[发明专利]一种高光谱遥感影像目标探测方法

说明书

本发明公开了一种高光谱遥感影像目标探测方法，将多任务学习方法引入高光谱遥感影像目标探测中，多任务学习方法充分考虑高光谱遥感影像波段间的信息冗余性，提出联合稀疏表达和多任务学习的目标探测算法。多任务学习方法能够利用高光谱遥感影像波段间的冗余性提取多个子数据集，构建多探测任务，利用不同任务的数据相关性对基于稀疏表达模型的像素光谱进行更好的学习，从而提高探测效果。同时，多任务学习方法在保留足够多的判别信息的同时能够减弱冗余干扰效应。

技术领域

本发明属于高光谱遥感影像处理技术领域，涉及一种高光谱遥感影像目标探测方法，尤其涉及一种联合稀疏表达和多任务学习的高光谱遥感影像目标探测方法。

背景技术

高光谱遥感影像将传统的二维成像遥感技术和光谱技术结合在一起，具有光谱分辨率高、图谱合一的特点。影像上的每个像元拥有数十乃至成百上千个波段的光谱信息，可以提供用于区分不同物质的诊断性光谱特征信息，因此，高光谱遥感图像具备区分不同物质之间细微光谱差异的能力。高光谱遥感影像的这一特点使其能够有效地利用地物精细光谱特征进行地物识别、定位，能够很好地解决目标探测任务中目标地物和背景地物分离的关键问题。

针对高光谱遥感影像目标探测，国内外学者提出了很多算法，经典的算法包括约束能量最小化探测方法CEM、正交子空间投影算法OSP、自适应余弦估计探测器ACE、匹配子空间探测器MSD、基于稀疏表达的探测器。其中，基于稀疏表达的探测器是近年来比较热门的一种方法，稀疏表达模型避免了传统探测方法对影像统计分布做出的先验假设，同时相较于基于少量端元的像素混合模型，稀疏表达模型利用过完备的字典进行像素混合光谱表达，可以改善对可变光谱现象的模拟。高光谱遥感图像在目标探测领域的研究带来了巨大的应用潜力，实际应用已经广泛地覆盖了从民用到军用的诸多领域。典型应用包括国土资源管理中对于地形地貌特征、植被覆盖、矿产分布以及土壤类型的勘察；搜寻和营救工作中对于自然背景下的人工目标检测；反毒品战争中对于特定的毒品作物的检测；国防和反恐中对于军事车辆等特定目标的检测等等。

然而，光谱分辨率高这一特点使得高光谱遥感数据包含更多的地物光谱细节、相邻单波段影像高度相似，这些冗余光谱数据在增加数据处理量的同时，往往会减弱目标与背景的光谱可分性，进而降低目标探测效果。数据降维是处理该冗余干扰效应的有效途径，现有的数据降维技术主要包括波段选择和特征变换两种方法。其中，波段选择方法需要根据特定的准则来完成波段搜索和优化问题，例如最大化类间可分性，由于缺少足够的目标训练样本，这种方法不适用于目标探测应用。经典的特征变换方法有主成分分析法，然而，由于目标像素只占影像的一小部分，主成分变换过程时往往会舍弃包含目标能量的成分，导致探测结果降低。因此，现有的目标探测方法还无法达到在避免冗余干扰效应的同时，保留足够多的判别信息以用于区分目标和背景。

发明内容

为了解决上述技术问题，本发明提供了一种有效的联合稀疏表达和多任务学习的高光谱遥感影像目标探测方法。

本发明所采用的技术方案是：一种高光谱遥感影像目标探测方法，其特征在于：将高光谱遥感影像X中相邻K个波段分割到不同组中，矩阵X大小为N×B，得到K组不同的数据集X^k,k＝1,2,...,K，每组数据矩阵大小为N×B^k，对应K个不同的探测任务，N为影像像素数，B为影像波段数，先验目标训练样本对应的目标字典也被分离成K组子字典对K组子数据集X^k进行如下操作：

步骤1：获取K组子数据集X^k中相同空间位置的像素i的光谱数据；

步骤2：基于像素i，获取像素i对应的K组背景训练样本，构建K组背景子字典

步骤3：基于像素i的K组目标子字典和K组背景子字典构建K组联合字典

步骤4：对像素i构建K组稀疏表达模型；