CN112365490A - 一种基于样本过采样的稀疏表示高光谱图像目标检测方法 - Google Patents
一种基于样本过采样的稀疏表示高光谱图像目标检测方法 Download PDFInfo
- Publication number
- CN112365490A CN112365490A CN202011335905.6A CN202011335905A CN112365490A CN 112365490 A CN112365490 A CN 112365490A CN 202011335905 A CN202011335905 A CN 202011335905A CN 112365490 A CN112365490 A CN 112365490A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- hyperspectral image
- background
- oversampling
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于样本过采样的稀疏表示高光谱图像目标检测方法,方法包括:首先从待检测的高光谱图像上选择目标训练样本和背景训练样本;然后利用合成少数类的过采样技术生成新的目标训练样本,扩充目标训练样本的数量从而平衡目标和背景训练样本之间的数量;然后构建稀疏表示模型并计算稀疏向量重构残差,计算目标检测统计值;最后根据目标检测统计值,实现目标检测。本发明的有益效果是:针对目前稀疏表示在高光谱图像目标探测领域应用时,在字典构造过程中,目标训练样本与背景训练样本不平衡的问题,本发明利用合成少数类样本技术进行目标训练样本扩充,解决样本数量不平衡的问题,能够更为精确地恢复测试像元的稀疏表示向量,使得目标检测效果得到了进一步提升。
Description
技术领域
本发明属于遥感图像处理领域,主要是涉及一种基于样本过采样的稀疏表示高光谱图像目标检测方法。
背景技术
高光谱图像具有很高的光谱分辨率,往往可以低于10nm,其包含数百甚至数千个光谱段落,可以提供丰富的光谱信息。不同地物光谱曲线的差异性是高光谱图像上不同类地物像元可以进行区分的基础。在高光谱图像目标检测中,根据像元的光谱特征将其标记为目标或者背景,目前广泛应用于地质学、植被研究等。经典的目标检测方法的有效性依赖于对统计模型的正确的假设,不能保证这些假设在现实场景中一定成立。近些年来,随着计算机技术的发展,机器学习等相关知识被逐步引用到高光谱图像目标检测方法当中去。
图像作为信号的一种表现形式,其本质上是稀疏的,且高光谱图像波段数目多,维度高,包含的信息量大,它的稀疏性相对更加明显。稀疏表示成功应用于高光谱图像目标检测方法当中,利用目标和背景子字典中的几个训练原子来表示测试像素,并通过求解稀疏约束优化问题得到恢复的表示。但是,由于高光谱图像目标检测过程中,目标像素本来在整个高光谱图像中数量少,会导致目标训练样本极其有限,使得目标训练样本与背景训练样本数据量不均衡。如果直接将稀疏表示直接用到目标检测中,构造的目标字典会导致目标字典的训练样本远小于背景字典的训练样本,难以很好地恢复目标稀疏向量,导致最终检测模型的弱化。如何利用有限的训练样本构建稀疏表示模型,很好的处理不均衡训练样本的情况,是本专利方法的关键难点。
利用合成少数类的过采样技术(Synthetic minority oversampling technique,SMOTE),在目标训练样本附近位置生成新样本达到类别平衡的目的,能够弥补稀疏表示在高光谱图像目标检测中的缺陷。
发明内容
针对现有稀疏表示方法在高光谱图像目标检测中的应用问题,结合SMOTE技术的优势,解决目标字典和背景字典中目标训练样本与背景训练样本数据量不均衡问题,从而更好地恢复稀疏向量,获得理想的检测性能,本发明提出一种基于样本过采样的稀疏表示高光谱图像目标检测方法,主要包括以下步骤:
S1:从待检测的高光谱图像X上选择Nt个目标训练样本;
所述高光谱图像X为B×N的矩阵数据,B为所述高光谱图像X波段数,N为所述遥感图像X的像元数;其中,N个像元包括若干个目标像元和若干个背景像元;所述目标训练样Nt数量小于目标像元数量。
S2:从待检测的高光谱图像X上选择Nb个背景训练样本;
S3:通过SMOTE技术扩充目标训练样本,使用采样倍数n来调节生成的新的目标训练样本数(n-1)Nt,则目标总训练样本数为nNt;
S4:利用S3目标训练样本和S2背景训练样本,构建稀疏表示模型;
S5:分解稀疏向量,并计算重建残差,并构建检测器DOversampling-STD;
S6:利用S5得到的检测器对高光谱图像中的所有像元进行检测,得到目标检测结果。
进一步的,所述S3具体包括以下步骤:
S31:对于S1中目标训练样本中的每一个样本xi,计算它到目标训练样本集中所有样本的欧式距离,得到其中K个近邻;
S32:根据样本不平衡比例设置一个采样比例,确定采样倍数n,对于S1中每一个目标训练样本xi,从K个近邻中随机选择若干个样本,设选择的近邻样本为x′i;
S33:对于每一个随机选出的近邻x′i,分别于原样本构建新的目标训练样本数量为nNt。
进一步的,所述S4具体包括以下步骤:
S41:用S3目标训练样本和S2的背景训练样本构成联合字典D=[DbDt];
S42:对每个待测像元x进行稀疏表示
S43:根据
进一步的,所述S5具体包括以下步骤:
S52:分别计算目标和背景残差
上述式(3)和(4)分别为目标残差和背景残差;
S53:通过目标残差和背景残差,构建检测函数DOversampling-STD
DOversampling-STD=rb(x)-rt(x) (5)
进一步的,所述S6步骤如下:
S61:将S53构建的检测器DOversampling-STD用于高光谱图像中所有的像元,并得到检测结果DN={D1D2D3…DN},其中N代表像元数量;
S61:将设置一个阈值δ,与DN中的每一个值进行比较,如果DN大于阈值δ,则待测像素x表示目标像元,相反,则为背景像元。
相比于现有的技术,本发明的有益效果在于:针对目前稀疏表示在高光谱图像目标探测领域应用时,在字典构造过程中,目标训练样本与背景训练样本不平衡的问题,本发明利用SMOTE技术进行目标训练样本扩充,解决样本数量不平衡的问题,能够更为精确地恢复测试像元的稀疏表示向量,使得目标检测效果得到了进一步提升。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明基于样本过采样的稀疏表示高光谱图像目标检测方法流程图;
图2为本发明实施例中对某高光谱图像进行目标探测的受试者工作特征曲线(receiver operating characteristic curve,ROC)图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于样本过采样的稀疏表示高光谱图像目标检测方法。
请参考图1,图1是本发明实例中一种基于样本过采样的稀疏表示高光谱图像目标检测方法的流程图,具体包括如下步骤:
S1:从待检测的高光谱图像X上选择Nt个目标训练样本;
所述高光谱图像X为B×N的矩阵数据,B为所述高光谱图像X波段数,N为所述遥感图像X的像元数;其中,N个像元包括若干个目标像元和若干个背景像元;所述目标训练样Nt数量小于目标像元数量。
S2:从待检测的高光谱图像X上选择Nb个背景训练样本;
S3:通过SMOTE技术扩充目标训练样本,使用采样倍数n来调节生成的新的目标训练样本数(n-1)Nt,则目标总训练样本数为nNt;
S4:利用S3中的目标训练样本和S2中的背景训练样本,构建稀疏表示模型;
S5:分解稀疏向量,并计算重建残差,并构建检测器DOversampling-STD;
S6:利用S5得到的检测器对高光谱图像中的所有像元进行检测,得到目标检测结果。
进一步的,所述S3具体包括以下步骤:
S31:对于S1中目标训练样本中的每一个样本xi,计算它到目标训练样本集中所有样本的欧式距离,得到其中K个近邻;
S32:根据样本不平衡比例设置一个采样比例,确定采样倍数n,对于S1中每一个目标训练样本xi,从K个近邻中随机选择若干个样本,设选择的近邻样本为x′i;
S33:对于每一个随机选出的近邻x′i,分别于原样本构建新的目标训练样本数量为nNt。
进一步的,所述S4具体包括以下步骤:
S41:用S3中的目标训练样本和S2中的背景训练样本构成联合字典D=[DbDt];
S42:对每个待测像元x进行稀疏表示
S43:根据
进一步的,所述S5具体包括以下步骤:
S52:分别计算目标和背景残差
上述式(3)和(4)分别为目标残差和背景残差;
S53:通过目标和背景残差,构建检测函数DOversampling-STD
DOversampling-STD=rb(x)-rt(x) (5)
进一步的,所述S6步骤如下:
S61:对于S53构建的检测器DOversampling-STD用于高光谱图像中所有的像元,并得到检测结果DN={D1D2D3…DN},其中N代表像元数量;
S61:将设置一个阈值δ,与DN中的每一个值进行比较,如果DN大于阈值δ,则待测像素x表示目标像元,相反,则为背景像元。
为进一步对本发明所提出的技术方案进行说明,本发明实例采用:AirborneVisible Infrared Imaging Spectrometer(AVIRIS)传感器获取的美国加利福尼亚州圣地亚哥市的机场数据,高光谱图像大小60像元×60像元,空间分辨率为3.5米,光谱分辨率为10nm,波段范围为370nm到2510nm,共189个可用波段。分别采用经典的自适应余弦评估探测器(Adaptive Coherence Estimator,ACE),基于稀疏表示的探测器(Sparserepresentation for target detection,STD),基于二元假设稀疏表示探测器(SparseRepresentation-Binary Hypothesis,SRBBH)和本发明方法进行目标探测。
本发明实例采用MATLAB平台实现,采用ROC曲线和ROC曲线下面积(Area UnderCurve,AUC)值的评价方法;请参阅图2,图2显示了ACE、STD、SRBBH和本发明方法四种不同方法的AVRIS数据集ROC曲线图。
数据集 | ACE | STD | SRBBH | 本发明方法 |
AVRIS | 0.7835 | 0.9336 | 0.8821 | 0.9847 |
上表为ACE、STD、SRBBH和本发明方法不同探测方法的AUC值。
本发明方法与最近的其他三种高光谱图像目标检测方法进行对比实验,对AVIRIS高光谱数据进行实验,实验结果和数据证明本发明方法具有较好的目标检测性能。
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不局限于此。但本发明的保护范围并不局限于此,任何数据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 (5)
1.一种基于样本过采样的稀疏表高光谱图像目标检测方法,其特征在于:包括以下步骤:
S1:从待检测的高光谱图像X上选择Nt个目标训练样本;
所述高光谱图像X为B×N的矩阵数据,B为所述高光谱图像X波段数,N为所述遥感图像X的像元数;其中,N个像元包括若干个目标像元和若干个背景像元;所述目标训练样数量Nt小于目标像元数量。
S2:从待检测的高光谱图像X上选择Nb个背景训练样本;
S3:通过SMOTE技术扩充目标训练样本,使用采样倍数n来调节生成的新的目标训练样本数(n-1)Nt,则目标总训练样本数为nNt;
S4:利用S3中的目标训练样本和S2中的背景训练样本,构建稀疏表示模型;
S5:分解稀疏向量,并计算重建残差,并构建检测器DOversampling-STD;
S6:利用S5得到的检测器对高光谱图像中的所有像元进行检测,得到目标检测结果。
2.如权利要求1所述的一种基于样本过采样的稀疏表示高光谱图像目标检测方法,其特征在于:所述S3具体包括以下步骤:
S31:对于S1中目标训练样本中的每一个样本xi,计算它到目标训练样本集中所有样本的欧式距离,得到其中K个近邻;
S32:根据样本不平衡比例设置一个采样比例,确定采样倍数n,对于S1中每一个目标训练样本xi,从K个近邻中随机选择若干个样本,设选择的近邻样本为x′i;
S33:对于每一个随机选出的近邻x′i,分别于原样本构建新的目标训练样本,数量为nNt。
5.如权利要求1所述的一种基于样本过采样的稀疏表示高光谱图像目标检测方法,其特征在于,所述S6具体包括以下步骤:
S61:对于S53构建的检测器DOversampling-STD用于高光谱图像中所有的像元,并得到检测结果DN={D1 D2 D3…DN},其中N代表像元数量;
S61:将设置一个阈值δ,与DN中的每一个值进行比较,如果DN大于阈值δ,则待测像素x表示目标像元,相反,则为背景像元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335905.6A CN112365490A (zh) | 2020-11-25 | 2020-11-25 | 一种基于样本过采样的稀疏表示高光谱图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335905.6A CN112365490A (zh) | 2020-11-25 | 2020-11-25 | 一种基于样本过采样的稀疏表示高光谱图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365490A true CN112365490A (zh) | 2021-02-12 |
Family
ID=74533316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011335905.6A Pending CN112365490A (zh) | 2020-11-25 | 2020-11-25 | 一种基于样本过采样的稀疏表示高光谱图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365490A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580463A (zh) * | 2019-08-30 | 2019-12-17 | 武汉大学 | 单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法 |
CN111027509A (zh) * | 2019-12-23 | 2020-04-17 | 武汉大学 | 一种基于双流卷积神经网络的高光谱图像目标检测方法 |
-
2020
- 2020-11-25 CN CN202011335905.6A patent/CN112365490A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580463A (zh) * | 2019-08-30 | 2019-12-17 | 武汉大学 | 单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法 |
CN111027509A (zh) * | 2019-12-23 | 2020-04-17 | 武汉大学 | 一种基于双流卷积神经网络的高光谱图像目标检测方法 |
Non-Patent Citations (3)
Title |
---|
梅子行: "《智能风控 原理、算法与工程实践》", 31 January 2020, 机械工业出版社 * |
王强辉 等: "基于稀疏表示的高光谱目标检测算法研究进展", 《激光杂志》 * |
赵慧: "基于非均衡数据的传统分类模型研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Hyperspectral anomaly detection via a sparsity score estimation framework | |
US9317929B2 (en) | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images | |
CN106845341B (zh) | 一种基于虚拟号牌的无牌车辆识别方法 | |
CN105825200A (zh) | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 | |
Uss et al. | Multimodal remote sensing image registration with accuracy estimation at local and global scales | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN107194936B (zh) | 基于超像素联合稀疏表示的高光谱图像目标检测方法 | |
CN110276746B (zh) | 一种鲁棒性遥感图像变化检测方法 | |
CN110728706B (zh) | 基于深度学习的sar图像精细配准方法 | |
CN111881933A (zh) | 一种高光谱图像分类方法及系统 | |
CN109544610A (zh) | 一种基于卷积神经网络的图像配准方法 | |
CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
CN111046800A (zh) | 一种基于低秩与稀疏分解的高光谱图像异常目标检测方法 | |
CN115018773A (zh) | 基于全局动态卷积神经网络的sar图像变化检测方法 | |
CN103870836A (zh) | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 | |
CN112163458A (zh) | 基于CASI高光谱与机载LiDAR融合的地物分类方法 | |
Song et al. | Multi-scale feature based land cover change detection in mountainous terrain using multi-temporal and multi-sensor remote sensing images | |
CN107239768B (zh) | 一种基于张量主成分分析降维的高光谱图像目标检测方法 | |
CN107316009B (zh) | 基于张量线性判别分析降维的高光谱图像目标检测方法 | |
CN108510531A (zh) | 基于pcncc和邻域信息的sar图像配准方法 | |
CN111105363A (zh) | 一种含噪高光谱图像快速解混方法 | |
CN109815440A (zh) | 联合图优化和投影学习的维数约简方法 | |
CN105825512B (zh) | 基于稳健背景回归的高光谱遥感影像异常目标探测方法 | |
CN106101732A (zh) | 快速压缩高光谱信号的矢量量化方案 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210212 |