CN112036258A - 基于投影零化递归神经网络的遥感图像目标检测算法 - Google Patents

Abstract

本发明公开了基于投影零化递归神经网络的遥感图像目标检测算法，首先对输入的原始遥感图像，建立其滤波输出的线性约束最优化数学模型，然后通过拉格朗日乘数法转换为一无约束最优化数学模型，再其转换为线性等式方程数学模型，利用投影零化递归神经网络算法求解，最后将输出的滤波系数向量经过变化域得到滤波输出后的遥感图像，实现遥感图像目标检测。和传统目标检测算法相比，本发明算法将一个受约束二次型优化问题转化为线性等式方程数学模型的求解，大大提高了计算的简易性；具有更快速的收敛速度、计算时间短、检测精度高和分类能力强等优点；对遥感图像目标检测的噪声信号起到一定的抑制作用。

Description

基于投影零化递归神经网络的遥感图像目标检测算法

技术领域

本发明属于遥感技术、图像处理技术领域，具体涉及一种基于投影零化递归神经网络的遥感图像目标检测算法。

背景技术

遥感技术经过几十年的发展，人们获取遥感图像的方式有了很大的改变，遥感图像的分辨率更高，这不仅促进了遥感图像多方面的应用，而且为遥感图像目标检测打了良好的基础。遥感图像包含了丰富的地物信息，通过对这些信息处理分析可以帮助人们解决众多的难题。遥感图像目标检测是其中一个重要的应用方向，许多军用和民用的应用都涉及到了目标检测或者跟踪，对特定目标快速识别和精确判读技术的研究一直有重大的战略意义。

近年来，随着遥感技术的不断发展，传感器获取地物特征信息的能力越来越强，数据量以及数据流益日增大。这对后期遥感图像处理技术带来了巨大的挑战，特别是在遥感图像目标检测领域。目标检测相当于一个二分类的问题，它的目的就是把感兴趣目标从复杂背景中隔离出来。在过去几十年里许多经典的遥感图像目标检测算法随着遥感图像的出现而出现，这些算法直到现在都还有着广泛的应用。这些算法大多数都是倾向于减弱背景信息突出目标信息，使感兴趣的目标在复杂背景下一目了然。具有代表性的算法有正交子空间投影方法OSP(Orthogonal Subspace Projection)、目标约束干扰最小方法TCIM(Target-Constrained Interference-Minmized)、和低概率检测LPD(Low ProbabilityDetection)等。其中，正交子空间投影方法OSP是一种基于线性混合模型的图像分类技术，需要图象中所有目标和背景端元的波谱信息，这些先验信息在实际应用中往往很难全部得知。且由于目标地物光谱信息的多样性以及多变性，考虑到遥感图像的光谱信息存在同物异谱或者同谱异物的情况，在许多情况下都存在背景光谱信息和目标光谱信息具有相似性的现象。上述的这些问题都使得大量的目标检测方法显得乏力。并在实际应用中有着计算量大、处理时间长等缺陷。

针对现有算法的不足，本发明提出一种基于投影零化递归神经网络的遥感图像目标检测算法，在图像分类和目标检测等领域拥有出色的性能，包括提高遥感图像目标检测的精度，缩减遥感图像目标检测计算时间和增强遥感图像目标分类能力。

发明内容

本发明的目的在于提供一种基于投影零化递归神经网络的遥感图像目标检测算法，解决传统遥感图像目标检测算法带来的复杂度高、收敛速度慢、精度低等问题。

本算法的技术思路为：

将投影零化递归神经网络算法用公式表示为：s_k+1＝s_k-γG^-1Ψ(Gs_k-b)，其中

为待求向量；w_k＝{w_k1，w_k2，…，w_kl}T是由滤波系数构成的l维向量；

为拉格朗日函数乘子；

为图像自相关系数矩阵；

为系数向量；

为给定步长因子；Ψ(·)为有界饱和允许投影函数，其具体求解过程如下：

①初始化，包括给定允许误差∈，给定初始点s₀，给定图像自相关系数矩阵G；给定系数向量b；给定步长因子γ；给定有界饱和允许投影函数表达式Ψ(·)；令k＝0。

②计算误差函数e_k＝Gs_k-b，若||e_k||≤∈，停止计算，输出s_k。

③根据有界饱和允许投影函数，输出

其中

e⁺为误差最大允许饱和上限，e^-为误差最小允许饱和下限。

④令

⑤令s_k+1＝s_k+γp_k，k＝k+1,转步②。

利用投影零化递归神经网络算法，关键需要找到合适的步长因子γ、误差最大允许饱和上限e⁺和误差最小允许饱和下限e^-。通过上述过程的有限次递归，输出满足步②的s_k，对s_k向量分解可得到滤波系数向量w_k，最后将输出的滤波系数向量经过变化域得到滤波输出后的遥感图像X^*，实现高于图像目标检测。

本算法具有以下鲜明的特点与优势：

第一，其误差函数根据具体所求问题可是矩阵、向量或标量取值的、不定无界的、实数或复数取值的，利用这种误差函数和演化公式可以使每个元素的计算误差均收敛到零；

第二，其在系统层面上利用了时变系数的导数信息，具有一定的预测能力；

第三，其在设计模型上引入投影函数，使得该算法具有更快速的收敛速度和较强的分类能力。

实现本发明目的的技术解决方案为：

一种基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，包括以下步骤：

步骤1：输入一幅原始遥感图像X；

步骤2：根据输入的遥感图像X，可获得自相关矩阵R和约束条件向量d；

步骤3：根据得出的自相关矩阵R和约束条件向量d，建立滤波输出的线性约束最优化数学模型；

步骤4：利用拉格朗日乘数法将所述滤波输出的线性约束最优化数学模型转化为无约束最优化数学模型：

步骤5：将所述无约束最优化数学模型转化为线性等式方程数学模型：

步骤6：利用投影零化递归神经网络算法，对所述线性等式方程数学模型进行求解；

步骤7：最终得到经过变换域得到滤波输出后的遥感图像

进一步地，步骤2中所述的自相关矩阵R和约束条件向量d，分别表示为：

其中{r₁，r₂，…，r_n}是遥感图像中的像元矢量，每个像元r_i＝[r_i1，r_i2，…，r_il]^T为l维列向量，l是波段数，1≤i≤N，

d＝(b₁，b₂，...，b_l)T (2)，

其中{b₁，b₂，…，b_l}是约束波段矢量，T表示向量转置运算。

进一步地，步骤3中所述的线性约束最优化数学模型具体表示为：

其中，w表示代求滤波系数。

进一步地，步骤4中得出的无约束最优化数学模型具体表示为：

F(w)＝w^TRw+λ(d^Tw-1) (4)，

其中，λ是拉格朗日乘子。

进一步地，步骤5中转化后的转化为线性等式方程数学模型具体表示为：

Gs(t)＝b (5)，

其中，G表示自相关系数矩阵：

b表示系数向量：

s(t)为待求向量，

w(t)＝{w₁(t)，w₂(t)，…，w_l(t)}^T是由滤波系数构成的l维向量，

为拉格朗日函数乘子。

进一步地，步骤6中所述的投影零化递归神经网络算法的具体步骤包括：

步骤61：将投影零化递归神经网络算法用公式表示为：

s_k+1＝s_k-γG^-1Ψ(Gs_k-b) (6)，

其中，

为待求向量，

w_k＝{w_k1，w_k2，…，w_kl}^T是由滤波系数构成的l维向量，

为拉格朗日函数乘子，

为图像自相关系数矩阵，

为系数向量，

为给定步长因子，Ψ(·)为有界饱和允许投影函数；

步骤62：参数初始化；

步骤63：计算误差函数e_k＝Gs_k-b，若||e_k||≤∈，停止计算并输出s_k，其中∈表示允许误差；

步骤64：根据有界饱和允许投影函数，输出

步骤65：令

s_k+1＝s_k+γp_k，重复步骤63直至计算结束输出s_k。

进一步地，步骤S61中所述参数初始化的具体步骤包括：

S611：初始化允许误差∈＝10^-9；

S612：随机生成初始点s₀∈[0，1]^l+1；

S613：初始化步长因子γ，初始化自相关系数矩阵G，初始化系数向量b，初始化有界饱和允许投影函数表达式Ψ(·)，初始化迭代次数k，令k＝0。

进一步地，步骤63中所述的有界饱和允许投影函数表达式为：

其中，e⁺为误差最大允许饱和上限，e^-为误差最小允许饱和下限。

本发明与现有技术相比，包括以下优点：

第一，本发明中的算法将一个受约束二次型优化问题转化为线性等式方程数学模型的求解，大大提高了计算的简易性，减少运算量，提高计算速度；

第二，本发明中的算法在设计模型上引入投影函数，与其他同类算法相比具有更快速的收敛速度、计算时间短、图像目标检测精度高和图像阈值分类能力强；

第三，本发明中的算法对遥感图像目标检测的噪声信号起到一定的抑制作用。

附图说明

图1是本发明算法的流程示意图；

图2是原始遥感图像1；

图3是对原始遥感图像1经过本发明算法处理后的图像；

图4是维多利亚港的原始卫星图像；

图5是维多利亚港的原始卫星图像传统的梯度算法处理后的图像；

图6是维多利亚港的原始卫星图像经本发明算法处理后的图像；

图7是青岛湾附近海域的原始卫星图像；

图8是青岛湾附近海域的原始卫星图像传统的梯度算法处理后的图像；

图9是青岛湾附近海域的原始卫星图像经本发明算法处理后的图像；

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

参考附图1-9可以看出，一种基于投影零化递归神经网络的遥感图像目标检测算法，包括以下步骤：

步骤1：输入一幅原始遥感图像X；

步骤2：根据输入的遥感图像X，获得自相关矩阵R和约束条件向量d，分别表示为：

其中{r₁，r₂，…，r_n}是遥感图像中的像元矢量，每个像元r_i＝[r_i1，r_i2，…，r_il]^T为l维列向量，l是波段数，1≤i≤N，

d＝(b₁，b₂，...，b_l)^T (2)，

其中{b₁，b₂，…，b_l}是约束波段矢量，T表示向量转置运算。

步骤3：根据得出的自相关矩阵R和约束条件向量d，建立滤波输出的线性约束最优化数学模型：

其中，w表示代求滤波系数；

步骤4：利用拉格朗日乘数法将所述滤波输出的线性约束最优化数学模型转化为无约束最优化数学模型：

F(w)＝w^TRw+λ(d^Tw-1) (4)，

其中，λ是拉格朗日乘子。

步骤5：将所述无约束最优化数学模型转化为线性等式方程数学模型：

Gs(t)＝b (5)，

其中，G表示自相关系数矩阵：

b表示系数向量：

s(t)为待求向量，

w(t)＝{w₁(t)，w₂(t)，…，w_l(t)}^T是由滤波系数构成的l维向量，

为拉格朗日函数乘子；

步骤6：利用投影零化递归神经网络算法，对所述线性等式方程数学模型进行求解，所述投影零化递归神经网络算法的具体步骤包括：

步骤61：将投影零化递归神经网络算法用公式表示为：

s_k+1＝s_k-γG^-1Ψ(Gs_k-b) (6)，

其中，

为待求向量，w_k＝{w_k1，w_k2，…，w_kl}^T是由滤波系数构成的l维向量，

为拉格朗日函数乘子，

为图像自相关系数矩阵，

为系数向量，

为给定步长因子，Ψ(·)为有界饱和允许投影函数；

步骤62：参数初始化；

步骤63：计算误差函数e_k＝Gs_k-b，若||e_k||≤∈，停止计算并输出s_k，其中∈表示允许误差；

步骤64：根据有界饱和允许投影函数，输出

步骤65：令

s_k+1＝s_k+γp_k，重复步骤63直至计算结束输出s_k；

步骤7：对步骤65中得到的s_k进行向量分解，得到滤波系数向量w_k，将滤波系数向量w_k经过变换域得到滤波输出后的遥感图像

即得实现遥感图像目标检测的目的。

进一步地，步骤61中所述参数初始化的具体步骤包括：

S611：初始化允许误差∈＝10^-9；

S612：随机生成初始点s₀∈[0，1]^l+1；

S613：初始化步长因子γ，初始化自相关系数矩阵G，初始化系数向量b，初始化有界饱和允许投影函数表达式Ψ(·)，初始化迭代次数k，令k＝0。

进一步地，步骤63中所述的有界饱和允许投影函数表达式为：

其中，e⁺为误差最大允许饱和上限，e^-为误差最小允许饱和下限。

实施例

首先，利用传感器获得遥感图像，输入其中一幅遥感图像X待处理，如附图2所示的图像；

其次，根据输入的遥感图像X，先验获得自相关矩阵和约束条件向量，并建立滤波输出的线性约束最优化数学模型；

再次，利用拉格朗日乘数法将建立的线性约束最优化数学模型转换为无约束最优化数学模型；

再次，再将转换后的无约束最优化数学模型转化为线性等式方程数学模型；

最后，对得出的线性等式方程数学模型进行采样，得到其相应的离散时间表达式，再利用投影零化递归神经网络算法对线性等式方程数学模型进行求解，最终得出滤波输出后的遥感图像X^*，如附图3所示；

结合附图2和附图3，将两幅图像整体对比可以看出：首先，原始图像中含有一些局部噪音，经过本发明算法滤波处理进行目标检测后，明显可以看出噪音得到了一定程度的抑制；其次，原始图像上面的需要进行目标检测的地物(竹筏)模糊严重，表现为现许多的块，而且图像细节不是很清晰，分辨率较低，层次感不鲜明，通过本发明的算法处理后，可以很清楚地发现进行目标检测后的图像有大幅度地改善，图像细节分辨率得到了明显提高，而且处理后的图像清晰的也进一步增强，层次感相对于原始图像更加鲜明。

为了进一步增加本发明算法的优越性能，在这里我们再增加一个对比实验。我们从维多利亚港(见附图4)和青岛湾(见附图7)区域选择了两幅分辨率为768×1024的卫星图像，应用本发明算法和传统的梯度算法对两幅图像进行处理。可以明显的看出，原图像的海面及悬浮泥沙等背景信息比较多，本发明中的算法改进使得我们的目标货船能够和大概率背景给分离出来。

附图6和附图9分别为上述的两幅原始图像分别经过本发明算法处理后得出的图像，海面及悬浮泥沙等背景信息几乎完全得到了过滤，只留下了我们想要增强的货船信息。而利用传统的梯度算法处理上述的两幅原始图像，得出的结果如附图5和图8，明显可以看出图像处理后仍然留下了大量的海面及悬浮泥沙等噪声，增强后的图像质量显然效果比较一般。因此，根据与传统算法相比处理后的图像质量可以得出本发明算法在目标增强检测方面的有效性和优越性。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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)

1.一种基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，包括以下步骤：

步骤1：输入一幅原始遥感图像X；

步骤2：根据输入的遥感图像X，可获得自相关矩阵R和约束条件向量d；

步骤3：根据得出的自相关矩阵R和约束条件向量d，建立滤波输出的线性约束最优化数学模型；

步骤4：利用拉格朗日乘数法将所述滤波输出的线性约束最优化数学模型转化为无约束最优化数学模型：

步骤5：将所述无约束最优化数学模型转化为线性等式方程数学模型：

步骤6：利用投影零化递归神经网络算法，对所述线性等式方程数学模型进行求解；

步骤7：最终得到经过变换域得到滤波输出后的遥感图像

2.根据权利要求1所述的基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，步骤2中所述的自相关矩阵R和约束条件向量d，分别表示为：

其中{r₁，r₂，…，r_n}是遥感图像中的像元矢量，每个像元r_i＝[r_i1，r_i2，…，r_il]T为l维列向量，l是波段数，1≤i≤N，

d＝(b₁，b₂，...，b_l)^T (2)，

其中{b₁，b₂，…，b_l}是约束波段矢量，T表示向量转置运算。

3.根据权利要求1所述的基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，步骤3中所述的线性约束最优化数学模型具体表示为：

subject to d^Tw＝1 (3)，

其中，w表示代求滤波系数。

4.根据权利要求1所述的基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，步骤4中得出的无约束最优化数学模型具体表示为：

F(w)＝w^TRw+λ(d^Tw-1) (4)，

其中，λ是拉格朗日乘子。

5.根据权利要求1所述的基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，步骤5中转化后的转化为线性等式方程数学模型具体表示为：

Gs(t)＝b (5)，

其中，G表示自相关系数矩阵：

b表示系数向量：

s(t)为待求向量，

w(t)＝{w₁(t)，w₂(t)，…，w_l(t)}^T是由滤波系数构成的l维向量，

为拉格朗日函数乘子。

6.根据权利要求1所述的基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，步骤6中所述的投影零化递归神经网络算法的具体步骤包括：

步骤61：将投影零化递归神经网络算法用公式表示为：

s_k+1＝s_k-γG^-1Ψ(Gs_k-b) (6)，

其中，

为待求向量，w_k＝{w_k1，w_k2，…，w_kl}^T是由滤波系数构成的l维向量，

为拉格朗日函数乘子，

为图像自相关系数矩阵，

为系数向量，

为给定步长因子，Ψ(·)为有界饱和允许投影函数；

步骤62：参数初始化；

步骤63：计算误差函数e_k＝Gs_k-b，若||e_k||≤∈，停止计算并输出s_k，其中∈表示允许误差；

步骤64：根据有界饱和允许投影函数，输出

步骤65：令

s_k+1＝s_k+γp_k，重复步骤63直至计算结束输出s_k。

7.根据权利要求6所述的基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，步骤S61中所述参数初始化的具体步骤包括：

S611：初始化允许误差∈＝10^-9；

S612：随机生成初始点s₀∈[0，1]^l+1；

S613：初始化步长因子γ，初始化自相关系数矩阵G，初始化系数向量b，初始化有界饱和允许投影函数表达式Ψ(·)，初始化迭代次数k，令k＝0。

8.根据权利要求6所述的基于投影零化递归神经网络的遥感图像目标检测算法，其特征在于，步骤63中所述的有界饱和允许投影函数表达式为：

其中，e⁺为误差最大允许饱和上限，e^-为误差最小允许饱和下限。

Images