CN110378268A - 高光谱快速目标检测方法及系统 - Google Patents
高光谱快速目标检测方法及系统 Download PDFInfo
- Publication number
- CN110378268A CN110378268A CN201910618380.8A CN201910618380A CN110378268A CN 110378268 A CN110378268 A CN 110378268A CN 201910618380 A CN201910618380 A CN 201910618380A CN 110378268 A CN110378268 A CN 110378268A
- Authority
- CN
- China
- Prior art keywords
- spectral
- spectral coverage
- spectrum
- differential value
- target
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种高光谱快速目标检测方法,包括:对原始光谱数据进行预处理;获取上述原始光谱数据的多组背景光谱矢量;根据多组背景光谱的微分重排结果,综合挑选n个有效谱段,构成有效谱段集;根据构成的上述有效谱段集,提取高光谱数据形成n个小谱段集;计算得到上述小谱段集的光谱微分值;计算得到背景光谱微分值,并根据得到的小谱段集光谱微分值及背景光谱微分值,粗提取目标位置;根据粗提取的目标位置与背景光谱匹配,得到精确目标检测结果,完成高光谱快速目标检测。本发明还涉及一种高光谱快速目标检测系统。本发明能够在保证高精度、低虚警的同时,提升目标检测速度,智能化程度高,鲁棒性好。
Description
技术领域
本发明涉及一种高光谱快速目标检测方法及系统。
背景技术
高光谱技术具有图谱合一特性,可探测物体形貌特征及空间分布,还可获取辐射度及光谱信息,借助高光谱提供的精细反射率光谱信息及代表物体真实性的“指纹光谱”,可在自然背景中完成对目标的准确检测;在军事目标侦察探测、伪装隐身及民用环境监测、资源管理等领域都有着广泛的应用。如何高效快速地发现背景环境(如植被、沙漠、海洋、雪原)中的目标,已成为高光谱目标检测的一大热点与难点。
传统的高光谱目标检测方法有RX算法、正交子空间投影OSP算法、约束能量最小化CEM算法及自适应余弦估计探测器ACE算法等。传统的高光谱目标检测方法存在如下不足:随着工艺的进步,高光谱图像具有越来越精细的反射率光谱信息,导致相邻谱段相似性强、冗余性高,在处理较大尺寸高光谱图像时,上述算法无法满足实时性需求;传统高光谱目标检测算法大多需要已知目标的先验光谱信息,而目标光谱信息通常较难获取,且光照条件等因素也会影响先验目标光谱的准确性,因此,获取典型目标光谱信息在实际应用中较难实现。
发明内容
有鉴于此,有必要提供一种高光谱快速目标检测方法及系统。
本发明提供一种高光谱快速目标检测方法,该方法包括如下步骤:a.对原始光谱数据进行预处理,所述预处理主要包括大气辐射校正和几何校正,图像拼接和裁剪以及波段选择;b.获取上述原始光谱数据的背景光谱,得到多组背景光谱矢量;c.根据多组背景光谱的微分重排结果,综合挑选n个有效谱段,构成有效谱段集;d.根据构成的上述有效谱段集,提取高光谱数据形成n个小谱段集;e.计算得到上述小谱段集的光谱微分值;f.计算得到背景光谱微分值,并根据得到的小谱段集光谱微分值及背景光谱微分值,粗提取目标位置;g.根据粗提取的目标位置与背景光谱匹配,得到精确目标检测结果,完成高光谱快速目标检测。
其中,所述的步骤c具体包括:
对选取的多组背景点的光谱进行微分重排,截取每组重排后特征信息最少的1.2n个谱段,再从其中挑选各组出现次数最多的前n个谱段,即为有效谱段集。
所述的步骤d具体包括如下步骤:
依次读取有效谱段集中的谱段数,设包含谱段λi,则在经过预处理的原光谱数据集中提取λi及其后步长为st的t个谱段λi+1,λi+2,…,λi+t的空间维信息,t为微分阶数。
所述的步骤f具体包括:
计算背景光谱微分值,在n幅光谱微分值图像上减去背景光谱微分值并阈值化处理,阈值选取该空间维均值进行分割,初步滤除背景信息,再将n幅光谱微分值图像加权求和阈值化,从而获得一幅粗提取出目标位置的图像,图像上不为零的像素点即为疑似目标点。
所述的步骤g具体包括:
根据所述疑似目标点位置,在经过预处理的原始光谱数据中提取该点光谱信息与背景光谱进行光谱角匹配,通过不同阈值的选取,细化分辨粗提取出的目标间差异,得到精确目标检测结果。
本发明提供一种高光谱快速目标检测系统,该系统包括预处理模块、背景光谱获取模块、有效谱段集构成模块、小谱段集构成模块、微分值计算模块、粗提取模块以及目标检测模块,其中:所述预处理模块用于对原始光谱数据进行预处理,所述预处理主要包括大气辐射校正和几何校正,图像拼接和裁剪以及波段选择;所述背景光谱获取模块用于获取上述原始光谱数据的背景光谱,得到多组背景光谱矢量;所述有效谱段集构成模块用于根据多组背景光谱的微分重排结果,综合挑选n个有效谱段,构成有效谱段集;所述小谱段集构成模块用于根据构成的上述有效谱段集,提取高光谱数据形成n个小谱段集;所述微分值计算模块用于计算得到上述小谱段集的光谱微分值;所述粗提取模块用于计算得到背景光谱微分值,并根据得到的小谱段集光谱微分值及背景光谱微分值,粗提取目标位置;所述目标检测模块用于根据粗提取的目标位置与背景光谱匹配,得到精确目标检测结果,完成高光谱快速目标检测。
其中,所述的有效谱段集构成模块具体用于:
对选取的多组背景点的光谱进行微分重排,截取每组重排后特征信息最少的1.2n个谱段,再从其中挑选各组出现次数最多的前n个谱段,即为有效谱段集。
所述的小谱段集构成模块具体用于:
依次读取有效谱段集中的谱段数,设包含谱段λi,则在经过预处理的原光谱数据集中提取λi及其后步长为st的t个谱段λi+1,λi+2,…,λi+t的空间维信息,t为微分阶数。
所述的粗提取模块具体用于:
计算背景光谱微分值,在n幅光谱微分值图像上减去背景光谱微分值并阈值化处理,阈值选取该空间维均值进行分割,初步滤除背景信息,再将n幅光谱微分值图像加权求和阈值化,从而获得一幅粗提取出目标位置的图像,图像上不为零的像素点即为疑似目标点。
所述的目标检测模块具体用于:
根据所述疑似目标点位置,在经过预处理的原始光谱数据中提取该点光谱信息与背景光谱进行光谱角匹配,通过不同阈值的选取,细化分辨粗提取出的目标间差异,得到精确目标检测结果。
本发明能够在保证高精度、低虚警的同时,提升目标检测速度,采用由粗到精的检测策略,突破原有高光谱图像逐光谱维、逐像素点的处理模式,减少处理数据量及冗余信息,满足高速实时性的实际应用需求。通过将光谱微分重排与光谱角匹配相结合,仅提取少量特征谱段及少量像素点,便可处理谱段数较多、像素尺寸较大的高光谱数据,智能化程度高,鲁棒性更好。
附图说明
图1为本发明高光谱快速目标检测方法的流程图;
图2为本发明实施例光谱微分重排对比示意图;
图3为本发明实施例机场第10谱段图像及目标检测效果示意图;
图4为本发明高光谱快速目标检测系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示,是本发明高光谱快速目标检测方法较佳实施例的作业流程图。
步骤S1,对原始光谱数据进行预处理。具体而言:
所述预处理主要包括大气辐射校正和几何校正,图像拼接和裁剪以及波段选择等;所述波段选择包括去除“坏”波段,所述“坏”波段为信噪比较低的波段。
步骤S2,获取上述原始光谱数据的背景光谱,得到多组背景光谱矢量。具体而言:
人为选取背景像素位置或参考光谱数据库,获得背景光谱矢量,为避免选取误操作选到目标点,可同时选取多组背景点。
步骤S3,根据多组背景光谱的微分重排结果,综合挑选n个有效谱段,构成有效谱段集。具体而言:
对选取的多组背景点的光谱进行微分重排,截取每组重排后特征信息最少的1.2n个谱段,再从其中挑选各组出现次数最多的前n个谱段,即为有效谱段集。
进一步地,首先,对所述背景光谱数据进行光谱微分。光谱微分用于比较光谱维数据间差异,通过对反射率(或DN值)曲线进行相应的数学变换,实现将地物在某些波段上的特征适当放大,同时消除一些噪声因素的影响,可利用变换后特点更加明显的波段进行信息提取。从数学意义出发,光谱一阶微分表示的是光谱的变化率,二阶微分突出光谱的弯曲点,三阶微分则突出光谱轮廓的变化。假设一个光谱矢量s=[s(λ1),s(λ2),…,s(λl)],其中λ为波长、s(λi)是对应波长λi时的反射率,则一阶微分的定义为:
其中,Δλ是λi和λj两波段的谱段间隔,二阶、三阶光谱微分可由一阶微分导出,公式如下:
相邻谱段间隔为Δλ=λl-λk=λk–λj=λj-λi,λl>λk>λj>λi。从而对已知的背景光谱微分较好提取出背景的光谱特征。
接着,对背景光谱微分值进行重排。光谱重排旨在于区分在形状、反射率(DN值)和变化趋势等方面差异不大的地物光谱,根据背景光谱微分值的大小对谱段进行重新排列,参考图2,作为重排基谱的曲线呈现单调下降的趋势,而其他光谱微分曲线按基谱的顺序重排后出现明显特征,因此,可选取背景微分值为基谱,重排后获取背景特征信息较小的谱段集合。
步骤S4,根据构成的上述有效谱段集,提取高光谱数据形成n个小谱段集。具体而言:
依次读取有效谱段集中的谱段数,设包含谱段λi,则在经过预处理的原光谱数据集中提取λi及其后步长为st的t个谱段λi+1,λi+2,…,λi+t的空间维信息(t为微分阶数),以二阶微分为例,提取λi,λi+1,λi+2三个谱段形成一个小谱段集,由于有效谱段共包含n个谱段数,因此形成n个小谱段集。
步骤S5:计算得到上述小谱段集的光谱微分值。具体包括:
将每个小谱段集的各个像素点,带入二阶微分公式(2)进行求解,实际可简化为三幅不同谱段的图像加权相加减的过程,最终获得n幅光谱微分值图像。
步骤S6:计算得到背景光谱微分值,并根据得到的小谱段集光谱微分值及背景光谱微分值,粗提取目标位置。具体包括:
采用与步骤S5类似的方法,计算背景光谱微分值,在n幅光谱微分值图像上减去背景光谱微分值并阈值化处理,阈值选取该空间维均值进行分割,初步滤除背景信息,再将n幅光谱微分值图像加权求和阈值化,从而获得一幅粗提取出目标位置的图像,图像上不为零的像素点即为疑似目标点区域。
进一步地,本实施例计算各像素点及背景光谱在这些谱段的光谱微分值,获得被放大的背景与目标差异数据集;然后,减去背景光谱微分值并阈值化处理,滤除背景特征信息(即使背景点位置像素值为0),仅保留目标特征信息。再将各谱段微分值加权求和阈值化,采用迭代线性加权法合并,方法如下:
β为加权系数0<β<1,pi(x,y)为坐标(x,y)处,第i个谱段迭代加权后的粗检测结果,迭代加权的顺序根据选取的谱段所含背景特征信息由小到大谱段顺序依次迭代,从而得到进一步滤除背景、突出目标的粗检测结果hn;阈值化处理选加权求和后的图像数据均值为阈值进行分割。分割后不为0的像素点即为粗提取出的目标所在位置。
步骤S7:根据粗提取的目标位置与背景光谱匹配,得到精确目标检测结果,完成高光谱快速目标检测。具体包括:
找出粗检测结果中不为0的像素点位置,在经过预处理的原始光谱数据中提取该点光谱信息与背景光谱进行光谱角匹配,通过不同阈值的选取,细化分辨粗提取出的目标间差异,得到精确目标检测结果。以由AVIRIS传感器获取的美国圣地亚哥机场图像为例,其中共包含3架飞机,参考图3为其第10个谱段图像和经本发明处理后的结果。
进一步地,通过光谱角匹配法计算目标位置光谱与背景光谱的反余弦值。光谱角匹配法(Spectral Angle Mapper,SAM)通过计算光谱向量间夹角衡量两光谱的相似程度。设在l个谱段的高光谱图像中,已知背景光谱矢量为T=(t1,t2,…,tl)T,待识别像素的光谱矢量为R=(r1,r2,…,rl)T。则反余弦夹角可表示为:
上式可进一步写为:
两个光谱向量的夹角越小,匹配度越高,从而精细判定出该像素是否包含目标,实现快速高效的高光谱快速目标检测。
参阅图4所示,是本发明高光谱快速目标检测系统10的硬件架构图。该系统包括:预处理模块101、背景光谱获取模块102、有效谱段集构成模块103、小谱段集构成模块104、微分值计算模块105、粗提取模块106以及目标检测模块107。
所述预处理模块101用于对原始光谱数据进行预处理。具体而言:
所述预处理主要包括大气辐射校正和几何校正,图像拼接和裁剪以及波段选择等;所述波段选择包括去除“坏”波段,所述“坏”波段为信噪比较低的波段。
所述背景光谱获取模块102用于获取上述原始光谱数据的背景光谱,得到多组背景光谱矢量。具体而言:
人为选取背景像素位置或参考光谱数据库,获得背景光谱矢量,为避免选取误操作选到目标点,可同时选取多组背景点。
所述有效谱段集构成模块103用于根据多组背景光谱的微分重排结果,综合挑选n个有效谱段,构成有效谱段集。具体而言:
对选取的多组背景点的光谱进行微分重排,截取每组重排后特征信息最少的1.2n个谱段,再从其中挑选各组出现次数最多的前n个谱段,即为有效谱段集。
进一步地,首先,对所述背景光谱数据进行光谱微分。光谱微分用于比较光谱维数据间差异,通过对反射率(或DN值)曲线进行相应的数学变换,实现将地物在某些波段上的特征适当放大,同时消除一些噪声因素的影响,可利用变换后特点更加明显的波段进行信息提取。从数学意义出发,光谱一阶微分表示的是光谱的变化率,二阶微分突出光谱的弯曲点,三阶微分则突出光谱轮廓的变化。假设一个光谱矢量s=[s(λ1),s(λ2),…,s(λl)],其中λ为波长、s(λi)是对应波长λi时的反射率,则一阶微分的定义为:
其中,Δλ是λi和λj两波段的谱段间隔,二阶、三阶光谱微分可由一阶微分导出,公式如下:
相邻谱段间隔为Δλ=λl-λk=λk–λj=λj-λi,λl>λk>λj>λi。从而对已知的背景光谱微分较好提取出背景的光谱特征。
接着,对背景光谱微分值进行重排。光谱重排旨在于区分在形状、反射率(DN值)和变化趋势等方面差异不大的地物光谱,根据背景光谱微分值的大小对谱段进行重新排列,参考图2,作为重排基谱的曲线呈现单调下降的趋势,而其他光谱微分曲线按基谱的顺序重排后出现明显特征,因此,可选取背景微分值为基谱,重排后获取背景特征信息较小的谱段集合。
所述小谱段集构成模块104用于根据构成的上述有效谱段集,提取高光谱数据形成n个小谱段集。具体而言:
依次读取有效谱段集中的谱段数,设包含谱段λi,则在经过预处理的原光谱数据集中提取λi及其后步长为st的t个谱段λi+1,λi+2,…,λi+t的空间维信息(t为微分阶数),以二阶微分为例,提取λi,λi+1,λi+2三个谱段形成一个小谱段集,由于有效谱段共包含n个谱段数,因此形成n个小谱段集。
所述微分值计算模块105用于计算得到上述小谱段集的光谱微分值。具体包括:
将每个小谱段集的各个像素点,带入二阶微分公式(2)进行求解,实际可简化为三幅不同谱段的图像加权相加减的过程,最终获得n幅光谱微分值图像。
所述粗提取模块106用于计算得到背景光谱微分值,并根据得到的小谱段集光谱微分值及背景光谱微分值,粗提取目标位置。具体包括:
与所述微分值计算模块105类似,所述粗提取模块106计算背景光谱微分值,在n幅光谱微分值图像上减去背景光谱微分值并阈值化处理,阈值选取该空间维均值进行分割,初步滤除背景信息,再将n幅光谱微分值图像加权求和阈值化,从而获得一幅粗提取出目标位置的图像,图像上不为零的像素点即为疑似目标点区域。
进一步地,本实施例所述粗提取模块106计算各像素点及背景光谱在这些谱段的光谱微分值,获得被放大的背景与目标差异数据集;然后,减去背景光谱微分值并阈值化处理,滤除背景特征信息(即使背景点位置像素值为0),仅保留目标特征信息。再将各谱段微分值加权求和阈值化,采用迭代线性加权法合并,公式如下:
β为加权系数0<β<1,pi(x,y)为坐标(x,y)处,第i个谱段迭代加权后的粗检测结果,迭代加权的顺序根据选取的谱段所含背景特征信息由小到大谱段顺序依次迭代,从而得到进一步滤除背景、突出目标的粗检测结果hn;阈值化处理选加权求和后的图像数据均值为阈值进行分割。分割后不为0的像素点即为粗提取出的目标所在位置。
所述目标检测模块107用于根据粗提取的目标位置与背景光谱匹配,得到精确目标检测结果,完成高光谱快速目标检测。具体包括:
找出粗检测结果中不为0的像素点位置,在经过预处理的原始光谱数据中提取该点光谱信息与背景光谱进行光谱角匹配,通过不同阈值的选取,细化分辨粗提取出的目标间差异,得到精确目标检测结果。以由AVIRIS传感器获取的美国圣地亚哥机场图像为例,其中共包含3架飞机,参考图3为其第10个谱段图像和经本发明处理后的结果。
进一步地,通过光谱角匹配法计算目标位置光谱与背景光谱的反余弦值。光谱角匹配法(Spectral Angle Mapper,SAM)通过计算光谱向量间夹角衡量两光谱的相似程度。设在l个谱段的高光谱图像中,已知背景光谱矢量为T=(t1,t2,…,tl)T,待识别像素的光谱矢量为R=(r1,r2,…,rl)T。则反余弦夹角可表示为:
上式可进一步写为:
两个光谱向量的夹角越小,匹配度越高,从而精细判定出该像素是否包含目标,实现快速高效的高光谱快速目标检测。
本发明提供了一种光谱微分重排与光谱角匹配相结合的方法实现高光谱快速目标检测:通过对原始光谱数据预处理并获取背景光谱信息;利用光谱微分重排获取有效谱段集,计算有效谱段对应的各像素点的光谱微分值,比较与背景点的差异,获取差异较大区域即为目标所在区域;最后通过光谱角匹配法计算提取出的目标位置光谱与先验背景光谱的反余弦值,实现目标背景差异精细判别。
虽然本发明参照当前的较佳实施方式进行了描述,但本领域的技术人员应能理解,上述较佳实施方式仅用来说明本发明,并非用来限定本发明的保护范围,任何在本发明的精神和原则范围之内,所做的任何修饰、等效替换、改进等,均应包含在本发明的权利保护范围之内。
Claims (10)
1.一种高光谱快速目标检测方法,其特征在于,该方法包括如下步骤:
a.对原始光谱数据进行预处理,所述预处理主要包括大气辐射校正和几何校正,图像拼接和裁剪以及波段选择;
b.获取上述原始光谱数据的背景光谱,得到多组背景光谱矢量;
c.根据多组背景光谱的微分重排结果,综合挑选n个有效谱段,构成有效谱段集;
d.根据构成的上述有效谱段集,提取高光谱数据形成n个小谱段集;
e.计算得到上述小谱段集的光谱微分值;
f.计算得到背景光谱微分值,并根据得到的小谱段集光谱微分值及背景光谱微分值,粗提取目标位置;
g.根据粗提取的目标位置与背景光谱匹配,得到精确目标检测结果,完成高光谱快速目标检测。
2.如权利要求1所述的方法,其特征在于,所述的步骤c具体包括:
对选取的多组背景点的光谱进行微分重排,截取每组重排后特征信息最少的1.2n个谱段,再从其中挑选各组出现次数最多的前n个谱段,即为有效谱段集。
3.如权利要求2所述的方法,其特征在于,所述的步骤d具体包括如下步骤:
依次读取有效谱段集中的谱段数,设包含谱段λi,则在经过预处理的原光谱数据集中提取λi及其后步长为st的t个谱段λi+1,λi+2,…,λi+t的空间维信息,t为微分阶数。
4.如权利要求3所述的方法,其特征在于,所述的步骤f具体包括:
计算背景光谱微分值,在n幅光谱微分值图像上减去背景光谱微分值并阈值化处理,阈值选取该空间维均值进行分割,初步滤除背景信息,再将n幅光谱微分值图像加权求和阈值化,从而获得一幅粗提取出目标位置的图像,图像上不为零的像素点即为疑似目标点。
5.如权利要求4所述的方法,其特征在于,所述的步骤g具体包括:
根据所述疑似目标点位置,在经过预处理的原始光谱数据中提取该点光谱信息与背景光谱进行光谱角匹配,通过不同阈值的选取,细化分辨粗提取出的目标间差异,得到精确目标检测结果。
6.一种高光谱快速目标检测系统,其特征在于,该系统包括预处理模块、背景光谱获取模块、有效谱段集构成模块、小谱段集构成模块、微分值计算模块、粗提取模块以及目标检测模块,其中:
所述预处理模块用于对原始光谱数据进行预处理,所述预处理主要包括大气辐射校正和几何校正,图像拼接和裁剪以及波段选择;
所述背景光谱获取模块用于获取上述原始光谱数据的背景光谱,得到多组背景光谱矢量;
所述有效谱段集构成模块用于根据多组背景光谱的微分重排结果,综合挑选n个有效谱段,构成有效谱段集;
所述小谱段集构成模块用于根据构成的上述有效谱段集,提取高光谱数据形成n个小谱段集;
所述微分值计算模块用于计算得到上述小谱段集的光谱微分值;
所述粗提取模块用于计算得到背景光谱微分值,并根据得到的小谱段集光谱微分值及背景光谱微分值,粗提取目标位置;
所述目标检测模块用于根据粗提取的目标位置与背景光谱匹配,得到精确目标检测结果,完成高光谱快速目标检测。
7.如权利要求6所述的系统,其特征在于,所述的有效谱段集构成模块具体用于:
对选取的多组背景点的光谱进行微分重排,截取每组重排后特征信息最少的1.2n个谱段,再从其中挑选各组出现次数最多的前n个谱段,即为有效谱段集。
8.如权利要求7所述的系统,其特征在于,所述的小谱段集构成模块具体用于:
依次读取有效谱段集中的谱段数,设包含谱段λi,则在经过预处理的原光谱数据集中提取λi及其后步长为st的t个谱段λi+1,λi+2,…,λi+t的空间维信息,t为微分阶数。
9.如权利要求8所述的系统,其特征在于,所述的粗提取模块具体用于:
计算背景光谱微分值,在n幅光谱微分值图像上减去背景光谱微分值并阈值化处理,阈值选取该空间维均值进行分割,初步滤除背景信息,再将n幅光谱微分值图像加权求和阈值化,从而获得一幅粗提取出目标位置的图像,图像上不为零的像素点即为疑似目标点。
10.如权利要求9所述的系统,其特征在于,所述的目标检测模块具体用于:
根据所述疑似目标点位置,在经过预处理的原始光谱数据中提取该点光谱信息与背景光谱进行光谱角匹配,通过不同阈值的选取,细化分辨粗提取出的目标间差异,得到精确目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618380.8A CN110378268B (zh) | 2019-07-10 | 2019-07-10 | 高光谱快速目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618380.8A CN110378268B (zh) | 2019-07-10 | 2019-07-10 | 高光谱快速目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378268A true CN110378268A (zh) | 2019-10-25 |
CN110378268B CN110378268B (zh) | 2022-04-26 |
Family
ID=68250857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910618380.8A Active CN110378268B (zh) | 2019-07-10 | 2019-07-10 | 高光谱快速目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378268B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115575790A (zh) * | 2022-12-12 | 2023-01-06 | 季华实验室 | 微米发光二极管芯片缺陷检测方法、设备及存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673339A (zh) * | 2009-09-25 | 2010-03-17 | 北京航空航天大学 | 一种基于光谱吸收特征重排的高光谱数据目标识别方法 |
CN101799410A (zh) * | 2010-02-25 | 2010-08-11 | 河北大学 | 一种基于红外光谱的普洱熟茶识别方法 |
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 |
US20100278296A1 (en) * | 2009-04-29 | 2010-11-04 | General Electric Company | Method for energy sensitive computed tomography using checkerboard filtering |
CN102156981A (zh) * | 2011-03-10 | 2011-08-17 | 北京航空航天大学 | 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 |
CN102222221A (zh) * | 2011-07-01 | 2011-10-19 | 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 |
CN103020955A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 邻域空间窗口的高光谱图像稀疏表示目标检测方法 |
CN103297776A (zh) * | 2013-05-17 | 2013-09-11 | 西安电子科技大学 | 星上未配准多光谱图像无损/有损编码系统与方法 |
CN103632385A (zh) * | 2013-12-05 | 2014-03-12 | 南京理工大学 | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 |
CN103868865A (zh) * | 2014-02-24 | 2014-06-18 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
CN104154999A (zh) * | 2014-08-15 | 2014-11-19 | 中国科学院上海技术物理研究所 | 一种基于压缩感知的计算多光谱成像系统 |
CN104794457A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 基于稀疏误差矩阵的高光谱图像目标检测方法 |
US20170254789A1 (en) * | 2015-06-17 | 2017-09-07 | Jiangsu University | A Portable Device for Detecting Nutrition Level of Plant |
CN108198228A (zh) * | 2017-12-29 | 2018-06-22 | 华中科技大学 | 一种天基红外高光谱图像智能压缩方法 |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN109165628A (zh) * | 2018-09-12 | 2019-01-08 | 首都师范大学 | 提高动目标检测精度的方法、装置、电子设备及存储介质 |
CN109255353A (zh) * | 2018-09-12 | 2019-01-22 | 首都师范大学 | 一种动目标检测方法、装置、电子设备及存储介质 |
CN109697431A (zh) * | 2018-12-29 | 2019-04-30 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
-
2019
- 2019-07-10 CN CN201910618380.8A patent/CN110378268B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100278296A1 (en) * | 2009-04-29 | 2010-11-04 | General Electric Company | Method for energy sensitive computed tomography using checkerboard filtering |
CN101673339A (zh) * | 2009-09-25 | 2010-03-17 | 北京航空航天大学 | 一种基于光谱吸收特征重排的高光谱数据目标识别方法 |
CN101799410A (zh) * | 2010-02-25 | 2010-08-11 | 河北大学 | 一种基于红外光谱的普洱熟茶识别方法 |
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 |
CN102156981A (zh) * | 2011-03-10 | 2011-08-17 | 北京航空航天大学 | 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 |
CN102222221A (zh) * | 2011-07-01 | 2011-10-19 | 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 |
CN103020955A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 邻域空间窗口的高光谱图像稀疏表示目标检测方法 |
CN103297776A (zh) * | 2013-05-17 | 2013-09-11 | 西安电子科技大学 | 星上未配准多光谱图像无损/有损编码系统与方法 |
CN103632385A (zh) * | 2013-12-05 | 2014-03-12 | 南京理工大学 | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 |
CN103868865A (zh) * | 2014-02-24 | 2014-06-18 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
CN104154999A (zh) * | 2014-08-15 | 2014-11-19 | 中国科学院上海技术物理研究所 | 一种基于压缩感知的计算多光谱成像系统 |
CN104794457A (zh) * | 2015-05-05 | 2015-07-22 | 哈尔滨工程大学 | 基于稀疏误差矩阵的高光谱图像目标检测方法 |
US20170254789A1 (en) * | 2015-06-17 | 2017-09-07 | Jiangsu University | A Portable Device for Detecting Nutrition Level of Plant |
CN108198228A (zh) * | 2017-12-29 | 2018-06-22 | 华中科技大学 | 一种天基红外高光谱图像智能压缩方法 |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN109165628A (zh) * | 2018-09-12 | 2019-01-08 | 首都师范大学 | 提高动目标检测精度的方法、装置、电子设备及存储介质 |
CN109255353A (zh) * | 2018-09-12 | 2019-01-22 | 首都师范大学 | 一种动目标检测方法、装置、电子设备及存储介质 |
CN109697431A (zh) * | 2018-12-29 | 2019-04-30 | 哈尔滨工业大学 | 一种基于高光谱图像的弱小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
BACHER R等: "Robust control of varying weak hyperspectral target detection with sparse nonnegative representation", 《IEEE TRANSACTION ON SIGNAL PROCESSING》 * |
陶伟: "基于Hyperion高光谱数据的城市地物识别与分类研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115575790A (zh) * | 2022-12-12 | 2023-01-06 | 季华实验室 | 微米发光二极管芯片缺陷检测方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110378268B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
Harsanyi | Detection and classification of subpixel spectral signatures in hyperspectral image sequences | |
Huang et al. | Spatial and spectral image fusion using sparse matrix factorization | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN107316309B (zh) | 基于矩阵分解的高光谱图像显著性目标检测方法 | |
Varshney et al. | Overview of image processing | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Xie et al. | Trainable spectral difference learning with spatial starting for hyperspectral image denoising | |
CN110378268A (zh) | 高光谱快速目标检测方法及系统 | |
Seydi et al. | New framework for hyperspectral change detection based on multi-level spectral unmixing | |
Tiwari et al. | Military target detection using spectrally modeled algorithms and independent component analysis | |
Qian et al. | Infrared small target detection based on saliency and gradients difference measure | |
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 | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
Yuan et al. | Polarization image texture feature extraction algorithm based on CS-LBP operator | |
CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
Byun et al. | Relative radiometric normalization of bitemporal very high-resolution satellite images for flood change detection | |
CN110717485B (zh) | 一种基于局部保留投影的高光谱图像稀疏表示分类方法 | |
Zhang et al. | Feature Bands Based Unsupervised Hyperspectral Underwater Target Detection Near the Coastline | |
CN114792322A (zh) | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 | |
Bidari et al. | Hybrid convolutional neural network with change detection on hyperspectral imagery | |
Achard et al. | Anomalies detection in hyperspectral imagery using projection pursuit algorithm | |
Cisz et al. | Performance comparison of hyperspectral target detection algorithms in altitude varying scenes | |
Yarbrough et al. | The effects of atmospheric mis-estimation on hyperspectral-based adaptive matched filter target detection as measured by the bhattacharyya coefficient |
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 |