[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

说明书

本发明提供了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，在多示例的框架基础上，通过构建正负样本对获得平衡分布的样本，之后将样本对输入空谱信息联合提取网络，并通过使用分类损失对网络进行约束，使得网络能够朝着正确的方向进行优化；通过在每个数据包中设置任意的像素数来构建正负样本对，并通过逐像素的测试得到该像素对于目标的置信度。本发明有效的避免因高光谱数据特殊性导致的过拟合问题，使得目标检测效果更好，使用的网络是一种直接对像素进行分类的端到端的网络结构，且能够适应包中包含不同示例个数的情况，使得测试的时候可以直接输入单个像素得到单个像素的置信度，因此具有较强的泛用性。

技术领域

本发明涉及图像处理技术领域，尤其是一种高光谱目标检测方法，可用于爆炸物检测、农作物精细分类。

背景技术

高光谱图像由于具有丰富的时空信息，近年来在爆炸物检测、农作物精细分类等各个领域得到了广泛的应用。然而，由于传感器的精度问题，高光谱图像中标记为目标的像素，在地面真值中不一定存在目标，而是表明目标存在于包括该像素在内的一定范围的空间中。此外，由于背景复杂多样，且多数情况下目标数目远小于背景数目，使得高光谱图像的目标检测成为难点。

多示例学习起源于药物活性检测，随着其应用的日益广泛，目前被认为是除有监督学习、无监督学习和强化学习以外的一种新的机器学习框架。不同于有监督学习的精确标记，多示例学习的训练样本以数据包的形式存在。若一个数据包被标记为正包，则说明该数据包至少包括一个正示例；若一个数据包被标记为负包，则说明该数据包不包含正示例。问题的核心就是通过不精确标记的样本尝试得到精确的判断。这种特性使得多示例学习逐渐在图像检索、文本分类、目标检测等各个领域得到了广泛的应用。因此将高光谱不精确标记下的目标检测问题建模为多示例问题，近年来逐渐成为研究的热点。

近年来，对于高光谱目标的检测有不少学者进行了相关的研究：

2014年，武汉大学的张良培教授团队使用了一种将有监督测度学习用于高光谱目标检测的方法，该方法通过引入包含有监督距离最大化的目标函数来最大化正样本和负样本之间的距离，并添加了样本相似性的约束，降低了高光谱目标检测的虚警率。

2018年，Du和Li通过构造像素对之差，利用CNN网络提取中心像素和周围像素的高层特征差异将目标检测问题转化为分类问题，以此使用CNN强大的特征提取能力来进行检测。

2019年，Liu和Wang等人从空间和光谱两方面将动态随机共振引入到高光谱图像的阴影区域增强中，并使用2D卷积神经网络2D-CNN对增强后的高光谱图像进行分类，以实现目标检测。

上述这些方法，结合了机器学习和深度学习技术，性能相较于传统的方法有一定的提升，但是这些方法对于数据有较高的要求。而高光谱数据往往存在数据中目标不足的问题，即待检测目标在场景中较少出现甚至没有，这样会导致在数据分配时的目标不平衡问题。使用这些数据训练上述方法中的模型易出现过拟合现象，导致检测效果下降。

发明内容

为了克服现有技术的不足，本发明提供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，以通过构造正负样本对的方式获得平衡分布的样本，避免由于目标不足带来的过拟合，提高检测效果。

本发明的技术思路是：在多示例的框架基础上，通过构建正负样本对获得平衡分布的样本，之后将样本对输入空谱信息联合提取网络，并通过使用分类损失对网络进行约束，使得网络能够朝着正确的方向进行优化；通过在每个数据包中设置任意的像素数来构建正负样本对，并通过逐像素的测试得到该像素对于目标的置信度。

本发明解决其技术问题所采用的技术方案包括如下步骤：

(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其中的的80％作为训练集，20％作为测试集；