CN116109946B - 一种海洋背景的高光谱影像异常探测方法和系统 - Google Patents
一种海洋背景的高光谱影像异常探测方法和系统 Download PDFInfo
- Publication number
- CN116109946B CN116109946B CN202310389515.4A CN202310389515A CN116109946B CN 116109946 B CN116109946 B CN 116109946B CN 202310389515 A CN202310389515 A CN 202310389515A CN 116109946 B CN116109946 B CN 116109946B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- water body
- hyperspectral image
- hyperspectral
- 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.)
- Active
Links
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
- G06V10/20—Image preprocessing
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及高光谱遥感影像处理技术领域,具体公开了一种海洋背景的高光谱影像异常探测方法及系统,包括获取高光谱遥感影像;对高光谱遥感影像进行预处理,以获得高光谱影像和地表反射率数据;基于地表反射率数据判断高光谱影像中是否存在水体部分,若存在水体部分,则对水体部分进行提取,并对高光谱影像中的水体部分和非水体部分分别进行谐波分析,以获得谐波余项和谐波振幅;若不存在水体部分,则直接对高光谱影像进行谐波分析,以获得谐波余项和谐波振幅;基于所述谐波余项和谐波振幅进行异常探测,从而获得高光谱影像中每个像元的异常探测值;基于任一像元的异常探测值判断该像元是否为异常目标点;该方法能检测海洋背景下的弱异常目标。
Description
技术领域
本发明涉及高光谱遥感影像处理技术领域,具体涉及一种海洋背景的高光谱影像异常探测方法和系统。
背景技术
利用高光谱遥感卫星影像进行海洋背景的空中动目标(如飞机、飞行器等)探测时,由于此类目标的光谱信息未知且可获取信息有限,往往只能依赖于感兴趣目标在背景或地物中显示出的“光谱特征信息异常”进行异常检测;背景信息的统计特征是异常目标探测问题的关键;而求解背景统计特征需要解决两个问题:一是尽量排除目标统计特征的干扰;二是需尽量包含所有背景信息的统计特征。
当不具备目标光谱的先验知识信息时,针对海洋背景的亚像元目标检测的应用需求,需要对高光谱影像进行异常探测;异常探测是一种从遥感影像中寻找异常目标的方法,异常探测优势在于算法运行的独立性强,不依赖样本数据库等先验知识信息,直接对可能含有目标的图像进行分析计算,在背景信息中分离出异常点或异常光谱曲线,相对基于样本库的学习方法成本较低;异常探测算法根据光谱混合模型可以归纳为概率统计模型类、子空间模型类、线性混合模型类等;异常检测算法涵盖基于统计概率模型的RX、RXD、CBAD、LPTD、UTD等经典算法,正交子空间投影算法OSP,基于线性混合模型的CRD算法。
RX算法是一种从广义似然比检验(GLRT)导出的恒虚警(CFAR)自适应异常检测算法,CFAR允许检测器使用一个单一的阈值来维持所期望的虚警率;近年来很多学者对RX算子进行了改进,包括Chang等人提出的基于协方差矩阵的NRXD、MRXD、UTD、CBAD等全局异常探测算法,但其仍存在需要假设地物服从高斯分布的统计特性,探测虚警率高,容易受探测的数据影响的缺陷。
正交子空间投影(Orthogonal Subspace Projection,OSP)算法是子空间异常探测算法的典型代表,利用局部相邻窗口对目标和背景进行划分,以周围像元光谱均值作为背景光谱,中心像元作为目标光谱进行检测,是经典OSP算法的改进算法,具有较高精度;背景光谱由外窗均值来确定,该方法会导致背景光谱混杂,将会影响检测的精度。
基于协同表示的异常检测算法(Collaborative-Representation-basedDetector,CRD)是典型的线性混合模型方法,也属于局部异常探测方法;其利用同心环窗结构,对地物之间的相似性进行评价,其核心思想是基于光谱线型混合模型,利用临近像元光谱线性表示被检测像元,其存在的缺点是局部同心环窗结构在高光谱数据计算的复杂度高,计算耗时较长。
综上所述,基于概率统计模型类、子空间模型类、线性混合模型类的异常探测算法在海洋背景的异常探测应用方面,仍然存在以下不足:
①对于异常探测问题:在利用当前空间分辨率的高光谱遥感影像的应用时,大部分移动异常目标信息均以亚像元存在,且异常目标的出现属于小概率事件,尤其背景环境复杂,更难实现准确可行的异常探测;
②对于探测虚警率问题:所有经典的异常探测算法的目的是提高探测率,确保将所有的异常目标探测出来,其最明显的问题就是虚警率过高,而未考虑探测出来结果是否满足需求;
③对于探测的效率问题:高光谱影像精细的光谱信息导致数据量大,数据冗余现象严重,异常探测算法在数据的读取、计算等方面耗时较长,尤其是局部探测方法在时效性上表现出明显的劣势。
发明内容
针对上述问题,本发明的一个目的是提出一种海洋背景的高光谱影像异常探测方法,该方法将信号检测方法与遥感影像分析紧密结合,提出了基于谐波分析的异常检测算法,可以检测高光谱遥感影像海洋背景下的弱异常目标,计算量小,检测时间快。
本发明的第二个目的是提供一种海洋背景的高光谱影像异常探测系统。
本发明所采用的第一个技术方案是:一种海洋背景的高光谱影像异常探测方法,包括以下步骤:
S100:获取高光谱遥感影像;
S200:对所述高光谱遥感影像进行预处理,以获得高光谱影像和地表反射率数据;
S300:基于所述地表反射率数据判断所述高光谱影像中是否存在水体部分,若存在水体部分,则对水体部分进行提取,并对高光谱影像中的水体部分和非水体部分分别进行谐波分析,以获得谐波余项和谐波振幅;若不存在水体部分,则直接对所述高光谱影像进行谐波分析,以获得谐波余项和谐波振幅;
S400:基于所述谐波余项和谐波振幅进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值;
S500:基于任一像元的异常探测值判断该像元是否为异常目标点。
优选地,所述步骤S200包括:
将所述高光谱遥感影像进行坏波段剔除、水汽重合波段剔除处理,从而得到高光谱影像;对高光谱影像进行辐射定标、大气校正和正射校正,从而获得地表反射率数据。
优选地,所述步骤S300中基于所述地表反射率数据判断所述高光谱影像中是否存在水体部分包括:
基于所述地表反射率数据通过归一化水体指数法计算归一化差异水体指数,若所述归一化差异水体指数大于设定阈值,则判定高光谱影像中存在水体部分;若所述归一化差异水体指数小于或等于设定阈值,则判定高光谱影像中不存在水体部分。
优选地,所述归一化差异水体指数通过以下公式计算获得:
式中,NDWI为归一化差异水体指数;/>为绿光谱段处的反射率值;/>为近红外谱段的反射率值。
优选地,所述步骤S300中对水体部分进行提取包括:
基于归一化差异水体指数采用大津法实现高光谱影像中水体部分与陆地的分离,从而实现水体部分的提取。
优选地,所述步骤S300中的谐波分析通过以下公式表示:
式中,P(x,y,n)为影像中第x行y列的第n个波段处的像元值;为谐波余项;/>为谐波分解的阶次;/>为余弦分量的系数;/>为光谱维度方向的波段序号;N为光谱波段总数;为正弦分量的系数;/>为谐波振幅;/>为谐波相位。
优选地,所述步骤S400包括:
将所述谐波余项和谐波振幅输入基于协同表示的异常检测算法中进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值。
优选地,所述异常探测值通过以下公式表示:
式中,/>为异常探测值;/>为中心待测像元;/>为中心待测像元的预测估计值;/>为临近像元集合;/>为线性表达系数的预估值。
优选地,所述步骤S500包括:
判断任一像元的异常探测值是否大于阈值,若所述异常探测值大于阈值,则判定该像元为异常目标点,并对所述异常目标点进行自适应阈值分割;若所述异常探测值小于或等于阈值,则判定该像元为非异常点。
本发明所采用的第二个技术方案是:一种海洋背景的高光谱影像异常探测系统,包括数据获取模块、预处理模块、谐波分析模块、异常探测模块和判定模块;
所述数据获取模块用于获取高光谱遥感影像;
所述预处理模块用于对所述高光谱遥感影像进行预处理,以获得高光谱影像和地表反射率数据;
所述谐波分析模块用于基于所述地表反射率数据判断所述高光谱影像中是否存在水体部分,若存在水体部分,则对水体部分进行提取,并对高光谱影像中的水体部分和非水体部分分别进行谐波分析,以获得谐波余项和谐波振幅;若不存在水体部分,则直接对所述高光谱影像进行谐波分析,以获得谐波余项和谐波振幅;
所述异常探测模块用于基于所述谐波余项和谐波振幅进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值;
所述判定模块用于基于任一像元的异常探测值判断该像元是否为异常目标点。
上述技术方案的有益效果:
(1)本发明公开的一种海洋背景的高光谱影像异常探测方法基于谐波分析方法得到振幅和余项分量,提取高光谱影像中弱异常信息特征,构建局部的异常探测算子,实现海洋背景的高光谱影像弱异常目标探测;
(2)本发明公开的一种海洋背景的高光谱影像异常探测方法将信号检测方法与遥感影像分析紧密结合,提出了基于谐波分析的异常检测算法,可以检测高光谱遥感影像海洋背景下的弱异常目标,计算量小,检测时间快;
(3)本发明通过频率域分析高光谱影像,即谐波分析;将高光谱遥感影像变换到频率域进行弱异常目标信息的提取,谐波分析后的数据维度降低,幅度特征增强水体与目标的差异,提升了异常探测的准确率和计算速度;
(4)本发明采用了频率域的子空间探测模式,增强了弱目标在海洋背景弱小异常的探测能力,提升了基于高光谱遥感影像中弱异常目标的探测率,能确保亚像元的弱异常信息均可被探测到;
(5)本发明将信号检测理论与影像分析相结合,把光谱理解为信号,从光谱维度对高光谱遥感影像进行经验模态分解,提升目标与背景的光谱特征差异,进而有效的将目标与背景的光谱进行分离,实现亚像元小目标的目标检测。
附图说明
图1为本发明的一个实施例提供的一种海洋背景的高光谱影像异常探测方法的流程示意图;
图2为本发明一个实施例提供的归一化差异水体指数的结果示意图;
图3为本发明一个实施例提供的水陆分离的结果示意图;
图4为本发明一个实施例提供的谐波余项的结果示意图;
图5为本发明一个实施例提供的谐波振幅的结果示意图;
图6为本发明一个实施例提供的直方图自适应阈值分割示意图;
图7为本发明一个实施例提供的资源1号02D卫星高光谱数据的异常探测高光谱数据;
图8为本发明一个实施例提供的资源1号02D卫星高光谱数据的异常探测结果;
图9为本发明一个实施例提供的CRD的异常探测高光谱数据;
图10为本发明一个实施例提供的CRD的异常探测结果;
图11为本发明的一个实施例提供的一种海洋背景的高光谱影像异常探测系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理,但不能用来限制本发明的范围,即本发明不限于所描述的优选实施例,本发明的范围由权利要求书限定。
在本发明的描述中,需要说明的是,除非另有说明,“多个”的含义是两个或两个以上;术语“第一”“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性;对于本领域的普通技术人员而言,可视具体情况理解上述术语在本发明中的具体含义。
实施例一
如图1所示,本发明的一个实施例提供了一种海洋背景的高光谱影像异常探测方法,包括以下步骤:
S100:获取高光谱遥感影像;
本发明针对的是星载高光谱数据的亚像元目标探测,获取的高光谱遥感影像采用的是通过资源1号02D卫星获取高光谱遥感影像,包含可见光近红外和短波红外两部分谱段的高光谱影像,空间分辨率均为30米;
S200:对所述高光谱遥感影像进行预处理,以获得高光谱影像和地表反射率数据;
将高光谱遥感影像进行坏波段剔除、水汽重合波段剔除等整合处理得到156个波段的高光谱影像,156个波段的高光谱影像构成高光谱影像数据集;
然后对高光谱影像进行辐射定标、大气校正和正射校正,从而获得地表反射率数据;所述地表反射率数据带有几何位置信息;
S300:基于地表反射率数据判断高光谱影像中是否存在水体部分,若存在水体部分,则对水体部分进行提取,并对高光谱影像中的水体部分和非水体部分分别进行谐波分析,以获得谐波余项和谐波振幅;若不存在水体部分,则直接对高光谱影像进行谐波分析,以获得谐波余项和谐波振幅;
基于地表反射率数据判断高光谱影像中是否存在水体部分包括:
基于地表反射率数据通过归一化水体指数法计算归一化差异水体指数,若归一化差异水体指数大于设定阈值,则判定高光谱影像中存在水体部分;若归一化差异水体指数小于或等于设定阈值,则判定高光谱影像中不存在水体部分;其中设定阈值例如为30%。
归一化差异水体指数NDWI(Normalized Difference Water Index,NDWI)通过以下公式计算获得:
式中,NDWI为归一化差异水体指数;/>为绿光谱段处的反射率值;/>为近红外谱段的反射率值;绿光谱段处的反射率值和近红外谱段的反射率值均属于地表反射率数据例:
(1)对水体部分进行提取包括:
基于归一化差异水体指数采用大津法实现高光谱影像中水体部分与陆地的分离(即水陆边界的自动分离),从而实现水体部分的提取;
由归一化差异水体指数计算得到的图像值分布在-1~1之间,如图2所示,陆地和水体部分之间的差异较为明显,但是,不同高光谱影像数据计算得到归一化差异水体指数的图像值(即水陆分离阈值)存在一定差异;因此,本发明采用大津法自适应阈值分割实现水陆边界的自动分离;
大津法称作最大类间方差法(OTSU),由日本学者大津(Nobuyuki Otsu)提出,如图3所示,基本思想是用一个阈值将图像中的数据分为两类,其中一类图像中的像素点的灰度均小于阈值,另一类图像中像素点的灰度均大于或者等于该阈值,以实现自适应阈值分割,从而实现水陆分离,即实现了水体部分的提取;
(2)谐波分析;
通过谐波分析能获得谐波余项和谐波振幅,还能得到谐波相位;谐波分析理论是将时间序列的数据从时间域变换到频率域,通过正余弦波的形式叠加表示;遥感影像空间维度的谐波分析以行列为处理单位,假设单波段遥感影像像素点值为P(x,y,n),P(x,y,n)表示影像中第x行y列的第n个波段处的像元值,影像空间维度行方向的谐波分析通过以下公式表示为:
式中,P(x,y,n)为影像中第x行y列的第n个波段处的像元值;为谐波余项,谐波余项即各个光谱维度方向的均值;/>为谐波分解的阶次;/>为余弦分量的系数;n为光谱维度方向的波段序号;N为光谱波段总数;/>为正弦分量的系数;/>为谐波振幅;/>为谐波相位;谐波余项如图4所示,谐波振幅如图5所示;
S400:基于谐波余项和谐波振幅进行异常探测,从而获得高光谱影像中每个像元的异常探测值;
本发明中将高光谱影像进行谐波分析后,选取进行5阶次的谐波分析后获得的谐波余项和谐波振幅,将该谐波余项和谐波振幅作为基于协同表示的异常检测算法(即异常探测算子)的输入,进行异常探测,以获得异常探测值。
基于协同表示的异常检测算法(Collaborative-Representation-basedDetector,CRD),利用同心环窗结构对地物之间的相似性进行评价,其核心思想是基于光谱线型混合模型,利用临近像元光谱线性表示中心待测像元,中心待测像元通过以下公式表示:式中,/>为中心待测像元;/>为线性表达系数;/>为临近像元集合,即内外窗之间的像元集合,其中,s=Out×Out-In×In即外窗Out和内窗In中间像元。
利用同心环窗结构对影像进行遍历分割,利用临近像元集合x s 线性表达中心待测像元y,并采用l-2范数平方实现目标函数的最小化,目标函数通过以下公式表示:利用惩罚项/>进行约束,求解线性表达系数/>的最小值,其通过以下公式表示:/>式中,/>为目标函数;/>为中心待测像元;/>为线性表达系数;/>为临近像元集合;/>为权衡函数和惩罚项比重的拉格朗日乘数;
求解线性表达系数最小值的公式可简为以下公式进行求解:式中,/>为目标函数;/>为线性表达系数向量的转置向量;/>为临近像元集合的转置;/>为临近像元集合;/>为权重系数;/>为单位矩阵;/>为线性表达系数;/>为中心待测像元;
对线性表达系数进行求解:/>通过引入Tikhonov规则项自适应调整临近像元集合/>对中心待测像元贡献的权重,目标函数可转换为:式中,/>为目标函数;/>为添加单位向量后的中心待测像元;/>为临近像元添加单位向量后的集合;/>为线性表达系数;/>为权衡函数和惩罚项比重的拉格朗日乘数;/>为内窗中心像元的权重系数向量。
通过给x s ,y添加单位向量,实现的非负性以及“和为1”特性:
式中,/>为线性表达系数的预测值;/>为/>转置向量;/>为临近像元添加单位向量后的集合;/>为权重系数;/>为/>转置向量;/>为内窗中心像元的权重系数向量;/>为添加单位向量后的中心待测像元。
求取中心待测像元的光谱与协同表示,从而得到背景(除了中心像元,其他都认为是背景)像元的残差,将背景像元的残差作为异常探测值(即异常探测结果)进行输出。式中,/>为异常探测值;/>为中心待测像元;/>为中心待测像元的预测估计值;/>为临近像元集合;/>为线性表达系数的预估值。
S500:基于任一像元的异常探测值判断该像元是否为异常目标点,若是异常目标点,则基于异常探测值对该异常目标点进行自适应阈值分割。
判断任一像元的异常探测值是否大于阈值,若所述异常探测值大于阈值,则判定该像元为异常目标点(即异常点),并进行自适应阈值分割,以实现二值化输出;若所述异常探测值小于或等于阈值,则判定该像元为非异常点。
自适应阈值分割包括:基于任一像元的异常探测值对单个波段的探测值(单个波段的探测值是指由一个波段上所有像元的异常探测值组成的影像)进行直方图绘制,如图6所示;自适应根据直方图识别波峰右侧的低位为阈值,从而实现自适应阈值分割,输出探测结果二值图。
本发明主要针对出现概率小的异常探测目标(如飞机、舰船等),且从遥感影像中难以清楚辨识目标外在轮廓、纹理等几何信息,如图6所示,采用直方图的方式进行自适应阈值分割。
基于本发明提出的基于谐波分析的异常探测方法,对含有弱异常目标的星载资源1号02D卫星的高光谱影像和高光谱仿真数据进行异常探测试验;结果如下:
1)含弱信息飞机目标的资源1号02D卫星的高光谱数据集;去除了低信噪比和水汽强吸收谱段后,该数据集剩余156个有效光谱通道,其波长范围从370-2510nm;大小为1200×1200像素;本发明方法进行资源1号02D卫星的高光谱数据和异常探测结果如图7和8所示;从图7和图8中可知,在400-2500nm光谱范围的高光谱数据,异常探测值经过阈值分割后的探测结果二值图中可以看出,海洋背景下该光谱范围高光谱数据可以实现空中飞机小目标的探测,经过精度评估后,可将影像中9个异常目标全部准确探测到。
2)选择测试仿真高光谱数据光谱范围在400-1000nm的高光谱数据,背景为海洋水面区域的数据,采用本发明方法进行仿真的高光谱数据和异常探测结果如图9和10所示;从图9和图10中可知,在400-1000nm光谱范围的高光谱数据,异常探测值经过阈值分割后的探测结果二值图中可以看出,海洋背景下该光谱范围高光谱数据可以实现空中飞机小目标的探测,经过精度评估后,可将影像中6个异常目标全部准确探测到。
实施例二
如图11所示,本发明的一个实施例提供了一种海洋背景的高光谱影像异常探测系统,包括数据获取模块、预处理模块、谐波分析模块、异常探测模块和判定模块;
所述数据获取模块用于获取高光谱遥感影像;
所述预处理模块用于对所述高光谱遥感影像进行预处理,以获得高光谱影像和地表反射率数据;
所述谐波分析模块用于基于所述地表反射率数据判断所述高光谱影像中是否存在水体部分,若存在水体部分,则对水体部分进行提取,并对高光谱影像中的水体部分和非水体部分分别进行谐波分析,以获得谐波余项和谐波振幅;若不存在水体部分,则直接对所述高光谱影像进行谐波分析,以获得谐波余项和谐波振幅;
所述异常探测模块用于基于所述谐波余项和谐波振幅进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值;
所述判定模块用于基于任一像元的异常探测值判断该像元是否为异常目标点。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种海洋背景的高光谱影像异常探测方法,其特征在于,包括以下步骤:
S100:获取高光谱遥感影像;
S200:对所述高光谱遥感影像进行预处理,以获得高光谱影像和地表反射率数据;
S300:基于所述地表反射率数据判断所述高光谱影像中是否存在水体部分,若存在水体部分,则对水体部分进行提取,并对高光谱影像中的水体部分和非水体部分分别进行谐波分析,以获得谐波余项和谐波振幅;若不存在水体部分,则直接对所述高光谱影像进行谐波分析,以获得谐波余项和谐波振幅;
S400:基于所述谐波余项和谐波振幅进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值;
S500:基于任一像元的异常探测值判断该像元是否为异常目标点;
其中,所述步骤S400包括:选取进行5阶次的谐波分析后获得的谐波余项和谐波振幅,将所述谐波余项和谐波振幅输入基于协同表示的异常检测算法中进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值。
2.根据权利要求1所述的高光谱影像异常探测方法,其特征在于,所述步骤S200包括:
将所述高光谱遥感影像进行坏波段剔除、水汽重合波段剔除处理,从而得到高光谱影像;对高光谱影像进行辐射定标、大气校正和正射校正,从而获得地表反射率数据。
3.根据权利要求1所述的高光谱影像异常探测方法,其特征在于,所述步骤S300中基于所述地表反射率数据判断所述高光谱影像中是否存在水体部分包括:
基于所述地表反射率数据通过归一化水体指数法计算归一化差异水体指数,若所述归一化差异水体指数大于设定阈值,则判定高光谱影像中存在水体部分;若所述归一化差异水体指数小于或等于设定阈值,则判定高光谱影像中不存在水体部分。
4.根据权利要求3所述的高光谱影像异常探测方法,其特征在于,所述归一化差异水体指数通过以下公式计算获得:
式中,NDWI为归一化差异水体指数;ρGreen为绿光谱段处的反射率值;ρNIR为近红外谱段的反射率值。
5.根据权利要求1所述的高光谱影像异常探测方法,其特征在于,所述步骤S300中对水体部分进行提取包括:
基于归一化差异水体指数采用大津法实现高光谱影像中水体部分与陆地的分离,从而实现水体部分的提取。
6.根据权利要求1所述的高光谱影像异常探测方法,其特征在于,所述步骤S300中的谐波分析通过以下公式表示:
式中,P(x,y,n)为影像中第x行y列的第n个波段处的像元值;A0为谐波余项;h为谐波分解的阶次;Ah为余弦分量的系数;n为光谱维度方向的波段序号;N为光谱波段总数;Bh为正弦分量的系数;Ch为谐波振幅;为谐波相位。
7.根据权利要求1所述的高光谱影像异常探测方法,其特征在于,所述异常探测值通过以下公式表示:
式中,r为异常探测值;y为中心待测像元;为中心待测像元的预测估计值;xs为临近像元集合;/>为线性表达系数的预估值。
8.根据权利要求1所述的高光谱影像异常探测方法,其特征在于,所述步骤S500包括:
判断任一像元的异常探测值是否大于阈值,若所述异常探测值大于阈值,则判定该像元为异常目标点,并对所述异常目标点进行自适应阈值分割;若所述异常探测值小于或等于阈值,则判定该像元为非异常点。
9.一种海洋背景的高光谱影像异常探测系统,其特征在于,包括数据获取模块、预处理模块、谐波分析模块、异常探测模块和判定模块;
所述数据获取模块用于获取高光谱遥感影像;
所述预处理模块用于对所述高光谱遥感影像进行预处理,以获得高光谱影像和地表反射率数据;
所述谐波分析模块用于基于所述地表反射率数据判断所述高光谱影像中是否存在水体部分,若存在水体部分,则对水体部分进行提取,并对高光谱影像中的水体部分和非水体部分分别进行谐波分析,以获得谐波余项和谐波振幅;若不存在水体部分,则直接对所述高光谱影像进行谐波分析,以获得谐波余项和谐波振幅;
所述异常探测模块用于基于所述谐波余项和谐波振幅进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值;
所述判定模块用于基于任一像元的异常探测值判断该像元是否为异常目标点;
其中,所述异常探测模块执行以下操作:
选取进行5阶次的谐波分析后获得的谐波余项和谐波振幅,将所述谐波余项和谐波振幅输入基于协同表示的异常检测算法中进行异常探测,从而获得所述高光谱影像中每个像元的异常探测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310389515.4A CN116109946B (zh) | 2023-04-13 | 2023-04-13 | 一种海洋背景的高光谱影像异常探测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310389515.4A CN116109946B (zh) | 2023-04-13 | 2023-04-13 | 一种海洋背景的高光谱影像异常探测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109946A CN116109946A (zh) | 2023-05-12 |
CN116109946B true CN116109946B (zh) | 2023-08-01 |
Family
ID=86264147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310389515.4A Active CN116109946B (zh) | 2023-04-13 | 2023-04-13 | 一种海洋背景的高光谱影像异常探测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109946B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021093676A1 (zh) * | 2019-11-14 | 2021-05-20 | 中国科学院上海技术物理研究所启东光电遥感中心 | 用于处理高光谱图像的方法 |
CN113177979A (zh) * | 2021-06-04 | 2021-07-27 | 江苏南大五维电子科技有限公司 | 一种基于多光谱图像的水污染区域识别方法和系统 |
CN114332642A (zh) * | 2021-12-17 | 2022-04-12 | 重庆大学 | 高光谱影像半监督弱信号解混方法 |
-
2023
- 2023-04-13 CN CN202310389515.4A patent/CN116109946B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116109946A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
Jia et al. | Tradeoffs in the spatial and spectral resolution of airborne hyperspectral imaging systems: A crop identification case study | |
Seydi et al. | Oil spill detection based on multiscale multidimensional residual CNN for optical remote sensing imagery | |
CN108389188A (zh) | 一种稀疏高光谱异常目标检测方法 | |
CN107704802B (zh) | 高光谱图像杂波的度量及异常检测算法的性能预测方法 | |
CN106886760A (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN104408705A (zh) | 一种高光谱图像的异常检测方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
Kumar et al. | Deep remote sensing methods for methane detection in overhead hyperspectral imagery | |
CN111666854A (zh) | 融合统计显著性的高分辨率sar影像车辆目标检测方法 | |
Zhang et al. | Feature-band-based unsupervised hyperspectral underwater target detection near the coastline | |
Li et al. | Spectral–spatial depth-based framework for hyperspectral underwater target detection | |
CN112883877B (zh) | 基于双重非监督分类的极化sar红树林提取方法及系统 | |
Cromwell et al. | Lidar cloud detection with fully convolutional networks | |
CN107464255B (zh) | 一种基于信息量与多尺度异常检测的船舶目标检测方法 | |
Ettabaa et al. | Anomaly detection in hyperspectral imagery: an overview | |
CN116109946B (zh) | 一种海洋背景的高光谱影像异常探测方法和系统 | |
Wang et al. | A novel filter-based anomaly detection framework for hyperspectral imagery | |
CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
CN112418156B (zh) | 基于无监督分类的光学遥感图像海面舰船目标检测方法 | |
CN110378268A (zh) | 高光谱快速目标检测方法及系统 | |
Bøvith et al. | Sea Ice Concentration from Single-Polarized SAR data using Second-Order Grey Level Statistics | |
Xi et al. | Multitarget detection algorithms for multitemporal remote sensing data | |
Bochow et al. | Automatic shadow detection in hyperspectral VIS-NIR images |
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 |