[发明专利]基于超像素联合稀疏表示的高光谱图像目标检测方法

说明书

基于超像素联合稀疏表示的高光谱图像目标检测方法，本发明涉及高光谱图像的目标检测。本发明的目的是为了解决现有高光谱图像目标检测方法不能从三维数据整体进行信息挖掘，检测精度低的问题。过程为：一：建立超像素约束下的目标和背景的信号联合稀疏表示模型；二：利用图像超像素分割方法将待检测高光谱图像进行分割，分割的结果作为空间约束的先验信息；三：利用获得的目标和背景样本建立目标字典A_t和背景字典A_b；四：利用A_t和A_b、空间约束的先验信息和待检测高光谱图像，分别求取五：基于得到的稀疏表示系数，分别计算r_b(x)和r_t(x)，依据误差的大小，判定待检测高光谱图像的像元是否为检测目标。本发明用于数字图像处理领域。

技术领域

本发明涉及高光谱图像的目标检测。

背景技术

目前，航空航天遥感正向高空间分辨率、高光谱分辨率、高时间分辨率、多极化、多角度的方向迅猛发展。高光谱遥感已发展成一个颇具特色的前沿技术，并形成了一门成像光谱学的新兴学科门类。高光谱传感器通过上百个光谱通道获取地物的反射辐射信息，其波段范围覆盖了从可见光到近红外乃至长波红外区域，包含了地物的空间信息、辐射信息以及光谱信息，其特性通常被称为“图谱合一”。高光谱遥感影像数据的一个重要特征是超多波段和大数据量，近乎连续的光谱采样信息可以记录地物在光谱上很小的反射差异。这个特性被称作地物的诊断特性，可以作为对地物进行分类和检测的依据。研究高光谱图像目标检测新技术，具有重要的理论意义和应用价值。由于高光谱遥感影像提供了更为丰富的地球表面信息，因此受到国内外学者的很大关注，并有了快速发展。其应用领域已涵盖地球科学的各个方面，在地质找矿和制图、大气和环境监测、农业和森林调查、海洋生物和物理研究等领域发挥着越来越重要的作用。

典型的目标检测方法利用光谱库中已知的光谱数据，采用匹配算法来鉴别和识别图像中目标，如光谱角匹配检测(spectral angle matching，SAM)，匹配子空间检测方法(matched subspace detector，MSD)，正交子空间目标检测方法(orthogonal subspaceprojection，OSP)，约束能量最小化方法(constrained energy minimization，CEM)等经典方法，近几年提出的稀疏表示检测方法等。另外，考虑到高光谱图像中也存在着非线性特性，基于经典的匹配算法，得到了核化的目标检测方法。

当前目标检测主要利用光谱匹配特性，通过光谱匹配程度判断单点光谱的属性，并未充分考虑在高空间分辨率条件下空间约束增强的特性，即局部相关性增大的特性，空间-光谱联合检测方法可以提高光谱和空间的利用能力，但一般的空间-光谱联合方法仅仅从光谱或空间的简单组合操作进行分析，而不能从三维数据整体进行信息挖掘，检测精度低。

近年来，超像素分割作为研究的热点，在自然图像当中已经得到了广泛的应用和实践，提出了多种基于图的分割方法，充分考虑了颜色信息和空间信息的融合，目前在高光谱图像当中也进行了初步应用并取得了一定的进展。最典型的也是应用最广泛的方法是简单线性迭代聚类分割算法(simple linear iterative clustering segmentationalgorithm，SLIC)，在其基础上又出现了许多改进的分割方法。

发明内容

本发明的目的是为了解决现有高光谱图像目标检测方法不能从三维数据整体进行信息挖掘，检测精度低的问题，而提出基于超像素联合稀疏表示的高光谱图像目标检测方法。

基于超像素联合稀疏表示的高光谱图像目标检测方法具体过程为：

步骤一：建立超像素约束下的目标和背景的信号联合稀疏表示模型；

步骤二：基于步骤一获得的模型，利用图像超像素分割方法将待检测高光谱图像进行分割，分割的结果作为空间约束的先验信息；