CN115631211A - 一种基于无监督分割的高光谱图像小目标检测方法 - Google Patents
一种基于无监督分割的高光谱图像小目标检测方法 Download PDFInfo
- Publication number
- CN115631211A CN115631211A CN202211162154.1A CN202211162154A CN115631211A CN 115631211 A CN115631211 A CN 115631211A CN 202211162154 A CN202211162154 A CN 202211162154A CN 115631211 A CN115631211 A CN 115631211A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- target
- image
- detected
- pixel
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无监督分割的高光谱图像小目标检测方法,对待检测的高光谱目标图像进行归一化处理,建立高光谱图像分割模型;根据高光谱图像分割结果图,统计分割结果图中每一连通域内包含的像素个数,判断每一连通域内像素个数是否小于设定的阈值N;将待检测图像划分为多个连通域,并将连通域内的像素个数小于设定的阈值N的连通域判定为待检测小目标的感兴趣区域;将感兴趣区域内的像素光谱与已知光谱模板作为自适应余弦估计高光谱检测器的输入,检测感兴趣区域内的像素是否为目标像素;最后输出高光谱目标图像的检测结果。该方法能够有效缩小目标检测范围并提升小目标的检测精度,可用于高光谱遥感技术下的农业监测、军事侦察等。
Description
技术领域
本发明涉及模式识别与图像处理技术领域,具体涉及一种基于无监督分割的高光谱图像小目标检测方法。
背景技术
高光谱遥感技术已经成为颇具特色的遥感前沿技术,在遥感观测领域占有重要地位,各国都投入了大量的人力、物力和财力在高光谱遥感技术领域。高光谱图像既包含了场景中的空间信息,又包含了光谱信息,使高光谱图像在目标检测和识别方面具有独特的优势。高光谱遥感技术已被广泛应用于民用和军事领域,而目标检测是高光谱图像理论与应用研究的重要环节。常用的高光谱目标检测算法如基于自适应余弦估计的目标检测算法、基于自适应匹配滤波的目标检测算法、基于光谱角匹配的目标目标检测算法等,一般是通过计算整幅图像的每一像素光谱与已知目标像素的光谱相似度来判别像素是否为目标。但在实际应用中,目标对象通常以小目标的形式存在,如森林中的坦克、海洋中的船舶、农田中的虫害等。由于探测距离较远,高光谱图像的小目标具有像素点少、分辨率低、信息有限等特点,如果仍然通过计算整幅图像的每一像素光谱和已知目标像素光谱相似度的方法来检测小目标会导致计算冗余量大、检测效率低,还会引入大量的干扰因素,从而导致错检、漏检小目标。为了提升小目标的检测精度,现有成果多从多尺度检测、提高图像分辨率、专注小目标样本训练等提升小目标自身质量和检测器性能方面展开研究,但对缩小目标的检测范围鲜有研究。
缩小目标检测范围是提升高光谱小目标检测效率和检测精度的有效途径之一。高光谱图像中的小目标在空间维度上包含像素较少且目标像素多集中分布在一个或多个连通域内,而图像分割可以将同类不同个体进行分割,从而将图像分成若干个特定的、具有独特性质的区域。因此,根据待检测高光谱图像分割结果图中每一连通域内包含的像素数目可筛选出小目标的感兴趣区域并有效排除干扰像素。传统的图像分割方法如阈值法、区域生长法、基于边缘分割法,对目标图像分割的精确度较低。深度学习的方法兴起后,研究学者们已设计了多个基于深度学习网络的图像分割模型,如全卷积网络、语义分割网络、U型网络,并在图像分割领域取得了优异的结果,但这些模型一般通过最小化分割真值与网络预测结果的交叉熵损失来训练网络。然而,对待检测的高光谱目标图像来说,对应的分割真值是缺失的,这使得无法借助上述模型来分割待检测的高光谱,进而无法获取小目标的感兴趣区域以提升小目标检测精度。
发明内容
为解决上述问题,本发明提供一种基于无监督分割的高光谱图像小目标检测方法,设计合理,解决了现有技术的不足,具有良好的效果。
为了实现发明目的,采用以下技术方案:
一种基于无监督分割的高光谱图像小目标检测方法,包括以下步骤:
S1、对待检测的高光谱目标图像进行归一化处理;
S2、建立基于深度学习网络的高光谱图像分割模型实现对目标高光谱图像的分割;
S3、根据S2中模型得到的高光谱图像分割结果图,统计分割结果图中每一连通域内包含的像素个数,并判断每一连通域内像素个数是否小于设定的阈值N,如果是,则执行S4;如果否,则执行S6;
S4、根据分割结果图,将待检测图像划分为多个大小不一的连通域,并将连通域内的像素个数小于设定的阈值N的连通域判定为待检测小目标的感兴趣区域;
S5、将S4得到的感兴趣区域内的像素光谱与已知光谱模板作为自适应余弦估计高光谱检测器的输入,进一步检测感兴趣区域内的像素是否为目标像素;
S6、输出高光谱目标图像的检测结果。
进一步地,所述S2包括以下子步骤:
S21、以归一化后的高光谱目标图像作为输入,以全卷积网络为基础,建立包含n个卷积层的特征提取和分割模型,其中卷积层采用二维多通道卷积且第1层卷积层的通道数目应与输入高光谱数据所包含的波段数目相等,后面卷积层的通道数目与其所输入的特征图数目保持一致;此外,为了保证卷积前后输入数据的长度和宽度保持不变,前n-1个卷积层对输入图像的边界进行补零填充,对应卷积核的数目为kn-1,第n个卷积层采用1×1卷积,卷积核的数目为kn;
S22、目标高光谱目标图像经过n个卷积层后得到一组长度为I1、宽度为I2、深度为kn的特征图mn,并将得到的特征图的值归一化到[0,1];
S23、根据第n层卷积层得到的特征图mn,目光高光谱图像每个像素点对应的特征表示为yn(n=1,2,3,…,I1×I2),其中yn为长度为kn的特征向量;对目标高光谱图像中的任一像素点,利用Argmax函数选取特征向量最大值所在的位置为对应像素点的伪标签Ci(1≤i≤kn),且得到的Ci满足以下条件;
S24、以S23得到的伪标签Ci为基准,利用下式计算模型的损失函数L并在反向传播过程中利用梯度下降法来更新网络参数,其中,ξ为常数;
S25、跳转到S22,对模型进行新一轮的训练,在模型训练过程中,借助更新的网络参数,得到新的特征用以更新像素点的伪标签,而新得到的伪标签又能帮助模型进一步更新参数,即模型参数和伪标签的更新是交替进行的;当模型训练次数大于预设的训练次数时,停止对模型的训练,根据模型输出的伪标签,将具有相同伪标签的像素点划分到同一区域内即得到待检测高光谱图像的分割结果图。
进一步地,所述S5包括以下子步骤:
S51、将待检测区域的三维高光谱数据按照模-n展开成二维矩阵,其中n=1,2,3;
S52、以自适应余弦估计高光谱检测器来检测感兴趣区域内是否包含目标,其中自适应余弦估计高光谱检测器的表达式如下:
上式中,r是待检测的像素光谱,s是已知的目标模板光谱,Γ是由下式估计得到的协方差矩阵:
S53、将计算得到的D(r)值与预设的检测阈值η进行比较,从而判断待检测的像素是否为目标。
进一步地,所述S6包括以下子步骤:
S61、将S3中像素个数超过设定的阈值N的连通域内的所有像素点以及S5中小目标感兴趣区域内对应D(r)≤η的像素输出为背景;
S62、将S5中小目标感兴趣区域内对应D(r)>η的像素输出为目标,即待检测高光谱图像中所要检测的目标。
本发明具有的有益效果是:
本发明提出了一种基于无监督分割的高光谱图像小目标检测方法,通过待检测高光谱图像的分割结果图来筛选小目标的感兴趣区域,提升小目标的检测精度。相较于在整幅高光谱图像中搜索目标,本发明方法可有效缩小目标的检测范围,排除背景像素的干扰,进而提升小目标的检测精度。
附图说明
图1为本发明中基于无监督分割的高光谱图像小目标检测方法流程示意图;
图2为本发明一种实施例中高光谱图像无监督分割模型的示意图;
图3为本发明一种实施例中三维数据按照模-2展开成二维矩阵的示意图;
图4为本发明一种实施例中根据高光谱图像的分割结果图定位小目标感兴趣区域的示意图;其中,图4(a)为待检测高光谱图像,图4(b)为目标高光谱图像的分割结果图,图4(c)为小目标感兴趣区域;
具体实施方式
下面结合具体实施例对本发明的具体实施方式做进一步说明:
一种基于无监督分割的高光谱图像小目标检测方法,如图1所示,包括以下步骤:
S1、对待检测的高光谱目标图像(如图4(a)所示)进行Min-Max归一化处理,以三维张量表示待检测的原始高光谱图像,其中I1×I2对应目标图像所包含的像素数目,I3为波段数目,按照下式可得到归一化后的高光谱图像其中Hmax表示高光谱图像H中的最大值,Hmin表示高光谱图像H中的最小值:
I=(Hmax-H)/(Hmax-Hmin);
S2、对归一化后的高光谱目标图像I,建立基于深度学习网络的高光谱图像分割模型以实现对目标高光谱图像的分割,所建立的模型如图2所示,由于目标高光谱图像没有对应的地面真值(真实的标签),因此,模型训练过程中借助依据特征指定的伪标签来优化模型,其具体步骤如下:
S21、以归一化后的高光谱目标图像I作为输入,建立包含n个卷积层的高光谱图像分割模型并对模型参数进行初始化;为了充分利用目标高光谱图像的空间信息和光谱信息,卷积层采用二维多通道卷积,激活函数选用修正线性单元(Rectified Linear Unit,ReLU),并利用批归一化(Batch Normalization,BN)算法对数据进行处理,其中,第1层卷积层的通道数目设置为I3,后面卷积层的通道数目与所输入的特征图数目相一致;此外,前n-1个卷积层对输入图像的边界进行补零填充,所选用卷积核尺寸均为3×3,对应卷积核的数目为kn-1,第n个卷积层采用1×1卷积,卷积核的数目为kn;
S22、目标高光谱图像经过n个卷积层后可以得到一组长度为I1、宽度为I2、深度为kn的特征图mn,并将得到的特征图的值归一化到[0,1];
S23、根据第n层卷积层得到的特征图mn,目标高光谱图像每个像素点对应的特征可以表示为yn(n=1,2,3,…,I1×I2),其中yn为长度为kn的特征向量;对目标高光谱图像中的任一像素点,利用Argmax函数选取特征向量最大值所在的位置为对应像素点的伪标签Ci(1≤i≤kn),且得到的Ci满足以下条件:
S24、以S23得到的伪标签Ci为基准,利用下式计算模型的损失函数L并在反向传播过程中利用梯度下降法来更新网络参数,其中,ξ为常数;
S25、跳转到S22,对模型进行新一轮的训练,在模型训练过程中,借助更新的参数,模型可以得到新的特征用以更新像素点的伪标签,而新得到的伪标签又可以帮助模型进一步更新参数,即模型参数和伪标签的更新是交替进行的;当模型训练次数大于预设的训练次数时,停止对模型的训练,并根据模型输出的伪标签,将具有相同伪标签的像素点划分到同一区域内以得到待检测高光谱图像的分割结果图,如图4(b)所示。
S3、根据模型得到的高光谱图像分割结果图,统计分割结果图中每一连通域内包含的像素个数,并判断每一连通域内的像素个数是否小于设定的阈值N,如果是,则继续执行;如果否,则跳转到S6。
S4、将连通域内的像素个数小于设定阈值N的连通域判定为待检测小目标的感兴趣区域,如图4(c)所示。
S5、将S4得到的感兴趣区域内的像素光谱与已知目标光谱模板作为高光谱检测器的输入,进一步检测感兴趣区域内的像素是否为目标像素,其具体步骤如下:
S52、利用自适应余弦估计高光谱检测器(Adaptive Coherence/CosineEstimator,ACE)来检测感兴趣区域内是否包含目标,其中,自适应余弦估计高光谱检测器是一种自适应的恒虚警率目标检测方法,它的表达式如下:
上式中,r是待检测的像素光谱,s是已知的目标模板光谱,Γ是由下式估计得到的协方差矩阵:
S53、将计算得到的D(r)值与预设的检测阈值η相比较,从而判断待检测的像素是否为目标。
S6、输出目标高光谱图像的检测结果,具体步骤如下:
S61、将S3中像素个数超过设定的阈值N的连通域内的所有像素点以及S5中小目标感兴趣区域内对应D(r)≤η的像素输出为背景;
S62、将S5中小目标感兴趣区域内对应D(r)>η的像素输出为目标,即待检测高光谱图像中所要检测的目标。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于无监督分割的高光谱图像小目标检测方法,其特征在于,包括以下步骤:
S1、对待检测的高光谱目标图像进行归一化处理;
S2、建立基于深度学习网络的高光谱图像分割模型实现对目标高光谱图像的分割;
S3、根据S2中模型得到的高光谱图像分割结果图,统计分割结果图中每一连通域内包含的像素个数,并判断每一连通域内像素个数是否小于设定的阈值N,如果是,则执行S4;如果否,则执行S6;
S4、根据分割结果图,将待检测图像划分为多个大小不一的连通域,并将连通域内的像素个数小于设定的阈值N的连通域判定为待检测小目标的感兴趣区域;
S5、将S4得到的感兴趣区域内的像素光谱与已知光谱模板作为自适应余弦估计高光谱检测器的输入,进一步检测感兴趣区域内的像素是否为目标像素;
S6、输出高光谱目标图像的检测结果。
2.根据权利要求1所述的一种基于无监督分割的高光谱图像小目标检测方法,其特征在于,所述S2包括以下子步骤:
S21、以归一化后的高光谱目标图像作为输入,以全卷积网络为基础,建立包含n个卷积层的特征提取和分割模型,其中卷积层采用二维多通道卷积且第1层卷积层的通道数目应与输入高光谱数据所包含的波段数目相等,后面卷积层的通道数目与其所输入的特征图数目保持一致;此外,为了保证卷积前后输入数据的长度和宽度保持不变,前n-1个卷积层对输入图像的边界进行补零填充,对应卷积核的数目为kn-1,第n个卷积层采用1×1卷积,卷积核的数目为kn;
S22、目标高光谱目标图像经过n个卷积层后得到一组长度为I1、宽度为I2、深度为kn的特征图mn,并将得到的特征图的值归一化到[0,1];
S23、根据第n层卷积层得到的特征图mn,目光高光谱图像每个像素点对应的特征表示为yn(n=1,2,3,…,I1×I2),其中yn为长度为kn的特征向量;对目标高光谱图像中的任一像素点,利用Argmax函数选取特征向量最大值所在的位置为对应像素点的伪标签Ci(1≤i≤kn),且得到的Ci满足以下条件:
S24、以S23得到的伪标签Ci为基准,利用下式计算模型的损失函数L并在反向传播过程中利用梯度下降法来更新网络参数,其中,ξ为常数;
S25、跳转到S22,对模型进行新一轮的训练,在模型训练过程中,借助更新的网络参数,得到新的特征用以更新像素点的伪标签,而新得到的伪标签又能帮助模型进一步更新参数,即模型参数和伪标签的更新是交替进行的;当模型训练次数大于预设的训练次数时,停止对模型的训练,根据模型输出的伪标签,将具有相同伪标签的像素点划分到同一区域内即得到待检测高光谱图像的分割结果图。
4.根据权利要求1所述的一种基于无监督分割的高光谱图像小目标检测方法,其特征在于,所述S6包括以下子步骤:
S61、将S3中像素个数超过设定的阈值N的连通域内的所有像素点以及S5中小目标感兴趣区域内对应D(r)≤η的像素输出为背景;
S62、将S5中小目标感兴趣区域内对应D(r)>η的像素输出为目标,即待检测高光谱图像中所要检测的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162154.1A CN115631211A (zh) | 2022-09-23 | 2022-09-23 | 一种基于无监督分割的高光谱图像小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162154.1A CN115631211A (zh) | 2022-09-23 | 2022-09-23 | 一种基于无监督分割的高光谱图像小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631211A true CN115631211A (zh) | 2023-01-20 |
Family
ID=84902906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211162154.1A Pending CN115631211A (zh) | 2022-09-23 | 2022-09-23 | 一种基于无监督分割的高光谱图像小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631211A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765402A (zh) * | 2024-02-21 | 2024-03-26 | 山东科技大学 | 一种基于注意力机制的高光谱图像匹配检测方法 |
-
2022
- 2022-09-23 CN CN202211162154.1A patent/CN115631211A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117765402A (zh) * | 2024-02-21 | 2024-03-26 | 山东科技大学 | 一种基于注意力机制的高光谱图像匹配检测方法 |
CN117765402B (zh) * | 2024-02-21 | 2024-05-17 | 山东科技大学 | 一种基于注意力机制的高光谱图像匹配检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
CN114926746B (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN106778821A (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
Fu et al. | Robust multi-kernelized correlators for UAV tracking with adaptive context analysis and dynamic weighted filters | |
CN115631211A (zh) | 一种基于无监督分割的高光谱图像小目标检测方法 | |
CN116863293A (zh) | 一种基于改进YOLOv7算法的可见光下海上目标检测方法 | |
CN116953702A (zh) | 基于演绎范式的旋转目标检测方法及装置 | |
Li et al. | Change detection in synthetic aperture radar images based on log-mean operator and stacked auto-encoder | |
CN113902975B (zh) | 一种用于sar舰船检测的场景感知数据增强方法 | |
CN116243289A (zh) | 一种基于成像声呐的无人艇水下目标智能识别方法 | |
CN115272865A (zh) | 一种基于自适应激活函数和注意力机制的目标检测方法 | |
Kurmi et al. | An algorithm for various crop diseases detection and classification using leaves images | |
Chadha et al. | Satellite imagery-based Airbus ship localization and detection using deep learning-based approaches | |
Duman et al. | Target detection in sar images using codifference and directional filters | |
Lu et al. | Visual Object Tracking Using PCA Correlation Filters | |
CN115205853B (zh) | 一种基于图像的柑橘果实检测与识别方法及系统 | |
CN116503603B (zh) | 一种基于弱监督语义分割和特征弥补的类间遮挡目标检测网络模型的训练方法 | |
CN111339825B (zh) | 基于特征关系图谱学习的模型训练方法及数据分类方法 | |
CN112419227B (zh) | 基于小目标搜索缩放技术的水下目标检测方法和系统 |
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 |