CN111079544B - 一种基于加权联合最近邻的多任务稀疏表示检测方法 - Google Patents
一种基于加权联合最近邻的多任务稀疏表示检测方法 Download PDFInfo
- Publication number
- CN111079544B CN111079544B CN201911150556.8A CN201911150556A CN111079544B CN 111079544 B CN111079544 B CN 111079544B CN 201911150556 A CN201911150556 A CN 201911150556A CN 111079544 B CN111079544 B CN 111079544B
- Authority
- CN
- China
- Prior art keywords
- nearest neighbor
- detection
- weighted
- sparse representation
- detection result
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于加权联合最近邻的多任务稀疏表示检测方法,属于图像处理技术领域,一种基于加权联合最近邻的多任务稀疏表示检测方法,包括以下步骤:利用多任务学习技术,构建多任务稀疏表示模型,将所有任务上累积的总重构误差应用于检测目标,得到多任务稀疏表示的检测结果,利用加权联合最近邻方法进行计算,得到加权最近邻的检测结果,将加权最近邻的检测结果和多任务稀疏表示的检测结果相结合,得到最终的检测函数,可以实现通过光谱信息和邻域空间信息同时进行检测,利用多任务学习,联合多个相关的子稀疏表示,得到较好目标检测效果,并且加入了加权联合最近邻算法,提高了对空间信息的利用,使目标检测效果得到了进一步提升。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,涉及一种基于加权联合最近邻的多任务稀疏表示检测方法。
背景技术
高光谱遥感图像作为一种拥有高空间和谱间分辨率的遥感图像,它丰富的空间和谱间特征包含了大量的信息,在军事、农业和工业领域被广泛应用于地物的识别、分类和特征描述。高光谱遥感图像分类就是将一幅高光谱图像中的像素点划归到不同类别的过程,高光谱遥感图像分类是建立在遥感图像分类的基础上,结合高光谱遥感图像特点,对高光谱图像数据进行像素级的识别和分类。
目前国内外有许多研究机构都展开了高光谱遥感图像的分类方法的研究,提出了多种高光谱图像分类方法,包括无监督的高光谱遥感图像分割,基于核方法的有监督的高光谱图像分类以及半监督的高光谱图像分类等。其中很多方法都只使用单一的谱特征,但仅使用谱特征只能从一个角度描述高光谱图像的特性。且由于高光谱图像波段多且波段间相关性高,因此会出现相同的物质在不同的区域会有不同的谱特征而不同的物质很可能具有相似的谱特征的现象,因而使用单一的谱特征很难避免上述现象的发生,且容易将相同的物质划分为不同的类别,不同的物质被认作是同类,因此会降低图像分类的准确率。
联合稀疏表示和多任务学习算法构建了多任务稀疏表示模型,利用多任务学习,联合多个相关的子稀疏表示,得到较好目标检测效果。然而,该方法对于空间信息的探索尚不够深入,为了充分利用空间信息,是算法检测效果更好,提出了加权联合最近邻和多任务学习稀疏表示方法。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题,本发明的目的在于提供一种基于加权联合最近邻的多任务稀疏表示检测方法,可以实现通过光谱信息和邻域空间信息同时进行检测,利用多任务学习,联合多个相关的子稀疏表示,得到较好目标检测效果,并且加入了加权联合最近邻算法,提高了对空间信息的利用,使目标检测效果得到了进一步提升。
2.技术方案
为解决上述问题,本发明采用如下的技术方案。
一种基于加权联合最近邻的多任务稀疏表示检测方法,包括以下步骤:
S1、利用交叉分组策略将高光谱图像按波段分为多个子高光谱图像,同时对测试像素进行分组得到子测试像素,yk,k=1,2,...,K;
S2、利用多任务学习技术,结合多个相似子高光谱图像,构建多任务稀疏表示模型;
S3、将所有任务上累积的总重构误差应用于检测目标,得到多任务稀疏表示的检测结果DMTL(yn);
S6、利用S5得到的检测函数对高光谱图像中所有像素进行检测,得到最终目标检测结果。
进一步的,所述S2具体包括以下步骤:
S21:用目标训练像素和背景训练像素构成D=[Dt,Db],并利用交叉分组策略进行分组,得到多个子字典Dk,k=1,2,...,K;
S22:对每个子训练样本进行稀疏表示
αk,k=1,2,...,K为子稀疏系数;
S23:根据
S24:分别计算目标和背景的累计残差
进一步的,所述S23中,ρ是联合稀疏正则项和可靠重建项之间的平衡系数;||W||2,1是l2,1范数,表示矩阵W每一行的l2之和。
进一步的,S5中,对于S24中得到的目标和背景累计残差,设计检测器DMTL(yn)=rb-rt,将检测器用于高光谱图像所有像素,得到多任务稀疏表示的检测结果DMTL(yn)。
进一步的,所述S4具体包括以下步骤:
S21、对任一个测试像素yi取其周围像素联合构成yi,joint;
进一步的,:所述步骤S5中,最终的检测函数为:
3.有益效果
相比于现有技术,本发明的优点在于:
本发明的检测方法主要分为多任务稀疏表示和加权联合最近邻两个部分,多任务稀疏表示部分通过光谱信息进行目标检测,加权联合最近邻部分则利用待测像素的邻域空间信息进行目标检测。利用多任务学习,联合多个相关的子稀疏表示,得到较好目标检测效果,并且加入了加权联合最近邻算法,提高了对空间信息的利用,使目标检测效果得到了进一步提升。
附图说明
图1为本发明的方法流程图;
图2为五种不同算法的Synthetic数据集ROC曲线图;
图3为五种不同算法的AVIRIS数据集ROC曲线图;
图4为五种不同算法的Texas Coast数据集ROC曲线图。
具体实施方式
下面将结合本发明实施例中的附图;对本发明实施例中的技术方案进行清楚、完整地描述;显然;所描述的实施例仅仅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。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“套设/接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1:
请参阅图1,一种基于加权联合最近邻的多任务稀疏表示检测方法,包括以下步骤:
S1、利用交叉分组策略将高光谱图像按波段分为多个子高光谱图像,同时对测试像素进行分组得到子测试像素,yk,k=1,2,...,K;
S2、利用多任务学习技术,结合多个相似子高光谱图像,构建多任务稀疏表示模型;
S3、将所有任务上累积的总重构误差应用于检测目标,得到多任务稀疏表示的检测结果DMTL(yn);
S6、利用S5得到的检测函数对高光谱图像中所有像素进行检测,得到最终目标检测结果。
S2具体包括以下步骤:
S21:用目标训练像素和背景训练像素构成D=[Dt,Db],并利用交叉分组策略进行分组,得到多个子字典Dk,k=1,2,...,K;
S22:对每个子训练样本进行稀疏表示
αk,k=1,2,...,K为子稀疏系数;
S23:根据
S24:分别计算目标和背景的累计残差
S23中,ρ是联合稀疏正则项和可靠重建项之间的平衡系数;||W||2,1是l2,1范数,表示矩阵W每一行的l2之和。
S5中,对于S24中得到的目标和背景累计残差,设计检测器DMTL(yn)=rb-rt,将检测器用于高光谱图像所有像素,得到多任务稀疏表示的检测结果DMTL(yn)。
S4具体包括以下步骤:
S21、对任一个测试像素yi取其周围像素联合构成yi,joint;
步骤S5中,最终的检测函数为:
本发明的检测方法主要分为多任务稀疏表示和加权联合最近邻两个部分,多任务稀疏表示部分通过光谱信息进行目标检测,加权联合最近邻部分则利用待测像素的邻域空间信息进行目标检测。利用多任务学习,联合多个相关的子稀疏表示,得到较好目标检测效果,并且加入了加权联合最近邻算法,提高了对空间信息的利用,使目标检测效果得到了进一步提升。
请参阅图2-4,图2显示了JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的Synthetic数据集ROC曲线图,图3显示了JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的AVIRIS数据集ROC曲线图,图4显示了JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的Texas Coast数据集ROC曲线图。
上表为JSR-MTL、hCEM、rACE、SPBBHD、WJNN-MTL-SR五种不同算法的AUC值。
本发明算法与最近的其他四种高光谱图像目标检测算法进行了对比实验,对Sythetic,AVIRIS和Texas Coast三个高光谱数据进行实验,实验结果和数据证明本发明的算法有较好的检测效果。
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改进构思加以等同替换或改变;都应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于加权联合最近邻的多任务稀疏表示检测方法,其特征在于:包括以下步骤:
S1、利用交叉分组策略将高光谱图像按波段分为多个子高光谱图像,同时对测试像素进行分组得到子测试像素,yk,k=1,2,...,K;
S2、利用多任务学习技术,结合多个相似子高光谱图像,构建多任务稀疏表示模型;
S3、将所有任务上累积的总重构误差应用于检测目标,得到多任务稀疏表示的检测结果DMTL(yn);
S6、利用S5得到的检测函数对高光谱图像中所有像素进行检测,得到最终目标检测结果。
3.根据权利要求2所述的一种基于加权联合最近邻的多任务稀疏表示检测方法,其特征在于:所述S23中,ρ是联合稀疏正则项和可靠重建项之间的平衡系数;||W||2,1是l2,1范数,表示矩阵W每一行的l2之和。
4.根据权利要求1所述的一种基于加权联合最近邻的多任务稀疏表示检测方法,其特征在于:S5中,对于S24中得到的目标和背景累计残差,设计检测器DMTL(yn)=rb-rt,将检测器用于高光谱图像所有像素,得到多任务稀疏表示的检测结果DMTL(yn)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150556.8A CN111079544B (zh) | 2019-11-21 | 2019-11-21 | 一种基于加权联合最近邻的多任务稀疏表示检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150556.8A CN111079544B (zh) | 2019-11-21 | 2019-11-21 | 一种基于加权联合最近邻的多任务稀疏表示检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079544A CN111079544A (zh) | 2020-04-28 |
CN111079544B true CN111079544B (zh) | 2022-09-16 |
Family
ID=70311583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911150556.8A Active CN111079544B (zh) | 2019-11-21 | 2019-11-21 | 一种基于加权联合最近邻的多任务稀疏表示检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079544B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200090B (zh) * | 2020-10-12 | 2022-07-01 | 桂林电子科技大学 | 基于交叉分组空谱特征增强网络的高光谱图像分类方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281855B (zh) * | 2014-09-30 | 2017-05-10 | 西安电子科技大学 | 基于多任务低秩的高光谱图像分类方法 |
CN104598898B (zh) * | 2015-02-13 | 2018-02-06 | 合肥工业大学 | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 |
CN105740799B (zh) * | 2016-01-27 | 2018-02-16 | 深圳大学 | 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 |
CN106469316B (zh) * | 2016-09-07 | 2020-02-21 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
CN107563276A (zh) * | 2017-07-13 | 2018-01-09 | 苏州珂锐铁电气科技有限公司 | 基于多任务学习的动态纹理识别方法 |
CN108764296A (zh) * | 2018-04-28 | 2018-11-06 | 杭州电子科技大学 | 基于K-means与多任务关联学习结合的多分类方法 |
CN109145945B (zh) * | 2018-07-12 | 2021-10-29 | 汕头大学 | 一种非局部加权联合稀疏表示的高光谱图像分类方法 |
CN110097020B (zh) * | 2019-05-10 | 2023-04-07 | 山东大学 | 一种基于联合稀疏字典学习的微表情识别方法 |
-
2019
- 2019-11-21 CN CN201911150556.8A patent/CN111079544B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111079544A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A feature difference convolutional neural network-based change detection method | |
Wang et al. | Discriminative multiple kernel learning for hyperspectral image classification | |
Li et al. | Using wavelet transform and multi-class least square support vector machine in multi-spectral imaging classification of Chinese famous tea | |
Jia et al. | Feature mining for hyperspectral image classification | |
CN108549891A (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
Wang et al. | Remote sensing landslide recognition based on convolutional neural network | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
Kumari et al. | Hybridized approach of image segmentation in classification of fruit mango using BPNN and discriminant analyzer | |
CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
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 | |
CN104281835B (zh) | 基于局部敏感的核稀疏表示的人脸识别方法 | |
CN107844751A (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN111914909B (zh) | 基于空谱联合三方向卷积网络的高光谱变化检测方法 | |
CN112580480B (zh) | 一种高光谱遥感影像分类方法及装置 | |
CN108197650A (zh) | 局部相似性保持的高光谱图像极限学习机聚类方法 | |
Zhang et al. | Regularization framework for target detection in hyperspectral imagery | |
CN107341505A (zh) | 一种基于图像显著性与Object Bank的场景分类方法 | |
Wang et al. | The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation | |
CN113344045A (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN115240072A (zh) | 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 | |
CN111079544B (zh) | 一种基于加权联合最近邻的多任务稀疏表示检测方法 | |
CN105869161B (zh) | 基于图像质量评价的高光谱图像波段选择方法 | |
CN110135479A (zh) | 基于随机森林测度学习的高光谱图像目标探测方法及系统 | |
CN111539447A (zh) | 一种基于高光谱与太赫兹数据深度融合的分类方法 |
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 |