的算法流程图。字典学习可以采用常规的迭代学习过程,每次迭代分为两个主要步骤,即交替更新稀疏向量和字典。前者是零范数约束下的线性回归问题,可通过正交匹配追踪(OMP)求取,OMP可以准确控制特征向量的稀疏度;后者则是最小二乘问题,存在闭式解。在固定稀疏向量更新字典的过程中,为了避免字典原子中的冗余和噪声,减轻背景子集中的类别不平衡问题,充分利用字典原子所提供的存储空间并增强特征的鲁棒性,本发明采用多步子迭代更新的方式更新字典,如图2所示右侧的虚框所示。
在字典更新的每次子迭代的过程中,首先,求得字典的最小二乘解。其次,检测字典中的冗余并剔除冗余原子。冗余原子的定义是,字典原子中的那些能够被除本身之外其余所有原子所稀疏表示的原子。去除冗余时,遍历所有字典原子,依次检测每一原子是否冗余,并进行剔除或保留的操作。剔除冗余后,对字典空余的位置重新进行随机初始化,用于下一轮迭代。再次,用本轮迭代中去冗余字典的训练集重构残差代替原始训练集。稀疏性约束也做相应的更新,即对于某一训练样本,用原始的稀疏度减去重构时消耗的稀疏度。最后,即可进行下一轮迭代,即在由残差构成的新训练集(残差集)上递归的训练初始化后的字典冗余部分,并递归的进一步去除冗余,直至字典中不存在冗余,递归结束。
具体的字典(包括目标字典和背景字典,做相同处理)训练过程描述如下:
步骤2.1,初始化当前字典D为构建的字典;
步骤2.2,求取当前字典D的稀疏向量Γ;
步骤2.3,初始化残差集Xref为训练目标子集/训练背景子集的光谱子段,初始化去冗余字典D0为空;
步骤2.4,在当前残差集Xref上求取当前字典D的最小二乘解D′;
步骤2.5,将D′分为保留部分D1和冗余部分D2;将D1加入去冗余字典D0中,更新去冗余字典D0;将D2初始化;
步骤2.6,在残差集Xref中减去更新后去冗余字典D0与当前稀疏向量Γ的乘积,更新残差集Xref;更新当前字典D为D2;
步骤2.7,判断D2是否为空,如果不是,则执行步骤2.4;若是,则更新字典D为D0;
步骤2.8,判断总重构误差是否小于设定的阈值,若不满足,则执行步骤2.2,若满足,则结束训练,最后获得的字典即为训练完成的字典。
上述字典学习过程相较传统的字典学习算法,能够减少字典的冗余,提高信号重构精度,最终改善特征提取的效果并增强目标检测的结果。
步骤三、利用训练好的目标字典和背景字典,对测试集中的光谱进行特征提取。
其中,测试集中的像元的光谱已经被分为多个光谱子段,利用训练好的两个局部特征字典(即目标字典和背景字典),对测试集中待检测像元光谱的每个光谱子段进行稀疏表示重构,分别得到本子段的稀疏特征向量。该特征向量的非零元位置对应了该光谱分段包含的局部特征,特征的具体情况通过查找局部特征字典即可获知,而非零元的大小代表了相应局部特征的强度。类似的,对每个光谱子段进行相同的处理,便可得到数目等同于分段数的一组稀疏特征向量,这组稀疏向量组成一个稀疏特征矩阵,代表了利用某局部特征字典对一条完整光谱曲线进行特征提取的结果。分别利用目标字典和背景字典,就可获得某待检测像元分别在两种不同字典上的稀疏特征矩阵,这两个稀疏特征矩阵将作为特征匹配的直接输入。
相较于传统特征提取方法,一方面,本发明中的稀疏特征矩阵形式简洁,稀疏性约束使得特征矩阵本质维度较低,数据量相对较少。另一方面,其物理意义十分明确,特征矩阵的行与局部特征形状、列与波段信息、非零元大小与局部特征强度都具有明确的对应关系。此外,非零元的位置对于光谱变异性不敏感,这对目标检测带来了直接的好处。
步骤四、利用稀疏特征矩阵进行待检测像元判决输出。步骤三、步骤四为特征提取与匹配的过程,流程图如图3所示。本发明中对于待检测像元的判决仍沿用稀疏表示模型应用在高光谱目标检测时基于重构残差的思路。将目标检测看作分别利用背景字典和目标字典对待检测像元进行重构的问题,即作如下二元假设:若待检测像元属于背景像元,则其光谱曲线应能够单独由背景字典和相应稀疏特征矩阵进行近似重构;反之,若待检测像元属于目标像元,则其光谱曲线应能够单独由目标字典和相应稀疏特征矩阵进行近似重构。这样,假设检验的过程就转化为比较分别利用目标字典和背景字典的重构误差的过程。如果将背景重构残差和目标重构残差分别记作rb(x)=||x-DbΓb||2与rt(x)=||x-DtΓt||2,那么基于分段稀疏表示的目标检测基本形式为y(x)=rb(x)-rt(x)。最后,对检测输出的结果进行阈值处理即得到最终的目标检测输出。
阈值的选取较为简单,一般设置为0即可满足要求。若y(x)>0,说明待检测像元单独利用背景字典的重构误差比单独利用目标字典的重构误差更大,即待检测像元的特征与目标的特征更为匹配,因而将其判定为目标像元。
自此,便完成了基于分段稀疏表示的高光谱遥感图像目标识别。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,包括如下步骤:
步骤1,将高光谱遥感图像中的各像元划分为训练集和测试集;并对所有像元的光谱进行相同的分段处理,获得光谱子段;其中,各子段中包含的波段数目相同;
步骤2,分别构建目标字典和背景字典;其中,目标字典的原子数与光谱子段的个数为同一数量级,背景字典的原子数比目标字典的原子数大一个数量级;目标特征和背景特征的稀疏度相同,比目标字典的原子数小一个数量级;利用训练集中的目标像元的各光谱子段依次对目标字典进行训练,利用训练集中的背景像元的各光谱子段依次对背景字典进行训练;
步骤3,利用训练好的目标字典和背景字典,对测试集中像元的各光谱子段分别进行稀疏表示重构,分别得到本子段的目标稀疏特征向量和背景稀疏特征向量;将像元的所有光谱子段的稀疏特征向量组成该像元的稀疏特征矩阵;分别利用目标稀疏特征矩阵和背景稀疏特征矩阵对像元进行光谱重构,并计算重构残差;
步骤4,根据由背景稀疏特征矩阵得到的重构残差和由目标稀疏特征矩阵得到的重构残差,完成目标判别。
2.如权利要求1所述的基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,采用留出法或交叉验证法将高光谱遥感图像中的各像元划分为训练集和测试集。
3.如权利要求1所述的基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,所述步骤1分段时,光谱子段中波段数目不足时,删去该光谱子段。
4.如权利要求1所述的基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,所述步骤2中,目标字典的原子数为大于所述光谱子段的个数与目标类别数的乘积的整数;背景字典的原子数为目标字典原子数的5~10倍;目标特征的稀疏度小于或等于3。
5.如权利要求1或4所述的基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,目标字典和背景字典的原子数为2的整次幂。
6.如权利要求1所述的基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,字典(目标字典和背景字典相同处理)训练方法如下:
步骤2.1,初始化当前字典D为构建的字典;
步骤2.2,求取当前字典D的稀疏向量Γ;
步骤2.3,初始化残差集Xref为训练集光谱子段,初始化去冗余字典D0为空;
步骤2.4,在当前残差集Xref上求取当前字典D的最小二乘解D′;
步骤2.5,将D′分为保留部分D1和冗余部分D2;将D1加入去冗余字典D0中,更新去冗余字典D0;将D2初始化;
步骤2.6,在残差集Xref中减去更新后去冗余字典D0与当前稀疏向量Γ的乘积,更新残差集Xref;更新当前字典D为D2;
步骤2.7,判断D2是否为空,如果不是,则执行步骤2.4;若是,则更新字典D为D0;
步骤2.8,判断总重构误差是否小于设定的阈值,若不满足,则执行步骤2.2,若满足,则结束训练,最后获得的字典即为训练完成的字典。
7.如权利要求1所述的基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,所述步骤4中,计算由背景稀疏特征矩阵得到的重构残差和由目标稀疏特征矩阵得到的重构残差的差值,若所述差值大于设定的阈值A,则判定该像元为目标像元。
8.如权利要求7所述的基于分段稀疏表示的高光谱遥感图像目标识别方法,其特征在于,所述阈值A=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489307.0A CN108764097B (zh) | 2018-05-21 | 2018-05-21 | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489307.0A CN108764097B (zh) | 2018-05-21 | 2018-05-21 | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764097A true CN108764097A (zh) | 2018-11-06 |
CN108764097B CN108764097B (zh) | 2021-07-20 |
Family
ID=64007327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810489307.0A Active CN108764097B (zh) | 2018-05-21 | 2018-05-21 | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764097B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175638A (zh) * | 2019-05-13 | 2019-08-27 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
CN112766223A (zh) * | 2021-01-29 | 2021-05-07 | 西安电子科技大学 | 基于样本挖掘与背景重构的高光谱图像目标检测方法 |
CN113076659A (zh) * | 2021-04-23 | 2021-07-06 | 南京理工大学 | 基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112587A1 (en) * | 2004-02-27 | 2009-04-30 | Dictaphone Corporation | System and method for generating a phrase pronunciation |
CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN107154020A (zh) * | 2017-05-02 | 2017-09-12 | 中国科学院空间应用工程与技术中心 | 一种基于Curvelet变换的影像融合方法及系统 |
CN107727638A (zh) * | 2017-11-02 | 2018-02-23 | 嘉兴镭光仪器科技有限公司 | 一种带谐振腔增强的激光拉曼光谱气体分析仪 |
-
2018
- 2018-05-21 CN CN201810489307.0A patent/CN108764097B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090112587A1 (en) * | 2004-02-27 | 2009-04-30 | Dictaphone Corporation | System and method for generating a phrase pronunciation |
CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
CN106886760A (zh) * | 2017-01-24 | 2017-06-23 | 北京理工大学 | 一种基于空谱信息结合的高光谱舰船检测方法 |
CN107154020A (zh) * | 2017-05-02 | 2017-09-12 | 中国科学院空间应用工程与技术中心 | 一种基于Curvelet变换的影像融合方法及系统 |
CN107727638A (zh) * | 2017-11-02 | 2018-02-23 | 嘉兴镭光仪器科技有限公司 | 一种带谐振腔增强的激光拉曼光谱气体分析仪 |
Non-Patent Citations (1)
Title |
---|
YUXIANG ZHANG ET AL.: "Independent Encoding Joint Sparse Representation and Multitask Learning for Hyperspectral Target Detection", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175638A (zh) * | 2019-05-13 | 2019-08-27 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
CN110175638B (zh) * | 2019-05-13 | 2021-04-30 | 北京中科锐景科技有限公司 | 一种扬尘源监测方法 |
CN112766223A (zh) * | 2021-01-29 | 2021-05-07 | 西安电子科技大学 | 基于样本挖掘与背景重构的高光谱图像目标检测方法 |
CN112766223B (zh) * | 2021-01-29 | 2023-01-06 | 西安电子科技大学 | 基于样本挖掘与背景重构的高光谱图像目标检测方法 |
CN113076659A (zh) * | 2021-04-23 | 2021-07-06 | 南京理工大学 | 基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108764097B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | SAR target recognition based on deep learning | |
Malmgren-Hansen et al. | Convolutional neural networks for SAR image segmentation | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN111160268A (zh) | 一种基于多任务学习的多角度sar目标识别方法 | |
CN108764097A (zh) | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 | |
CN112766223B (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
Chen et al. | Change detection algorithm for multi-temporal remote sensing images based on adaptive parameter estimation | |
Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
CN109871907B (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 | |
Dang et al. | Spectral-spatial attention transformer with dense connection for hyperspectral image classification | |
CN112818920B (zh) | 一种双时相高光谱图像空谱联合变化检测方法 | |
Kekre et al. | SAR image segmentation using vector quantization technique on entropy images | |
CN112784777A (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
Kazimi et al. | Detection of terrain structures in airborne laser scanning data using deep learning | |
CN110956221A (zh) | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 | |
Kuchkorov et al. | Perspectives of deep learning based satellite imagery analysis and efficient training of the U-Net architecture for land-use classification | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
Rajakani et al. | Adaptive Window Based 3-D Feature Selection for Multispectral Image Classification Using Firefly Algorithm. | |
CN109190506A (zh) | 一种基于核稀疏和空间约束的高光谱目标检测方法 | |
Liu et al. | Stack attention-pruning aggregates multiscale graph convolution networks for hyperspectral remote sensing image classification | |
Aghababaee et al. | Game theoretic classification of polarimetric SAR images | |
Wang et al. | Aerial unstructured road segmentation based on deep convolution neural network | |
Zhang et al. | Bipartite residual network for change detection in heterogeneous optical and radar images |
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 |