[发明专利]一种基于反馈丰度约束的高光谱目标检测方法、系统、存储介质以及处理器

说明书

技术领域

本发明涉及基于约束的高光谱目标检测技术，具体的说是涉及一种基于反馈丰度约束的高光谱目标检测方法及系统、存储介质以及处理器。

背景技术

高光谱图像利用数十至数百个精细光谱波段对目标区域进行成像，可以同时获取地物丰富的光谱特征和空间特征，在环境监测、精准农业、军事安全等领域具有广泛的应用前景。作为高光谱技术的核心任务，高光谱目标检测是按照目标与地物在光谱特征方面存在的相似性标准进行检测。目前来说，按照背景和目标的已知情况与否，典型的目标检测算法包括正交子空间投影(OSP)方法、约束能量最小化(CEM)方法，TCIMF算法，RXD算法，KXD算法等。

CEM作为一种经典的目标探测方法，其优点在于只需要已知目标信息，通过对全部像元进行压制的方法抑制背景，从而强化感兴趣目标信息，目前应用广泛。但其缺点在于一方面对于已知目标特征比较敏感，对于“同谱异物”现象存在的时候，由于图像中存在与目标相近的地物，检测效果比较差，另一方面，在利用全部像元进行背景压制之时，导致了目标地物信号也被进行了一定程度的弱化，这种方式对于小目标的影响不大，但对大目标地物来说，检测效果会受到一定程度的影响，检测精度不高。

发明内容

鉴于已有技术存在的缺陷，本发明的目的是要提供一种基于反馈丰度约束的高光谱目标检测方法及系统、存储介质以及处理器，以解决现有技术中的问题。

为了实现上述目的，本发明的技术方案：

根据本发明实施例的一个方面，提供了一种基于反馈丰度约束的高光谱目标检测方法，其特征在于，包括如下步骤：

S1、计算目标地物的光谱特征d以及自相关矩阵R，其中所述光谱特征d是通过对高光谱图像的标签信息进行计算获得，所述自相关矩阵R是通过对高光谱图像的所有像元信息进行计算获得；

S2、根据光谱特征d以及自相关矩阵R的逆矩阵R^-1，以约束能量最小化方法计算出高光谱图像中每个像元r_i所对应的丰度信息f(r_i)；

S3、提取目标地物的空间特征ff(r_i)，将所提取的ff(r_i)反馈融合至高光谱图像的光谱特征中并更新高光谱图像以及相应的目标地物的光谱特征，其中所述目标地物的空间特征ff(r_i)通过高斯邻域算子与所述丰度信息f(r_i)进行提取，更新后的高光谱图像为H′，对应的目标地物的光谱特征为d′；

S4、线性归一化处理所述丰度信息f(r_i)，并定义基于丰度约束的高光谱图像 H′的光谱自相关矩阵为R′；

S5、根据目标地物的光谱特征d′以及光谱自相关矩阵为R′逆矩阵R′^-1，以约束能量最小化方法对基于丰度约束的高光谱图像H′目标地物检测以获得目标地物丰度信息f_c(r_i)；

S6、以自适应阈值方法，对目标地物丰度信息f_c(r_i)进行二值化处理以获得待检测的目标地物。

基于上述方案，进一步地，

所述光谱特征d的计算公式为：

其中，N_m为高光谱图像数据的像元个数，H_m(i)为第i个像元对应的目标地物样本；

所述自相关矩阵R的计算公式为：

其中，R_L×L为波段数目为L时的自相关矩阵。

基于上述方案，进一步地，

所述丰度信息f(r_i)的计算公式为：

基于上述方案，进一步地，

目标地物的空间特征ff(r_i)的计算公式为：

其中σ是高斯滤波的标准偏差，k是高斯滤波的过滤半径；

更新后的高光谱图像为H′为：

H′＝(b₁,b₂,...b_l,ff(ri))^T；

更新后的目标地物的光谱特征为d′：

d'＝[d,1]。

基于上述方案，进一步地，

线性归一化处理的计算公式为

m＝max(f(r_i))

n＝min(f(r_i))