[发明专利]一种基于解混预处理的高光谱目标检测方法

说明书

基于解混预处理的高光谱目标检测方法：1)通过探测的高光谱图像，获得需要探测的目标光谱t，对高光谱图像和目标光谱进行单位化处理；2)对高光谱图像进行端元提取，得到图像的端元集合；3)根据2)得到的端元集合和目标光谱t进行光谱夹角计算，得到端元集合中与目标光谱最为近似的目标端元如果在设定的阈值内找不到目标端元，则将高光谱影像投影至其主成分的正交子空间，再重复2)及3)，直到匹配出目标端元4)对3)所得目标端元进行丰度反演，得到目标端元的丰度图；5)对4)得到的丰度图得到丰度图的最佳分割阈值；6)根据5)得到的阈值，对丰度图进行分割，分割后图像中白色区域代表目标区域，黑色区域代表背景区域。

技术领域

本发明属于高光谱目标检测技术领域，具体涉及一种基于解混预处理的高光谱目标检测方法。

背景技术

高光谱目标探测技术是高光谱遥感技术应用的一个重要方向，已广泛应用于军用和民用领域。一幅高光谱图像有三个维度，其中包括两个空间维度和一个光谱维度。在高光谱图像中，每一个像元有着连续的数以百计的光谱波段，这些波段的宽度往往10nm左右，高光谱图像中相同波段的像元组成了2维图像，因此高光谱图像具备了“图谱合一”这一特性。

在过去的几十年中，数种高光谱目标探测算法被提出。其中包括光谱夹角填图(SAM)、约束能量最小算法(CEM)、自适应一致估计(ACE)等，SAM算法在目标探测中是最常见的一种目标探测算法，其利用对比目标光谱和影像中像元的相似度来判断影像中的像元是否为目标。SAM算法有着原理简单探测速度快等优点。CEM算法源于数字信号处理领域中的线性约束最小方差波束形成器，是一种有限长单位冲激响应滤波器，在仅知道目标光谱的情况下，CEM算法可以有效的对目标进行探测。

以上介绍的经典目标探测算法有一个共同点，在进行目标探测的过程中，仅利用目标光谱这一先验信息，没有充分利用高光谱图像中隐藏的端元信息。Chang首次提出利用NCLS(nonnegative constrained least squares)算法来进行目标探测，文献验证了利用解混进行目标探测的可行性，并得出在目标能被当做端元提取时，利用解混的目标探测算法的探测效果优于传统的目标探测算法。而NCLS算法存在的问题是：如果目标不能作为端元被成功提取，就存在探测效果差的问题。

发明内容

本发明在NCLS算法的基础上提出了一种基于解混预处理的高光谱目标检测方法，改进现有NCLS算法，解决了现有NCLS算法中如果目标不能作为端元被成功提取，探测效果差这一问题，并利用粒子群算法优化了丰度反演的阈值。

本发明采取如下技术方案：

一种基于解混预处理的高光谱目标检测方法，其步骤为：

1)获得需要探测的高光谱图像，获得需要探测的目标光谱t，对高光谱图像和目标光谱进行单位化处理；

2)对高光谱图像进行端元提取，可采用N-FINDE算法，得到图像的端元集合；

3)根据步骤2已经得到的端元集合和目标光谱t进行光谱夹角计算，得到端元集合中与目标光谱最为近似的目标端元如果在设定的阈值内找不到目标端元，则将高光谱影像投影至其主成分的正交子空间，再重复步骤2和步骤3，直到匹配出目标端元

4)对步骤3所得目标端元进行丰度反演，如采用无约束最小2乘算法，得到目标端元的丰度图；

5)对步骤4中得到的丰度图可利用粒子群算法求得丰度图的最佳分割阈值；

6)根据步骤5得到的阈值，对丰度图进行分割，分割后图像中白色区域代表目标区域，黑色区域代表背景区域。

优选的，步骤1)、对高光谱图像进行单位化处理，具体如下：对高光谱图像X中的每个像元分别进行单位化处理，对每个像元进行如下处理：