CN111597951A - 一种面向目标检测的高光谱图像特征选择方法 - Google Patents
一种面向目标检测的高光谱图像特征选择方法 Download PDFInfo
- Publication number
- CN111597951A CN111597951A CN202010395449.8A CN202010395449A CN111597951A CN 111597951 A CN111597951 A CN 111597951A CN 202010395449 A CN202010395449 A CN 202010395449A CN 111597951 A CN111597951 A CN 111597951A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- target
- candidate
- mean
- spectrums
- 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.)
- Pending
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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
本发明公开了一种面向目标检测的高光谱图像波段选择方法,属于遥感图像处理领域,包括以下步骤:1)读取目标的光谱信息,并设置需要选择的特征数目(特征数目应小于波段总数);2)计算待处理的高光谱图像的均值光谱;3)按次序去除目标光谱和均值光谱的各个波段,每次去除一个,分别得到一组目标候选光谱和均值候选光谱;4)计算目标候选光谱和均值候选光谱的光谱角度;5)找出最有最大光谱角度的波段组合作为新的目标光谱和均值光谱,若此时剩余的波段数目达到第一步预设的特征数目,则此时剩余的波段即为最终选择的特征组合。本发明提出的基于角度距离的光谱特征选择能够实现目标光谱和均值光谱的良好区分,同时具有较低的计算复杂度。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种面向目标检测的高光谱图像波段选择方法。
背景技术
高光谱遥感影像的重要特点是拥有极高的光谱分辨率,一般可达2nm-5nm,由于高光谱遥感的出现,使得本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。高光谱图像的光谱分辨率很高,导致相邻波段间具有极高的相关性。对实际的高光谱图像分析表明,其相邻波段间的相关系数有时高达0.99。高光谱图像维数的增加一方面增加了计算复杂度,另一方面也带来了“维数灾难”效应,即随着波段数的增加,应用效果反而降低的现象。为此,需要对高光谱图像进行降维处理,其中特征选择是高光谱图像降维的一种重要手段。现有的波段选择方法主要是基于信息统计理论,如MVPCA,IDBS等,这些方法不针对特定的应用场景,对分类等应用具有较好的效果,但对于目标检测场景并不适用。此外,这些方法还具有较大的计算复杂度。面向目标检测的高光谱图像波段选择技术目前研究较少,因此研究用于目标检测的快速高光谱图像波段选择技术具有重要意义。
发明内容
本发明所要解决的技术问题在于提供一种面向目标检测的高光谱图像特征选择方法,其主要目标是以较小的计算复杂度,选择对目标检测最有利的特征组合。
本发明采用的技术方案为:
一种面向目标检测的高光谱图像特征选择方法,包括以下步骤:
步骤1,根据目标光谱设置需要选择的特征数目,其中特征数目小于波段总数;
步骤2,计算待处理的高光谱图像的均值光谱;
步骤3,按次序每次去除目标光谱和均值光谱的一个波段,得到一组目标候选光谱及均值候选光谱,依次去除完所有波段后得到多组目标候选光谱和均值候选光谱;
步骤4,分别计算每组目标候选光谱和均值候选光谱的光谱角度;
步骤5,找出具有最大光谱角度的一组目标候选光谱及均值候选光谱,若波段数目达到步骤1预设的特征数目,则该组目标候选光谱及均值候选光谱的波段即为最终选择的特征组合,否则将该组目标候选光谱及均值候选光谱作为新的目标光谱和均值光谱,返回步骤3。
其中,步骤4中每组目标候选光谱和均值候选光谱的光谱角度θ的计算方式为:
本发明相比现有技术具有如下优点:
(1)本发明提出的基于角度距离的光谱特征选择能够实现目标光谱和均值光谱的良好区分,选取的特征可以获得较好的目标检测效果;
(2)本发明提出方法具有极小的计算复杂度,计算效率高。
附图说明
图1为本发明实施例的整体流程图。
具体实施方式
下面结合附图1及实施例对本发明做进一步详细的说明。
本发明的原理为:高光谱图像目标检测的重要依据是目标光谱和其他像素光谱之间的差异性,本发明方法属于监督型方法,在获取目标的光谱特征后,首先计算高光谱图像的均值光谱,然后利用目标光谱和高光谱图像均值光谱进行光谱角度计算,逐个删除高光谱的各个波段,每次保留的均为当前波段数目下,能够使目标和背景具有最大区分度的特征。本发明能够在保持较好的目标检测效果的情况下提高目标检测效率。本发明在降低计算复杂度的同时,可以获得良好的目标检测效果,在高光谱数据处理领域具有重要意义。
具体包括以下步骤:
步骤1读取目标的光谱信息,并设置需要选择的特征数目(特征数目应小于波段总数);
步骤2读取待处理的高光谱图像信息,计算高光谱图像的均值光谱;其中:均值光谱的计算具体如下:
高光谱图像的维数信息包括:影像宽度w、影像高度h和影像波段数目l;
其中xij为高光谱图像中第i列第j行的光谱数据。
步骤3按次序去除目标光谱和均值光谱的各个波段,每次去除一个,分别得到一组目标候选光谱和均值候选光谱,依次去除完所有波段后得到多组目标候选光谱和均值候选光谱;具体实现如下:
首先去除目标光谱d和均值光谱m的第一个元素,得到第一组目标候选光谱d1及均值候选光谱m1,去除方式如下:
接着去除目标光谱d和均值光谱m的第二个元素,得到第二组目标候选光谱d2及均值候选光谱m2,去除方式如下:
按次序依次去除剩余的波段,最终获得l组目标候选光谱及均值候选光谱。
步骤4计算目标候选光谱和均值候选光谱的光谱角度;计算方式为:
步骤5找出具有最大光谱角度的一组目标候选光谱及均值候选光谱,若波段数目达到步骤1预设的特征数目,则该组目标候选光谱及均值候选光谱的波段即为最终选择的特征组合,否则将该组目标候选光谱及均值候选光谱作为新的目标光谱和均值光谱,返回步骤3。
本发明的效果可通过以下试验进一步说明:
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz,32GB内存;软件环境为Windows764位专业版。
2.试验方法。
本发明提供的输入数据是目标光谱、高光谱图像以及待选择的特征数目,输出结果是选择的特征集合。为验证本发明的效果,将本发明与原始未进行特征选择时的计算效果进行对比,即对照组将目标光谱直接与高光谱图像进行匹配,进行目标检测试验,本发明的目标检测结果获取,首先进行特征选择然后将特征选择后的结果进行目标检测试验,目标检测算法均采用MF方法。主要针对目标检测率以及计算时间进行对比分析。
3.试验内容与结果。
试验选择公开影像AVIRIS获取的圣地亚哥机场数据进行,影像大小400×400像素,有效光谱数量189个,空间分辨率为3.5m。
试验结果如下,利用对比方法进行处理,目标检测率88.71%,耗时24.32s,使用本发明方法进行选择15个波段进行处理,目标检测率89.03%,耗时5.07s。
试验结果表明,本发明方法对保持较高检测率的情况下,可以大幅提高计算效率。
Claims (2)
1.一种面向目标检测的高光谱图像特征选择方法,其特征在于,包括以下步骤:
步骤1,根据目标光谱设置需要选择的特征数目,其中特征数目小于波段总数;
步骤2,计算待处理的高光谱图像的均值光谱;
步骤3,按次序每次去除目标光谱和均值光谱的一个波段,得到一组目标候选光谱及均值候选光谱,依次去除完所有波段后得到多组目标候选光谱和均值候选光谱;
步骤4,分别计算每组目标候选光谱和均值候选光谱的光谱角度;
步骤5,找出具有最大光谱角度的一组目标候选光谱及均值候选光谱,若波段数目达到步骤1预设的特征数目,则该组目标候选光谱及均值候选光谱的波段即为最终选择的特征组合,否则将该组目标候选光谱及均值候选光谱作为新的目标光谱和均值光谱,返回步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395449.8A CN111597951A (zh) | 2020-05-12 | 2020-05-12 | 一种面向目标检测的高光谱图像特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395449.8A CN111597951A (zh) | 2020-05-12 | 2020-05-12 | 一种面向目标检测的高光谱图像特征选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597951A true CN111597951A (zh) | 2020-08-28 |
Family
ID=72181262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010395449.8A Pending CN111597951A (zh) | 2020-05-12 | 2020-05-12 | 一种面向目标检测的高光谱图像特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597951A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329792A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于光谱角度的高光谱图像目标特征提取方法 |
CN112330622A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于地物最大区分度的高光谱图像波段选择方法 |
CN114417247A (zh) * | 2022-01-19 | 2022-04-29 | 中国电子科技集团公司第五十四研究所 | 一种基于子空间的高光谱图像波段选择方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131734A (zh) * | 2007-06-25 | 2008-02-27 | 北京航空航天大学 | 适用于高光谱遥感图像的自动波段选择方法 |
CN105678342A (zh) * | 2016-02-24 | 2016-06-15 | 江南大学 | 基于联合偏度的玉米种子高光谱图像波段选择方法 |
CN105989592A (zh) * | 2015-02-11 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于双聚类及邻域分析的高光谱图像波段选择方法 |
CN108596077A (zh) * | 2018-04-20 | 2018-09-28 | 南阳理工学院 | 高光谱图像自适应光谱聚焦波段选择方法 |
-
2020
- 2020-05-12 CN CN202010395449.8A patent/CN111597951A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131734A (zh) * | 2007-06-25 | 2008-02-27 | 北京航空航天大学 | 适用于高光谱遥感图像的自动波段选择方法 |
CN105989592A (zh) * | 2015-02-11 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于双聚类及邻域分析的高光谱图像波段选择方法 |
CN105678342A (zh) * | 2016-02-24 | 2016-06-15 | 江南大学 | 基于联合偏度的玉米种子高光谱图像波段选择方法 |
CN108596077A (zh) * | 2018-04-20 | 2018-09-28 | 南阳理工学院 | 高光谱图像自适应光谱聚焦波段选择方法 |
Non-Patent Citations (1)
Title |
---|
王琪,杨桄,向英杰: "基于子空间划分的高光谱图像波段选择方法", 《舰船电子工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329792A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于光谱角度的高光谱图像目标特征提取方法 |
CN112330622A (zh) * | 2020-10-30 | 2021-02-05 | 中国电子科技集团公司第五十四研究所 | 一种基于地物最大区分度的高光谱图像波段选择方法 |
CN112329792B (zh) * | 2020-10-30 | 2022-12-09 | 中国电子科技集团公司第五十四研究所 | 一种基于光谱角度的高光谱图像目标特征提取方法 |
CN114417247A (zh) * | 2022-01-19 | 2022-04-29 | 中国电子科技集团公司第五十四研究所 | 一种基于子空间的高光谱图像波段选择方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597951A (zh) | 一种面向目标检测的高光谱图像特征选择方法 | |
CN109344618B (zh) | 一种基于深度森林的恶意代码分类方法 | |
CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
Schweizer et al. | Efficient detection in hyperspectral imagery | |
Zhu et al. | Study of remote sensing image texture analysis and classification using wavelet | |
Shi et al. | Sensor-independent hyperspectral target detection with semisupervised domain adaptive few-shot learning | |
CN111160273A (zh) | 一种高光谱图像空谱联合分类方法及装置 | |
CN109583469B (zh) | 基于互信息的k均值高光谱图像波段聚类方法 | |
CN113075129B (zh) | 一种基于近邻子空间划分高光谱影像波段选择方法及系统 | |
CN113269201A (zh) | 一种基于潜在特征融合的高光谱影像波段选择方法及系统 | |
CN110837786A (zh) | 基于空间通道的密度图产生方法、装置、电子终端及介质 | |
CN115457311A (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
CN117237618A (zh) | 一种高光谱图像异常检测方法 | |
Bhushan et al. | An effective pre-processing algorithm for detecting noisy spectral bands in hyperspectral imagery | |
CN110704667B (zh) | 一种基于语义信息的快速相似图检测方法 | |
Wu et al. | Adaptive dynamic networks for object detection in aerial images | |
CN108446723B (zh) | 一种高光谱图像的多尺度空谱协同分类方法 | |
Hosseini et al. | A new hyperspectral image classification approach using fractal dimension of spectral response curve | |
CN109035199B (zh) | 高光谱数据端元提取方法、存储介质和电子设备 | |
CN112330622B (zh) | 一种基于地物最大区分度的高光谱图像波段选择方法 | |
CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
CN106682672A (zh) | 一种高光谱图像特征描述子的获取方法及装置 | |
CN113361355A (zh) | 联合多时相特征的遥感影像地表要素识别方法及存储介质 | |
CN108510519B (zh) | 一种跟踪过程中动态目标的特征光谱提取方法 | |
CN111539470A (zh) | 图像处理方法、装置、计算机设备及存储介质 |
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 |