[发明专利]单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法

说明书

本发明公开了一种单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法，包括构建目标字典和背景字典，构建目标字典时利用给定的一条目标光谱作为先验信息；构建背景字典时，分类并选择每个类别中表示频率高的像元作为背景训练样本，得到全局过完备的背景字典；对于目标字典和背景字典，使用双类别稀疏表示模型对像元进行稀疏表示，获得目标稀疏向量和背景稀疏向量，对待探测像元进行逐一探测，提取得到高光谱遥感影像X的目标检测结果。本发明背景字典为全局背景字典，使得全局影像上所有背景地物类别都得到很好的表示；而双类别的稀疏表示方式将目标类和背景类分开进行稀疏重建，高效实现高光谱影像中目标和背景的分离，检测出感兴趣的目标。

技术领域

本发明属于遥感影像处理技术领域，尤其涉及一种单一光谱驱动的双类别稀疏表示高光谱图像目标检测方法。

背景技术

遥感对地观测技术及其应用的飞速发展在很大程度上改变着人类认知世界模式，它已成为获取地表信息重要技术手段(Griffith,J..(1979).Remote sensing and imageinterpretation.John WileySons.)。而遥感对地观测技术在实际应用中所能发挥的价值，很大程度上取决于卫星传遥感所获取的影像能否提供细致且丰富的地表信息。相对于多光谱影像来说，高光谱遥感影像有着波段数目多，光谱分辨率极高的特点，它提供了丰富的地物光谱信息，尤其是区分不同地物的诊断性光谱信息和区分相似地物之间细微差别的光谱信息，为获取地表信息带来了独特的优势。

高光谱图像目标检测实际上是一个二分类问题，是在给定先验目标信息的情况下，通过地物光谱差异，将影像上的目标从背景当中分离的过程(Nasrabadi,Nasser,M..(2014).Hyperspectral target detection:an overview of current and futurechallenges.IEEE Signal Processing Magazine,31(1),34-44.)。目前高光谱图像目标检测已经广泛应用于环境检测、城市调查、矿物填图和军事侦察等领域。如何快速准确地提取影像中感兴趣的目标是高光谱图像目标检测的难点问题。

针对高光谱图像目标检测问题，国内外学者提出了很多方法，包括基于光谱匹配的检测算法、基于假设检验的检测算法、基于子空间的检测算法等。这类算法大多基于线性混合模型提出，假设一个像元由多种地物混合而成，并假设噪声服从于多元正态分布。而实际情况并不如此，因此这类算法不能取得很好的检测效果。稀疏表示不需要对影像上的目标像元、背景像元或噪声的分布进行任何的假设，因此稀疏表示在高光谱图像目标检测问题上得到了广泛的应用。它认为，在高光谱影像中，背景光谱会落入一个由一系列背景训练样本张成的子空间里，背景像元可以用一系列背景训练样本线性表示；同理，目标光谱会落入目标训练样本张成的子空间里，目标像元可以用一系列目标训练样本线性表示。通过稀疏表示对影像上目标和背景两个类别的像元进行重建获得重建残差，通过残差的比较获得输出值得到目标检测的结果。在基于稀疏表示的方法中，一般是从全局影像上选取几个目标像元构建目标字典，而对于一张高光谱影像我们并不知道哪些像元是目标，因此无法正确获取。同时，从全局影像上选取的目标像元非常少，不足以对影像上的所有可能存在的目标像元进行很好的表示，影响稀疏向量的恢复以及残差的获取，从而影响最终的探测效果。对于这个问题，我们在之前的工作中提出了通过预探测构建目标字典的方式来进行改善，得到了较好的探测结果。(Zhu,D.,Du,B.,and Zhang L..(2019).Target DictionaryConstruction-Based Sparse Representation Hyperspectral Target DetectionMethods.IEEE Journal of Selected Topics in Applied Earth Observations andRemote Sensing 12(4):1254-1264.)

虽然稀疏表示在高光谱目标检测问题上取得了一定的成功，但是仍然存在一些不足：