[发明专利]基于多示例空谱信息联合提取的高光谱目标检测方法

权利要求书

1.一种基于多示例空谱信息联合提取的高光谱目标检测方法，其特征在于包括下述步骤：

(1)获取数据集：

(1a)从ASTER光谱库中挑选光谱范围在0.4μm到2.5μm的仿真数据集和真实高光谱数据集分别作为真实数据集和仿真数据集，并分别将两个数据集划分为训练集和测试集；

(1b)对于每一张高光谱图像，将目标像素块切割出来作为正包，原图用零填补，然后用滑窗取块的方式构造负包；

(2)搭建一个由光谱特征提取模块、像素块空间特征提取模块、分类器级联组成的多示例空谱信息联合提取网络；其中，光谱特征提取模块为一个一维卷积层和一个归一化层，像素块空间特征提取模块为一个长短时记忆网络，分类器为一个示例级别分类器和包级别分类器；

(3)对多示例空谱信息联合提取网络进行迭代训练；

(4)利用步骤(3j)训练好的网络模型对测试集数据进行单点测试，去掉网络中的包级别分类器，输出每个像素属于目标的置信度。

2.根据权利要求1所述的基于多示例空谱信息联合提取的高光谱目标检测方法，其特征在于：

所述步骤(1a)中，分别将真实数据集和仿真数据集中的80％作为训练集，20％作为测试集。

3.根据权利要求1所述的基于多示例空谱信息联合提取的高光谱目标检测方法，其特征在于：

所述对多示例空谱信息联合提取网络进行迭代训练的具体步骤为：

(3a)设置网络训练的最大迭代次数E，初始学习率Lr，对比损失中的阈值t和批量大小B；

(3b)将步骤(1a)构造好的数据包输入到多示例空谱信息联合提取网络，提取光谱特征，并对提取到光谱特征进行归一化，得到特征提取后的特征集合V^IN；

(3c)将特征集合V^IN中的元素输入长短时记忆网络LSTM，得到空间特征提取后的特征集合V^LSTM；

(3d)将特征集合V^LSTM输入分类器，得到每个示例属于目标的置信度S；

(3e)将每个示例属于目标的置信度S输入一个最大池化层组成的包级别分类器，通过最大池化操作得到该数据包属于目标的置信度S_max；

(3f)根据包的目标置信度与包的标签，使用交叉熵损失函数计算损失Loss；

(3i)依据交叉熵损失Loss进行反向传播，利用损失Loss对各个模型参数的梯度值更新网络参数；

(3j)重复步骤(3b)～(3i)，直到达到最大迭代次数E，输出最终的模型作为训练好的多示例空谱特征提取网络。

4.根据权利要求3所述的基于多示例空谱信息联合提取的高光谱目标检测方法，其特征在于：

所述特征提取后的特征集合V^IN；

其中，下标ij表示对应于第i个包的第j个示例，为第i个包的第j个示例经过光谱特征提取后的特征集合，V_imean表示第i个包的光谱特征平均，V_ivar表示第i个包的光谱特征方差。

5.根据权利要求3所述的基于多示例空谱信息联合提取的高光谱目标检测方法，其特征在于：

所述特征集合V^LSTM为：

其中，f_F、f_I和f_O分别表示长短时记忆网络LSTM的遗忘门、输入门和输出门，代表了LSTM的隐状态中间变量，由LSTM前一个时间步的隐藏层输出和当前时间步的输入构成。

6.根据权利要求3所述的基于多示例空谱信息联合提取的高光谱目标检测方法，其特征在于：

所述置信度S为：

其中和分别代表第j个示例对应的多示例空谱信息联合提取网络分类器中的权重和偏置，为第i个包的第j个示例经过空间特征提取后的特征集合。

7.根据权利要求3所述的基于多示例空谱信息联合提取的高光谱目标检测方法，其特征在于：

所述损失Loss为：

其中，P为总的包数，Y_i为第i个包对应的标签，S_i＝max(S_ij)为第i个包对目标置信度的预测值。