[发明专利]基于张量线性判别分析降维的高光谱图像目标检测方法

说明书

基于张量线性判别分析降维的高光谱图像目标检测方法，本发明涉及高光谱图像目标检测方法。本发明的目的是为了解决现有高光谱图像目标检测方法中未充分考虑在高分条件下空间约束增强的特性，不能从三维数据的整体进行信息挖掘，检测精度较低的问题。过程为：一：获得三阶目标、三阶背景和三阶待检测的测试样本张量块；二：使得目标和背景张量块在投影后的子空间里具有最大的可分性；三：将目标、背景和待检测的测试样本张量块投影到具有最大可分性的张量子空间中；四：计算每一个待检测的测试样本到背景和目标总距离；五：设定阈值，如果灰度值大于阈值，则确定该中心点的像元为目标，否则认为该中心点的像元为背景。本发明用于图像处理领域。

技术领域

本发明涉及高光谱图像目标检测方法。

背景技术

高光谱图像传感器能够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。高光谱图像同时包含了地物的空间信息、反射或辐射信息及光谱信息想，其特性通常被称为“图谱合一”。而且，高光谱图像数据提供了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，作为地物分类和检测的依据。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。在军事方面，可以揭露敌方目标的伪装、隐藏和欺骗；在民用方面，在公共安全、质量监控、失事点搜寻与营救等方面已经有重要应用。

当前的目标检测手段主要有3种：异常检测、已知样本下的光谱匹配检测和一类分类方式检测。而常用的高光谱图像光谱匹配检测模型一般有三种，欧式距离模型，概率统计模型和子空间模型。典型的方法有正交子空间投影检测方法(Orthogonal SubspaceProjection，OSP)，特征子空间投影检测方法(Signature Subspace Projection，SSP)，匹配子空间检测方法(Matched Subspace Detector，MSD)，光谱匹配滤波检测方法(SpectralMatched filter，SMF)，自适应余弦估计检测方法(Adaptive Cosine Estimator，ACE)等。

目前针对高光谱图像的目标检测主要是利用光谱匹配特性，通过光谱匹配程度来判断单点的光谱属性，并未充分考虑在高分条件下空间约束增强的特性，即局部相关性增强的特性。空谱联合检测方法可以提高光谱和空间的利用能力，但一般的空谱联合方法仅仅从空间或光谱的简单组合操作进行分析，不能从三维数据的整体进行信息挖掘，检测精度较低。

张量(tensor)，即多维数组，更正式地说，一个N阶张量就是N个向量的张量积的结果。一个向量是一阶张量，一个矩阵是二阶张量，三阶或更高阶张量称为高阶张量。利用张量模型对图像进行表示，可以有效地利用图像的内在几何结构信息，大幅提升了遥感图像分类等的性能。目前基于张量表示的遥感图像处理方法已经成功应用到高光谱图像的分类和目标检测当中，并取得了更好的分类和检测结果。

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中未充分考虑在高分条件下空间约束增强的特性，不能从三维数据的整体进行信息挖掘，检测精度较低的问题，而提出基于张量线性判别分析降维的高光谱图像目标检测方法。

基于张量线性判别分析降维的高光谱图像目标检测方法具体过程为：

步骤一：对待检测的高光谱图像进行张量块的选择和划分，获得空X-空Y-光谱三阶目标张量块、空X-空Y-光谱三阶背景张量块和空X-空Y-光谱三阶待检测的测试样本张量块；

步骤二：设定目标张量块、背景张量块和待检测的测试样本张量块每一维投影后维度的大小，利用步骤一中获得的目标张量块和背景张量块训练获取目标张量块、背景张量块和待检测的测试样本张量块三个维度上的投影矩阵，使得目标张量块和背景张量块在投影后的子空间里具有最大的可分性；

步骤三：根据步骤二获得的三个维度上的投影矩阵，将步骤一得到的目标张量块、背景张量块和待检测的测试样本张量块投影到具有最大可分性的张量子空间中；