CN116129281B - 一种用于高光谱影像的亚像元目标检测系统 - Google Patents
一种用于高光谱影像的亚像元目标检测系统 Download PDFInfo
- Publication number
- CN116129281B CN116129281B CN202310410296.3A CN202310410296A CN116129281B CN 116129281 B CN116129281 B CN 116129281B CN 202310410296 A CN202310410296 A CN 202310410296A CN 116129281 B CN116129281 B CN 116129281B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- target
- hyperspectral image
- operator
- module
- 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
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
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种用于高光谱影像的亚像元目标检测系统,包括高光谱影像预处理模块、光谱模态分解模块、端元矩阵构建模块和广义似然比检测算子模块和自适应阈值分割模块;所述高光谱影像预处理模块用于对采集的高光谱影像进行坏波段剔除、水汽重合波段剔除以得到高光谱影像数据集,并对所述高光谱影像数据集进行辐射定标、大气校正和正射校正以获得带有几何位置信息的地表反射率数据;所述光谱模态分解模块用于对所述高光谱影像数据集进行模态分解,获取光谱IMF分量数据;所述端元矩阵构建模块用于根据所述光谱IMF分量数据,提取含目标端元矩阵和背景端元矩阵,共同组成所述高光谱影像中的全部地物端元矩阵。
Description
技术领域
本发明涉及领域高光谱遥感影像处理技术,特别涉及一种用于高光谱影像的亚像元目标检测系统。
背景技术
目标尺寸较小且背景复杂、环境差异较大,传统的基于空间形态的目视解译方法无法实现对这类目标的识别,高光谱遥感目标探测主要是依据目标与地物在光谱特征上存在的差异进行检测识别,判断影像中每个像素的光谱曲线向量与给定的目标光谱曲线向量之间的相似性和相关性。由于大气环境条件、传感器噪声以及周围地物交叉辐射的影响,采集到地物的高光谱遥感数据往往呈现“同物异谱”或“异物同谱”的现象,给目标探测带来不便。此外,由于高光谱遥感影像一个像元中存在多种地物光谱信息形成混合像元,导致目标光谱变化,尤其是亚像元小目标。
构建高光谱遥感影像目标检测方法时需要将光谱可变性以及背景目标多种光谱混合纳入考虑范围。常用光谱模型主要有概率分布模型、子空间模型以及线性混合模型。目标检测模块常见采用目标探测算法有五种基于先验知识的目标探测算法,包括:OSP、ACE、CEM、MNF-CEM、AMSD。其中,OSP算法通过正交子空间投影的方式较为有效的抑制背景,但是对亚像元目标效果一般,使用过程中输入参量较多。ACE算法在背景光谱统计时去掉目标的光谱特征,但ACE基于的假设情况不一定适用于所有情况,用于已知目标光谱时,必须严格控制目标光谱输入准确性。CEM算法当目标和背景的决策统计量差异越大,可分性越强,探测效果越好,适用于背景未知情况、不同云层背景的目标探测,不太适用于目标占图像比例略大的情况。MNF-CEM算法是基于MNF变换对CEM算法进行改进,避免了对低维数据进行亚像元目标探测应用时求解影像虚拟维数和病态矩阵求逆的问题,适合云层背景的目标探测,可用于目标的快速探测,但阈值分割需要准确限定,难以控制。AMSD算法通过排除在目标子空间上具有较大投影值的特征向量或奇异特征向量的方式,排除目标光谱在背景端元矩阵中的影响,但是对各种目标和背景端元组分的估计都是通过最大似然法得到的,并不具有实际的物理意义,适用于具备已知输入光谱时,地面复杂背景的目标探测。
现以飞机目标探测,通过对不同场景的飞机目标探测形式进行分析,将五种算法适用的场景大致分为四种:CEM和MNF-CEM算法适用在云背景条件下,输入目标光谱,进行目标检测;OSP算法适用具备已知光谱信息的民航飞机和大型合作目标;ACE算法适用已知目标光谱,且目标光谱输入准确性可保障;AMSD算法适用当地面复杂背景条件下进行目标探测。
综上,现有技术存在的问题如下:1、弱小目标的亚像元探测问题,在当前星载高光谱影像的空间分辨率级别下,大部分空中目标均属于小目标,且在高光谱遥感影像上以亚像元的形式存在,难以通过目标的外在形状、纹理等信息实现小目标的探测;2、亚像元目标的探测精度问题,若背景复杂,像元由多种地物和目标光谱混合组成,探测的精度下降,混合像元分解可以得到各种光谱的端元丰度(组分百分比),但却没有如何区分一个像元是否包含目标和地物的准则,光谱分解后在很多不含目标的点上也常有目标端元丰度信息,直接依据分解结果判定目标是否存在常常会导致很多虚警目标;3、对于亚像元目标的探测效率问题,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,目标探测算法在数据的读取、计算等方面耗时较长,在时效性要求高的目标检测应用上表现出明显的劣势。
发明内容
针对现有技术中存在的问题,本发明提供了一种用于高光谱影像的亚像元目标检测系统。将信号处理方法与遥感科学紧密结合,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,基于经验模态分解提取高光谱影像中目标与背景的差异特征,构建最优检测准则,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,提升了目标探测的准确率以及精度。
具体技术方案如下:一种用于高光谱影像的亚像元目标检测系统,包括高光谱影像预处理模块、光谱模态分解模块、端元矩阵构建模块和广义似然比检测算子模块和自适应阈值分割模块;
所述高光谱影像预处理模块用于对采集的高光谱影像进行坏波段剔除、水汽重合波段剔除以得到高光谱影像数据集,并对所述高光谱影像数据集进行辐射定标、大气校正和正射校正以获得带有几何位置信息的地表反射率数据;
所述光谱模态分解模块用于对所述高光谱影像数据集进行模态分解,获取光谱IMF分量数据;
所述端元矩阵构建模块用于根据所述光谱IMF分量数据,提取含目标端元矩阵和背景端元矩阵,共同组成所述高光谱影像中的全部地物端元矩阵;
所述广义似然比检测算子模块用于根据所述光谱IMF分量数据获取目标存在时的算子和目标不存在时的算子,并根据所述目标存在时的算子和目标不存在时的算子计算目标检测算子;
所述自适应阈值分割模块用于根据所述目标检测算子对目标探测结果进行自适应阈值分割,然后将分割后的目标探测结果与自适应阈值比较,输出目标检测结果。
优选的,所述光谱模态分解模块用于执行以下分解步骤:
S01:对于所述高光谱影像数据集中的高光谱影像数据,找出所述高光谱影像数据的光谱数据序列的光谱曲线全部极值点,获得包括所有极大值点的光谱曲线上包络线和包括所有极小值点的光谱曲线下包络线;
S02:计算光谱曲线上、下包络线的光谱均值;
S03:将光谱数据序列进行筛分,获取新光谱数据序列;
S04:判断新光谱数据序列是否满足IMF分量条件;
重复步骤S01~S04,直至满足IMF分量条件,完成光谱模态分解。
优选的,所述光谱曲线上、下包络线的光谱均值的计算公式如下:
优选的,所述新光谱数据序列h(x)的计算公式如下:
式中,f(x)为所述高光谱影像数据的光谱数据序列,m(x)为光谱均值,h(x)为新光谱数据序列。
优选的,所述IMF分量条件为:新光谱数据序列h(x)均值线的平均值趋近于0,或与0之差的绝对值小于0.1,且光谱数据序列极值点个数和光谱数据序列同横轴交点个数之差不大于1;
若不满足所述IMF分量条件,计算残余项,计算公式如下:
式中,R(x)为残余项,f(x)为光谱数据序列,IMF(x)为IMF分量。
优选的,所述模态分解过程表示为j个IMF j (x)分量和一个残余项R(x)之和,按照如下公式表示:
式中,f(x)为光谱数据序列,IMF j (x)为第j个IMF分量,R(x)为残余项。
优选的,所述目标存在时的算子的计算公式如下:
式中,f 1为目标存在时的算子,L为影像维数,x为目标光谱矢量,I为单位矩阵,E为全部地物端元矩阵。
优选的,所述目标不存在时的算子的计算公式如下:
式中,f 0为目标不存在时的算子,L为影像维数,x为目标光谱矢量,I为单位矩阵,B为背景端元矩阵。
优选的,所述目标检测算子的计算公式如下:
式中,Target(x)为目标检测算子,GLR(x)为广义似然比算子,L为影像维数,f 1为目标存在时的算子,f 0为目标不存在时的算子,x为目标光谱矢量,I为单位矩阵,E为全部地物端元矩阵,B为背景端元矩阵。
优选的,还包括采集模块,用于采集高光谱影像,所述高光谱影像包括可见光近红外谱段和短波红外谱段。
本发明的有益效果如下:
本发明提供的一种用于高光谱影像的亚像元目标检测系统,针对现实工程应用中的弱小目标探测问题,有效地提升了目标探测的准确率及精度,将经验模态分解引入高光谱目标探测中,提出了基于信号分析方法的广义似然比检测算子,可以检测高光谱遥感影像中亚像元状态的飞机目标,计算量小,检测时间快。采用经验模态分解,相比较与直接对原始高光谱影像进行目标探测,经验模态分解后的固有模态函数可以得到明显的目标和背景的特征差异信息。将经验模态分解与亚像元检测相结合,构造检测最优准则。在放大目标和背景特征差异的基础上,建立目标检测算子,提升了目标探测的准确率以及精度。
附图说明
图1示出了本发明一个实施例中一种用于高光谱影像的亚像元目标检测系统流程图;
图2示出了本发明一个实施例中光谱曲线上、下包络线示意图;
图3示出了本发明一个实施例中光谱曲线均值包络线示意图;
图4示出了本发明一个实施例中土壤光谱曲线示意图;
图5示出了本发明一个实施例中土壤光谱曲线经验模态分解后IMF1-IMF8的结果示意图;
图6a示出了本发明一个实施例中机场场景一的目标检测示意图;
图6b示出了本发明一个实施例中机场场景一的目标检测示意图;
图6c示出了本发明一个实施例中机场场景的目标与背景光谱曲线示意图;
图7a示出了本发明一个实施例中Cri传感器的目标检测示意图;
图7b示出了本发明一个实施例中Cri传感器的目标检测示意图;
图7c示出了本发明一个实施例中的目标与背景光谱曲线示意图;
图8a示出了本发明一个实施例中资源1号02D高光谱数据的目标检测示意图;
图8b示出了本发明一个实施例中资源1号02D高光谱数据的目标检测示意图。
具体实施方式
下面对本申请的实施方式作进一步地详细描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
说明书和权利要求书中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备,不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
实施例
当前常见民用和商用高光谱传感器分辨率为10米、30米,面向10米分辨率的遥感影像,重点关注的空中动态目标(如军用飞机、导弹、低空飞行器等)尺寸相对较小。而且,星载传感器获取的目标像元多表现为复杂地面、云、海等背景与目标的混合像元,均以亚像元形式存在。
基于线性混合模型进行高光谱遥感影像的全限制混合像元分解,可以得到各种光谱的端元丰度(组分百分比),但是却没有给出统计上如何区分一个像元是否包含目标和地物的准则。由于全限制分解中非负约束条件的限制,分解后在很多不含目标的点上常常也含有目标端元丰度,如果直接依据分解的丰度结果判定目标是否存在常常会导致很多虚警目标。因此,需要构造能很好地区分目标和背景的准则。
本发明将信号处理方法与遥感科学紧密结合,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。
本发明提供的用于高光谱影像的亚像元目标检测系统,包括高光谱影像预处理模块、光谱模态分解模块、端元矩阵构建模块和广义似然比检测算子模块和自适应阈值分割模块。高光谱影像预处理模块用于对采集的高光谱影像进行坏波段剔除、水汽重合波段剔除以得到高光谱影像数据集,并对所述高光谱影像数据集进行辐射定标、大气校正和正射校正以获得带有几何位置信息的地表反射率数据;光谱模态分解模块用于对所述高光谱影像数据集进行模态分解,获取光谱IMF分量数据;端元矩阵构建模块用于根据所述光谱IMF分量数据,提取含目标端元矩阵和背景端元矩阵,共同组成所述高光谱影像中的全部地物端元矩阵;广义似然比检测算子模块用于根据所述光谱IMF分量数据获取目标存在时的算子和目标不存在时的算子,并根据所述目标存在时的算子和目标不存在时的算子计算目标检测算子;自适应阈值分割模块用于进行自适应阈值分割,输出目标检测结果。
图1示出了本发明实施例中一种用于高光谱影像的亚像元目标检测系统流程图,具体包括如下步骤:
首先,采集高光谱遥感影像,对高光谱影像进行预处理获取地表反射率数据,然后进行光谱维度经验模态分解,获取光谱IMF分量数据。
(1)高光谱影像预处理
本发明针对的是星载高光谱数据的亚像元目标探测,实验数据采用的是资源1号02D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遥感影像,空间分辨率均为30米,经过坏波段剔除、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获得带有几何位置信息的地表反射率数据。
(2)光谱维度经验模态分解
经光谱维度经验模态分解,采用的信号分解算法是EMD,从复杂信号“筛分”处理过程中实现信号分解,从而分离出光谱IMF分量数据。
优选的,对任意高光谱影像数据集即光谱数据序列记为f(x),均可视为多个不同的固有模态函数叠加之和,任何固有模态函数可以是线性的或非线性的,并且任意两个固有模态函数之间都是相互独立的。
光谱数据序列f(x)经验模态分解的步骤如下:
S01:寻找光谱曲线全部极值点(含极大值和极小值),通过三次样条曲线将局部极大值连成上包络线,极小值点连成下包络线,形成的上、下包络线需要包含光谱所有波段数据点。如图2所示为本发明一个实施例中光谱曲线上、下包络线示意图。
S02:计算光谱曲线上、下包络线的光谱均值,如图3所示为本发明一个实施例中光谱曲线均值包络线示意图,按照如下公式计算:
S03:将光谱数据序列f(x)减去光谱均值m(x),即将光谱数据序列f(x)经过一次“筛分”得到一个新光谱数据序列h(x),按照如下公式计算:
式中,h(x)为新光谱数据序列,f(x)为光谱数据序列,m(x)为光谱均值。
S04:判断新光谱数据序列h(x)是否满足IMF分量条件,判断条件如下:
条件1:新光谱数据序列h(x)均值线的平均值趋近于0,或与0之差的绝对值小于0.1。
条件2:光谱数据序列极值点个数和光谱数据序列同横轴交点个数之差不大于1。
若不满足上述判断条件,计算残余项R(x),计算公式如下:
式中,R(x)为残余项,f(x)为光谱数据序列,IMF(x)为IMF分量。
利用上述残余项R(x)重复步骤S01~S04的分析,直至满足IMF分量条件。
此时,第n阶残差是单调函数而不能继续分解出IMF分量,完成光谱维度经验模态分解。
模态分解过程表示为j个IMF j (x)分量和一个残余项R(x)之和,按照如下公式表示:
式中,f(x)为光谱数据序列,IMF j (x)为第j个IMF分量,R(x)为残余项。
按照上述光谱维度经验模态分解步骤,图4示出了本发明一个实施例中土壤光谱曲线,图5示出了本发明一个实施例中土壤光谱曲线经验模态分解后IMF1-IMF8的结果。首先获取土壤光谱曲线,然后按照上述光谱维度经验模态分解步骤对土壤光谱曲线进行经验模态分解,得到IMF1-IMF8的结果。
(3)构建端元矩阵
根据经验模态分解后的IMF分量数据集,提取含目标端元矩阵t和不含目标端元矩阵即背景端元矩阵B,共同组成影像中全部地物端元矩阵E。
(4)广义似然比检测算子
设高光谱影像经过EMD分解得到各个像元的IMF分量数据,目标光谱矢量为x,根据广义似然比检测理论求出目标存在和不存在时的算子,按照如下公式:
当目标存在时:
当目标不存在时:
式中,f 1为目标存在时算子,f 0为目标不存在时算子,L为影像维数,x为目标光谱矢量,I为单位矩阵,E为全部地物端元矩阵,B为背景端元矩阵。
计算目标检测算子,计算公式如下所示:
式中,Target(x)为目标检测算子,GLR(x)为广义似然比算子,L为影像维数,f 1为目标存在时算子,f 0为目标不存在时算子,x为目标光谱矢量,I为单位矩阵,E为全部地物端元矩阵,B为背景端元矩阵。
(5)自适应阈值分割
若探测目标属于大概率出现的类型(如植被等),采用大津法对目标探测结果进行自适应阈值分割,自适应阈值分割后,与阈值进行比较,小于阈值输出结果不存在目标,大于等于阈值输出结果为存在目标。优选的,所述目标探测结果为基于高光谱影像通过EMD、广义似然比算子等计算得到的一个谱段的影像。
(6)检测方法准确性验证
针对本发明提供的高光谱影像的亚像元目标检测系统的准确性进行验证,采用下述三种方法进行验证:
方法一:在机载高光谱数据检测军用飞机试验验证。图6a和图6b示出了本发明一个实施例中机场场景一的目标检测,优选的,为机场场景数据集是由可见光/红外成像光谱仪(AVIRIS)传感器获取图像,去除低信噪比和水汽强吸收谱段后,该数据集剩余189个有效光谱通道,波长范围370-2510nm,大小为100×100像素,目标与背景光谱曲线如图中6c所示。
方法二:采用星载资源1号02D高光谱影像检测民航大飞机实验验证,Cri传感器的目标检测如图7a和图7b所示,为草坪石头数据场景,场景尺寸大小为400×400像素。去除了低信噪比和水强烈吸收带后,该数据集剩余了46个有效光谱通道。该幅图像主要背景地物是草坪,将草坪上摆放的石头视为需要检测的目标地物,目标与主要地物光谱曲线如图7c所示。其中实曲线为目标石头的光谱曲线。
方法三:采用星载资源1号02D高光谱影像检测某机场实验验证,如图8a和8b所示为本发明一个实施例中资源1号02D高光谱数据的目标检测。剔除了低信噪比和水汽强吸收谱段后,在可见光近红外与短波红外谱段重合部分保留信噪比高的可见光谱段,该数据集剩余156个有效光谱通道,其波长范围约395-2510nm,空间分辨率为30米,所有民航飞机在影像中均为亚像元。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种用于高光谱影像的亚像元目标检测系统,其特征在于,包括高光谱影像预处理模块、光谱模态分解模块、端元矩阵构建模块、广义似然比检测算子模块和自适应阈值分割模块;
所述高光谱影像预处理模块用于对采集的高光谱影像进行坏波段剔除、水汽重合波段剔除以得到高光谱影像数据集,并对所述高光谱影像数据集进行辐射定标、大气校正和正射校正以获得带有几何位置信息的地表反射率数据;
所述光谱模态分解模块用于对所述高光谱影像数据集进行模态分解,获取光谱IMF分量数据;
所述端元矩阵构建模块用于根据所述光谱IMF分量数据,提取含目标端元矩阵和背景端元矩阵,共同组成所述高光谱影像中的全部地物端元矩阵;
所述广义似然比检测算子模块用于根据所述光谱IMF分量数据获取目标存在时的算子和目标不存在时的算子,并根据所述目标存在时的算子和目标不存在时的算子计算目标检测算子;
所述自适应阈值分割模块用于根据所述目标检测算子对目标探测结果进行自适应阈值分割,然后将分割后的目标探测结果与自适应阈值比较,输出目标检测结果;
所述目标存在时的算子的计算公式如下:
式中,f1为目标存在时的算子,L为影像维数,x为目标光谱矢量,I为单位矩阵,E为全部地物端元矩阵;
所述目标不存在时的算子的计算公式如下:
式中,f0为目标不存在时的算子,L为影像维数,x为目标光谱矢量,I为单位矩阵,B为背景端元矩阵;
所述目标检测算子的计算公式如下:
式中,Target(x)为目标检测算子,GLR(x)为广义似然比算子,L为影像维数,f1为目标存在时的算子,f0为目标不存在时的算子,x为目标光谱矢量,I为单位矩阵,E为全部地物端元矩阵,B为背景端元矩阵。
2.根据权利要求1所述的用于高光谱影像的亚像元目标检测系统,其特征在于,所述光谱模态分解模块用于执行以下分解步骤:
S01:对于所述高光谱影像数据集中的高光谱影像数据,找出所述高光谱影像数据的光谱数据序列的光谱曲线全部极值点,获得包括所有极大值点的光谱曲线上包络线和包括所有极小值点的光谱曲线下包络线;
S02:计算光谱曲线上、下包络线的光谱均值;
S03:将光谱数据序列进行筛分,获取新光谱数据序列;
S04:判断新光谱数据序列是否满足IMF分量条件;
重复步骤S01~S04,直至满足IMF分量条件,完成光谱模态分解。
4.根据权利要求3所述的用于高光谱影像的亚像元目标检测系统,其特征在于,所述新光谱数据序列h(x)的计算公式如下:
h(x)=f(x)-m(x)
式中,f(x)为所述高光谱影像数据的光谱数据序列,m(x)为光谱均值,h(x)为新光谱数据序列。
5.根据权利要求2所述的用于高光谱影像的亚像元目标检测系统,其特征在于,
所述IMF分量条件为:新光谱数据序列h(x)均值线的平均值趋近于0,或与0之差的绝对值小于0.1,且光谱数据序列极值点个数和光谱数据序列同横轴交点个数之差不大于1;
若满足所述IMF分量条件,h(x)就是IMF分量,即IMF(x)=h(x);
若不满足所述IMF分量条件,计算残余项,计算公式如下:
R(x)=f(x)-IMF(x)
式中,R(x)为残余项,f(x)为光谱数据序列,IMF(x)为IMF分量。
7.根据权利要求1所述的用于高光谱影像的亚像元目标检测系统,其特征在于,还包括采集模块,用于采集高光谱影像,所述高光谱影像包括可见光近红外谱段和短波红外谱段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310410296.3A CN116129281B (zh) | 2023-04-18 | 2023-04-18 | 一种用于高光谱影像的亚像元目标检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310410296.3A CN116129281B (zh) | 2023-04-18 | 2023-04-18 | 一种用于高光谱影像的亚像元目标检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116129281A CN116129281A (zh) | 2023-05-16 |
CN116129281B true CN116129281B (zh) | 2023-06-30 |
Family
ID=86310368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310410296.3A Active CN116129281B (zh) | 2023-04-18 | 2023-04-18 | 一种用于高光谱影像的亚像元目标检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129281B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456011A (zh) * | 2013-09-02 | 2013-12-18 | 杭州电子科技大学 | 一种利用互补信息的改进型高光谱rx异常检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6282301B1 (en) * | 1999-04-08 | 2001-08-28 | The United States Of America As Represented By The Secretary Of The Army | Ares method of sub-pixel target detection |
US8054217B2 (en) * | 2006-10-26 | 2011-11-08 | Raytheon Company | Radar imaging system and method using gradient magnitude second moment spatial variance detection |
CN102385694B (zh) * | 2010-09-06 | 2014-04-16 | 中国科学院遥感与数字地球研究所 | 一种基于地块的作物品种高光谱识别方法 |
CN102540271B (zh) * | 2011-12-27 | 2014-03-19 | 南京理工大学 | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 |
CN110208211B (zh) * | 2019-07-03 | 2021-10-22 | 南京林业大学 | 一种用于农药残留检测的近红外光谱降噪方法 |
CN112036235A (zh) * | 2020-07-17 | 2020-12-04 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标检测方法和系统 |
-
2023
- 2023-04-18 CN CN202310410296.3A patent/CN116129281B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456011A (zh) * | 2013-09-02 | 2013-12-18 | 杭州电子科技大学 | 一种利用互补信息的改进型高光谱rx异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116129281A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Enomoto et al. | Filmy cloud removal on satellite imagery with multispectral conditional generative adversarial nets | |
Manolakis et al. | Detection algorithms in hyperspectral imaging systems: An overview of practical algorithms | |
Kwon et al. | Kernel matched subspace detectors for hyperspectral target detection | |
US4912770A (en) | Method of detecting change using image | |
WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
Johnson et al. | AutoGAD: An improved ICA-based hyperspectral anomaly detection algorithm | |
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 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN106529472B (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN115439759A (zh) | 遥感影像中植被的提取方法、装置、电子设备及介质 | |
CN113744191A (zh) | 一种卫星遥感影像自动云检测方法 | |
Huynh et al. | Hyperspectral imaging for skin recognition and biometrics | |
CN116129281B (zh) | 一种用于高光谱影像的亚像元目标检测系统 | |
Jafarzadeh et al. | Probability estimation of change maps using spectral similarity | |
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 | |
Resmini | Simultaneous spectral/spatial detection of edges for hyperspectral imagery: the HySPADE algorithm revisited | |
Rosario | Algorithm development for hyperspectral anomaly detection | |
CN113592032B (zh) | 一种基于物理模型约束的红外成像虚警源分类方法 | |
Asmus et al. | PlanetaMonitoring software complex in applied remote sensing problems | |
Denaro et al. | Nonlinear relative radiometric normalization for Landsat 7 and Landsat 8 imagery | |
Abdulmunim et al. | Propose a mixture edge detection method for infrared image segmentation | |
Riley et al. | Anomaly detection in noisy hyperspectral imagery | |
Thompson et al. | A case study of spectral signature detection in multimodal and outlier-contaminated scenes | |
Yuen et al. | Hyperspectral algorithm development for military applications: A multiple fusion approach | |
Bihl et al. | Data and Feature Fusion Approaches for Anomaly Detection in Polarimetric Hyperspectral Imagery |
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 |