[发明专利]一种基于双流卷积神经网络的高光谱图像目标检测方法

说明书

本发明公开了一种基于双流卷积神经网络的高光谱图像目标检测方法，包括训练阶段和探测阶段。训练阶段包括典型背景样本的选取、目标样本的生成、构建网络训练样本和网络参数训练。通过联合稀疏表示和分类的像元选择策略选取典型背景样本，通过在目标先验中植入一定比例背景成分生成目标样本，将目标先验分别与目标样本和背景样本构建为网络的正训练样本和负训练样本，并使用设计好的双流卷积神经网络进行训练。在探测阶段，影像上的待探测像元分别与目标先验构建为双流网络的输入，经过训练好的网络后得到预测值，并将预测值作为该探测像元的输出值，从而获得高光谱图像目标探测的结果。

技术领域

本发明属于遥感影像处理技术领域，尤其涉及一种基于双流卷积神经网络的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。传统的高光谱目标检测方法主要是基于概率统计，通过线性混合模型提出。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。现有的高光谱目标检测方法主要从模式识别和机器学习的角度来建立。最开始研究的一些基于核化的方法，通过将原始数据投影到高维空间中，使得目标和背景线性可分。而近几年来，研究得最多的是基于表示的方法，两个典型的模型是稀疏表示和协同表达。这些基于表示的方法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。稀疏表示的方法认为，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。而协同表达是在稀疏表示的基础上衍生出来的，它认为影像上的像元可以由其周围的像元进行协同表示，同样通过像元重建获取重建残差得到目标检测的结果。

近年来，随着深度学习的发展，一些基于深度的方法也成功地运用到了高光谱影像处理当中来。尤其是在特征提取和高光谱分类上取得了广泛的应用。而高光谱图像目标检测问题其实本质上也是一个二分类问题，把影像上的像元分为目标和背景两个类别。但深度学习却很难运用到目标检测问题中来，最主要的原因是目标样本不足，无法满足深度网络进行训练。另外在目标检测问题中，影像上的背景类别及位置也是未知的，给在高光谱目标检测使用深度学习这样一种提取特征的强大工具也带来了困难。

发明内容

针对现有技术存在的不足，本发明提供了一种高精度、高目标背景分离度的基于双流卷积神经网络的高光谱图像目标检测方法。

为解决上述技术问题，本发明采用如下的技术方案：