CN110378294B - 一种基于局部能量约束与特征融合的高光谱目标检测方法及系统 - Google Patents
一种基于局部能量约束与特征融合的高光谱目标检测方法及系统 Download PDFInfo
- Publication number
- CN110378294B CN110378294B CN201910663298.7A CN201910663298A CN110378294B CN 110378294 B CN110378294 B CN 110378294B CN 201910663298 A CN201910663298 A CN 201910663298A CN 110378294 B CN110378294 B CN 110378294B
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- spatial
- local
- fusion
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于局部能量约束与特征融合的高光谱目标检测方法及系统,其包括:获取高光谱图像数据集中的各个像元所对应的信号含量图像;提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像;基于丰度阈值提取局部强化光谱特征;获取归一化后的空间特征矩阵并该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征;将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像;确定带有局部特征约束的图像中的非零信号所构成的集合并获取最局部能量约束检测因子;对待检测高光谱图像进行目标检测。本发明提高了检测精度,还在一定程度上克服了高光谱检测中常见的“同谱异物”现象。
Description
技术领域
本发明涉及光谱检测技术领域,尤其涉及一种基于局部能量约束与特征融合的高光谱目标检测方法及系统。
背景技术
高光谱图像具有高光谱分辨率的特点,可以探测到多光谱图像无法探测到的地物类别,在环境监测、军事领域、林业等领域应用越来越广泛。目标检测作为高光谱技术最典型的应用一直受到国内外学者的广泛关注。约束能量最小化(Constrained EnergyMinimization,CEM)检测算法因其简单高效及可以实时化等优势,成为高光谱目标检测领域的经典算法。但是,现有CEM检测的弊端是对目标的光谱特征特别敏感,而高光谱常见的异物同谱的现象导致相似地物目标利用原始CEM算法很难被检测到。
发明内容
基于此,为解决现有技术存在的不足,特提出了一种基于局部能量约束与特征融合的高光谱目标检测方法。
一种基于局部能量约束与特征融合的高光谱目标检测方法,包括如下步骤:
S1、获取高光谱图像数据集中的各个像元所对应的信号含量图像;
S2、提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像;
S3、基于所设定的丰度阈值提取局部强化光谱特征;
S4、获取归一化后的空间特征矩阵并将该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征;
S5、将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像;
S6、确定带有局部特征约束的图像中的非零信号所构成的集合并获取最局部能量约束检测因子;
S7、对待检测高光谱图像进行目标检测。
可选的,在其中一个实施例中,所述获取高光谱图像数据集中的各个像元所对应的信号含量图像的过程包括:计算高光谱图像数据集中所有像元各自对应的关于目标地物d的信号含量f(ri),并生成信号含量图像Af={f(ri)},其中,高光谱图像数据集记为H={ri}(1<=i<=n),ri表示高光谱图像的第i个像元,ri=(ri1,ri2,...riL),n是高光谱图像的像元数目,L表示高光谱图像的波段数目,待检测的目标地物的光谱特征记为d=(d1,d2,...dn)T
其中R-1为R的逆矩阵,R为高光谱图像样本的自相关矩阵,且
可选的,在其中一个实施例中,所述提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像的过程包括:
获取高斯掩模并提取每个像元的空间特征ff(ri),构成关于目标地物的空间特征的图像AG={ff(ri)},其中,所述高斯掩模对应的计算公式为
σ为滤波器的标准差,λ为掩模半径。
可选的,在其中一个实施例中,所述基于所设定的丰度阈值提取局部强化光谱特征的过程包括:确定丰度阈值ε并基于下述公式(1-4)提取关于目标地物的空间特征的图像中的局部强化光谱特征HF1,其中丰度阈值ε由自适应阈值分割确定,
HF1={ri*V(ri)} (1-4)
可选的,在其中一个实施例中,所述获取归一化后的空间特征矩阵并该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征的过程包括:首先基于下述公式(1-6)将获取归一化的空间特征矩阵
其中,min(ff(ri))表示目标地物的空间特征的图像AG的空间特征值中的最小值,max(ff(ri))表示目标地物的空间特征的图像AG的空间特征值中的最大值;
其次,将待检测图像与所提取的归一化空间特征进行融合,得到对应的融合特征HF2,该融合特征的计算公式为
HF2=H*ANG (1-7)。
可选的,在其中一个实施例中,所述将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像的过程包括:将提取到的局部强化光谱特征HF1和融合特征HF2进行进一步的特征融合,得到带有局部特征约束的图像HF,其中对应的融合的公式如下式,
HF=HF1·(HF2*V(ri)) (1-8)
其中·表示信号叠加。
可选的,在其中一个实施例中,所述确定带有局部特征约束的图像中的非零信号所构成的集合并获取最局部能量约束检测因子的过程包括;统计带有局部特征约束的图像HF中的全部非零信号以创建非零信号集合并记为HL={rL},
其中,1≤L≤len,len为HL的长度,最局部能量约束检测因子所对应的计算公式为
RL -1为RL的逆矩阵,则RL为高光谱图像的局部自相关矩阵,其对应公式为:
可选的,在其中一个实施例中,所述对待检测高光谱图像进行目标检测的过程包括:基于下述公式(11)对待检测高光谱图像H={ri}进行目标检测,
δ(ri)=wLCEM*ri (1-11)。
此外,本发明还提出了一种基于局部能量约束与特征融合的高光谱目标检测系统。
一种基于局部能量约束与特征融合的高光谱目标检测系统,包括:
第一数据获取单元,其用于获取高光谱图像数据集中的各个像元所对应的信号含量图像;
第一数据提取单元,其用于提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像;
第二数据提取单元,其用于基于所设定的丰度阈值提取局部强化光谱特征;
第一数据融合单元,其用于获取归一化后的空间特征矩阵并该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征;
第二数据融合单元,其用于将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像;
第二数据提取单元,其用于确定带有局部特征约束的图像中的非零信号所构成的集合并获取最局部能量约束检测因子;
第一数据检测单元,其用于对待检测高光谱图像进行目标检测。
可选的,在其中一个实施例中,所述获取高光谱图像数据集中的各个像元所对应的信号含量图像的过程包括:计算高光谱图像数据集中所有像元各自对应的关于目标地物d的信号含量f(ri),并生成信号含量图像Af={f(ri)},其中,高光谱图像数据集记为H={ri}(1<=i<=n),ri表示高光谱图像的第i个像元,ri=(ri1,ri2,...riL),n是高光谱图像的像元数目,L表示高光谱图像的波段数目,待检测的目标地物的光谱特征记为d=(d1,d2,...dn)T
其中R-1为R的逆矩阵,R为高光谱图像样本的自相关矩阵,且
可选的,在其中一个实施例中,所述提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像的过程包括:
获取高斯掩模并提取每个像元的空间特征ff(ri),构成关于目标地物的空间特征的图像AG={ff(ri)},其中,所述高斯掩模对应的计算公式为
σ为滤波器的标准差,λ为掩模半径。
可选的,在其中一个实施例中,所述基于所设定的丰度阈值提取局部强化光谱特征的过程包括:确定丰度阈值ε并基于下述公式(2-4)提取关于目标地物的空间特征的图像中的局部强化光谱特征HF1,其中丰度阈值ε由自适应阈值分割确定,
HF1={ri*V(ri)} (2-4)
可选的,在其中一个实施例中,所述获取归一化后的空间特征矩阵并该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征的过程包括:首先基于下述公式(2-6)将获取归一化的空间特征矩阵
其次,将待检测图像与所提取的归一化空间特征进行融合,得到对应的融合特征HF2,该融合特征的计算公式为
HF2=H*ANG (2-7)。
可选的,在其中一个实施例中,所述将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像的过程包括:将提取到的局部强化光谱特征HF1和融合特征HF2进行进一步的特征融合,得到带有局部特征约束的图像HF,其中对应的融合的公式如下式,
HF=HF1·(HF2*V(ri)) (2-8)
其中·表示信号叠加。
可选的,在其中一个实施例中,所述确定带有局部特征约束的图像中的非零信号所构成的集合并获取最局部能量约束检测因子的过程包括;统计带有局部特征约束的图像HF中的全部非零信号以创建非零信号集合并记为HL={rL},
其中,1≤L≤len,len为HL的长度,最局部能量约束检测因子所对应的计算公式为
RL -1为RL的逆矩阵,则RL为高光谱图像的局部自相关矩阵,其对应公式为:
可选的,在其中一个实施例中,所述对待检测高光谱图像进行目标检测的过程包括:基于下述公式(11)对待检测高光谱图像H={ri}进行目标检测,
δ(ri)=wLCEM*ri (2-11)。
此外,为解决传统技术在面对现有技术时存在的不足,还提出了一种计算机可读存储介质,包括计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行所述的方法。
实施本发明实施例,将具有如下有益效果:
本发明首先通过利用全局能量约束原理检测出目标地物的信号含量,然后一方面提取目标地物的空间特征,并设置阈值提取局部光谱特征,以计算出局部能量约束所需的自相关矩阵;另一方面,将地物信号含量进行归一化处理,并与原始的高光谱数据进行反馈特征融合,得到局部特征约束图像;最后将局部能量约束原理应用于融合谱空特征之后的高光谱数据,来实现对地物目标的精确检测。采用了上述技术之后,本发明方法一方面利用这种局部能量约束的模式提高了检测精度,另一方面又利用特征融合模式强化了目标地物像元的信号,进一步提高了目标的检测精度,在一定程度上克服了高光谱检测中常见的“同谱异物”现象。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。
其中:
图1为一个实施例中实施高光谱图像分类方法技术流程图;
图2a-2b为实施例中待分类的高光谱源图像1;
图3为实施例中待检测的高光谱源图像2;
图4为实施例图2中1种的地物光谱特征曲线图;
图5为实施例图3中3种的地物光谱特征曲线图;
图6为实施例中图2中地物的空间特征结果图;
图7为实施例中图3中第1种地物的空间特征结果图;
图8为实施例中图3中第7种地物的空间特征结果图;
图9为实施例中图3中第8种地物的空间特征结果图;
图10为实施例中图2中地物的最终检测结果图;
图11为实施例中图10经过阈值分割之后得到的结果图;
图12a-12b为实施例中图7的最终检测结果和经过阈值分割之后得到的结果图;
图13a-13b为实施例中图8的最终检测结果和经过阈值分割之后得到的结果图;
图14a-14b为实施例中图9的最终检测结果和经过阈值分割之后得到的结果图;
图15a-15b为实施例中图3第1种地物经过CEM算法得到的最终检测结果图;
图16a-16b为实施例中图3第1种地物经过CEM算法得到的最终检测结果图;
图17a-17b为实施例中图3第1种地物经过CEM算法得到的最终检测结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。可以理解,本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一元件称为第二元件,且类似地,可将第二元件为第一元件。第一元件和第二元件两者都是元件,但其不是同一元件。
在本实施例中,特提出了一种基于局部能量约束与特征融合的高光谱目标检测方法,如图1所示,该方法实际上是一种基于局部能量约束最小化与特征融合的高光谱目标检测方法(LCEMR);其首先利用CEM原理检测出初步的目标信号含量,然后一方面利用目标信号含量进行空间特征提取,并设置阈值缩小抑制矩阵的范围;另一方面,将目标信号含量进行处理,并与原始的高光谱数据进行特征融合;接着将局部CEM原理应用于融合之后的数据,对地物目标进行检测。在本实施例中的样本数据来源1为SanDiego海军机场图像,其是一个AVIRIS图像,数据采集的是加利福尼亚州圣地亚哥地区的一个海军机场。在实验之前,使用ENVI软件对图像进行预处理以去除具有高信噪比的波段,保留126个波段,并截取原始图像中含有多个飞机的100×100个子图像,如图2a-2b所示,其中左边是采集的图像,右边是真实图像,其待检测的地物目标是飞机;样本数据来源2的样本高光谱图像数据取自Purdue大学提供的美国印第安纳州Indian Pine实验区的高光谱数据,含有220个波段,如图3所示,其中左边是采集的图像,右边是真实图像。图像数据大小含有145×145个像素,共有16种地物目标,其位置与目标名称在右边标出。
基于上述设计原理以及样本数据实例,该方法包括如下步骤:S1、获取上述实例高光谱图像数据集中的各个像元所对应的信号含量图像;在一些具体的实施例中,所述获取高光谱图像数据集中的各个像元所对应的信号含量图像的过程包括:计算高光谱图像数据集中所有像元各自对应的关于目标地物d的信号含量f(ri),并生成信号含量图像Af={f(ri)},在本例中即利用目标地物的光谱特征的均值计算地物的d,其中图4为数据源1中飞机地物的光谱曲线;对于数据源2,选择其中第1、7、和8种地物作为此次发明的待检测目标,图5为purdue数据中选择的3种地物目标的光谱特征曲线。选择这三种地物的原因是其光谱特征非常接近,具有明显“同谱异物”现象;按照公式(1-1)计算每种目标地物的信号含量f(ri),并以此生成信号含量图像Af={f(ri)}。
其中R-1为R的逆矩阵,R为高光谱图像样本的自相关矩阵,且
S2、提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像;在一些具体的实施例中,所述提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像的过程包括:利用公式(1-3)先获取高斯掩模并提取每个像元的空间特征ff(ri),构成关于目标地物的空间特征的图像
AG={ff(ri)},其中,所述高斯掩模对应的计算公式为
根据实际情况,设置飞机图像的标准差为σ=0.5,掩模半径λ=5,其中Purdue图像的σ=0.8,λ=5,飞机地物的空间特征如图6所示,Purdue数据的三种地物的空间特征图分别如图7、图8、图9所示;
S3、基于所设定的丰度阈值提取局部强化光谱特征;在一些具体的实施例中,所述基于所设定的丰度阈值提取局部强化光谱特征的过程包括:确定丰度阈值ε并基于下述公式(1-4)提取关于目标地物的空间特征的图像中的局部强化光谱特征HF1,其中丰度阈值ε由按照最大类间方差法计算各地物类别丰度阈值ε值,具体对SanDiego海军机场图像设置阈值ε=0.4784,对Purdue图像阈值ε的设定如表1所示,接着按照公式(1-4)和(1-5)提取局部强化光谱特征HF1,
HF1={ri*V(ri)} (1-4)
表1
S4、获取归一化后的空间特征矩阵并该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征;在一些具体的实施例中,所述获取归一化后的空间特征矩阵并该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征的过程包括:首先基于下述公式(1-6)将获取归一化的空间特征矩阵
其次,将待检测图像与所提取的归一化空间特征进行融合,得到反馈的融合特征HF2,该融合特征的计算公式为
HF2=H*ANG (1-7)。
S5、将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像;在一些具体的实施例中,所述按照公式(1-7)和(1-8)将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像即将提取到的局部强化光谱特征HF1和融合特征HF2进行进一步的特征融合,得到带有局部特征约束的图像HF,其中对应的融合的公式如下式,
HF=HF1·(HF2*V(ri)) (1-8)
其中·表示信号叠加。
S6-S7、确定带有局部特征约束的图像中的非零信号所构成的集合并获取最局部能量约束检测因子并对待检测高光谱图像进行目标检测;在一些具体的实施例中,利用公式(1-10)进行局部自相关矩阵的计算,然后再结合公式(1-9)和(1-11)进行地物检测,具体包括;统计带有局部特征约束的图像HE中的全部非零信号以创建非零信号集合并记为HL={rL},其中,1≤L≤len,len为HL的长度,最局部能量约束检测因子所对应的计算公式为
RL -1为RL的逆矩阵,则RL为高光谱图像的局部自相关矩阵,其对应公式为:
基于公式(11)对待检测高光谱图像H={ri}进行目标检测,
δ(ri)=wLCEM*ri (1-11)。
最后飞机地物得到的检测结果如图10所示,图11所示是利用阈值分割提取到的飞机地物目标。对于Purdue数据的第一种地物的检测结果如图12a-12b所示,其中左边为信号含量图,右边为阈值分割之后的目标提取图,类似的,第7和第8种地物的检测结果如图12a-12b和图13a-13b所示。
此外,本发明还提出了一种基于局部能量约束与特征融合的高光谱目标检测系统。由于该系统的核心设计要点与上述方法一致,因此本例不再赘述。
基于上述实例,可知下述分析结果:
对于待检测数据1,最终的检测结果和真实图像对比发现,本次发明提供的检测方法有较好的检测效果。
对于待检测数据2,通过以上基于自学习背景抑制的目标检测方法所提取IndianPine实验区的目标检测结果与Ground truth图像标注的结果比较如图13a-13b所示。(通过自适应阈值分割设置阈值)其中左图为采用本次发明的检测结果图,而右图为Indian Pine实验区数据提供的真实图像,从比较结果图可以定性的看出来本次发明提供的分类方法有较好的检测效果。
具体的,从图5可以看出Purdue数据的三类地物的光谱特征几乎一致,以传统的CEM算法分别以1、7、8三种目标去进行地物的检测结果分别如图15a-15b、图16a-16b、图17a-17b所示,从图中可以看出不管以哪种地物作为检测目标,CEM检测都是将三者混为一起,无法区分出对应的地物,而利用本发明提出的方法可以清楚的将三者进行区分。
为了进一步定量的评价本次发明所提出的检测方法,采用常用的检测常用的比较评价指标:Auc和PF进行客观评价,将提出的方法与CEM算法的检测结果进行了客观对比。具体指标结果如表2所示,从该表可以看出,本次发明提供的基于反馈空间特征迭代的高光谱图像分类方法(LCEMR)对目标类别均具有较高的检测精度,以及较低的误检率。
表2
实施本发明实施例,将具有如下有益效果:
本发明首先通过利用全局能量约束原理检测出目标地物的信号含量,然后一方面提取目标地物的空间特征,并设置阈值提取局部光谱特征,以计算出局部能量约束所需的自相关矩阵;另一方面,将地物信号含量进行归一化处理,并与原始的高光谱数据进行反馈特征融合,得到局部特征约束图像;最后将局部能量约束原理应用于融合谱空特征之后的高光谱数据,来实现对地物目标的精确检测。采用了上述技术之后,本发明方法一方面利用这种局部能量约束的模式提高了检测精度,另一方面又利用特征融合模式强化了目标地物像元的信号,进一步提高了目标的检测精度,在一定程度上克服了高光谱检测中常见的“同谱异物”现象,同时利用这种方式也可以使CEM检测算法能更精准的用于高光谱目标实时检测中。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于局部能量约束与特征融合的高光谱目标检测方法,其特征在于,包括如下步骤:
S1、获取高光谱图像数据集中的各个像元所对应的信号含量图像;
S2、提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像;
S3、基于所设定的丰度阈值提取局部强化光谱特征;
S4、获取归一化后的空间特征矩阵并将该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征;
S5、将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像;
S6、确定带有局部特征约束的图像中的非零信号所构成的集合并获取局部能量约束检测因子;
S7、对待检测高光谱图像进行目标检测。
6.根据权利要求5所述的方法,其特征在于:所述将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像的过程包括:将提取到的局部强化光谱特征HF1和融合特征HF2进行进一步的特征融合,得到带有局部特征约束的图像HF,其中对应的融合的公式如下式,
HF=HF1·(HF2*V(ri)) (1-8)
其中·表示信号叠加。
8.根据权利要求7所述的方法,其特征在于:所述对待检测高光谱图像进行目标检测的过程包括:基于下述公式(11)对待检测高光谱图像H={ri}进行目标检测,
δ(ri)=wLCEM*ri (1-11)。
9.一种基于局部能量约束与特征融合的高光谱目标检测系统,其特征在于,包括:
第一数据获取单元,其用于获取高光谱图像数据集中的各个像元所对应的信号含量图像;
第一数据提取单元,其用于提取各个像元所对应的空间特征并构造关于目标地物的空间特征的图像;
第二数据提取单元,其用于基于所设定的丰度阈值提取局部强化光谱特征;
第一数据融合单元,其用于获取归一化后的空间特征矩阵并将 该空间特征矩阵的归一化空间特征与待检测图像进行融合以获取对应的融合特征;
第二数据融合单元,其用于将局部强化光谱特征与融合特征进行特征融合以获取带有局部特征约束的图像;
第二数据提取单元,其用于确定带有局部特征约束的图像中的非零信号所构成的集合并获取局部能量约束检测因子;
第一数据检测单元,其用于对待检测高光谱图像进行目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663298.7A CN110378294B (zh) | 2019-07-22 | 2019-07-22 | 一种基于局部能量约束与特征融合的高光谱目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663298.7A CN110378294B (zh) | 2019-07-22 | 2019-07-22 | 一种基于局部能量约束与特征融合的高光谱目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378294A CN110378294A (zh) | 2019-10-25 |
CN110378294B true CN110378294B (zh) | 2022-08-19 |
Family
ID=68254828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663298.7A Active CN110378294B (zh) | 2019-07-22 | 2019-07-22 | 一种基于局部能量约束与特征融合的高光谱目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378294B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192260B (zh) * | 2020-01-03 | 2023-06-27 | 天津大学 | 一种基于高光谱图像深度特征融合的甜瓜品质检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
CN109389106A (zh) * | 2018-12-20 | 2019-02-26 | 中国地质大学(武汉) | 一种基于3d卷积神经网络的高光谱图像解混方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2852003C (en) * | 2011-10-13 | 2020-03-24 | Pioneer Hi-Bred International, Inc. | Automatic detection of object pixels for hyperspectral analysis |
-
2019
- 2019-07-22 CN CN201910663298.7A patent/CN110378294B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108764064A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 基于导向滤波器与自编码器的sar目标识别算法 |
CN109389106A (zh) * | 2018-12-20 | 2019-02-26 | 中国地质大学(武汉) | 一种基于3d卷积神经网络的高光谱图像解混方法及系统 |
Non-Patent Citations (4)
Title |
---|
High-level hyperspectral image classification based on spectro-spatial dimensionality reduction;Akrem Sellami 等;《Spatial Statistics》;20160305;第16卷;第103-117页 * |
Multifeature Hyperspectral Image Classification With Local and Nonlocal Spatial Information via Markov Random Field in Semantic Space;Xiangrong Zhang 等;《IEEE Transactions on Geoscience and Remote Sensing》;20171109;第56卷(第3期);第1409-1424页 * |
一种结合CEM的高光谱遥感影像目标检测算法;杨磊 等;《重庆理工大学学报(自然科学)》;20171215;第31卷(第12期);第146-150、172页 * |
基于选择样本自相关阵的高光谱图像约束能量最小化算法;何元磊 等;《南昌航空大学学报(自然科学版)》;20141215;第28卷(第4期);第13-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378294A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Kampffmeyer et al. | Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
CN104008574B (zh) | 一种基于无限高斯混合模型的高光谱图像解混方法 | |
CN112990313B (zh) | 高光谱图像异常检测方法、装置、计算机设备及存储介质 | |
CN112083422A (zh) | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 | |
CN104408705A (zh) | 一种高光谱图像的异常检测方法 | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN104408692A (zh) | 一种基于深度学习的图像模糊模型参数分析方法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
Martínez et al. | Concealed object detection and segmentation over millimetric waves images | |
Poojary et al. | Automatic target detection in hyperspectral image processing: A review of algorithms | |
Elmikaty et al. | Car detection in aerial images of dense urban areas | |
CN110378294B (zh) | 一种基于局部能量约束与特征融合的高光谱目标检测方法及系统 | |
Sarup et al. | Image fusion techniques for accurate classification of Remote Sensing data | |
CN110940638A (zh) | 一种高光谱图像亚像元级水体边界探测方法及探测系统 | |
Fu et al. | A noise-resistant superpixel segmentation algorithm for hyperspectral images | |
CN102800101A (zh) | 一种星载红外遥感图像机场roi快速检测方法 | |
CN114170145B (zh) | 基于多尺度自编码的异质遥感图像变化检测方法 | |
CN102880861A (zh) | 基于线性预测倒谱系数的高光谱图像分类方法 | |
Tan et al. | Automatic extraction of built-up area based on deep convolution neural network | |
Srivatsa et al. | Application of least square denoising to improve admm based hyperspectral image classification | |
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 |