[发明专利]一种高光谱遥感影像目标探测方法

摘要

本发明公开了一种高光谱遥感影像目标探测方法，将多任务学习方法引入高光谱遥感影像目标探测中，多任务学习方法充分考虑高光谱遥感影像波段间的信息冗余性，提出联合稀疏表达和多任务学习的目标探测算法。多任务学习方法能够利用高光谱遥感影像波段间的冗余性提取多个子数据集，构建多探测任务，利用不同任务的数据相关性对基于稀疏表达模型的像素光谱进行更好的学习，从而提高探测效果。同时，多任务学习方法在保留足够多的判别信息的同时能够减弱冗余干扰效应。

主权项

1.一种高光谱遥感影像目标探测方法，其特征在于：将高光谱遥感影像X中相邻K个波段分割到不同组中，矩阵X大小为N×B，得到K组不同的数据集X^k,k＝1,2,...,K，每组数据矩阵大小为N×B^k，对应K个不同的探测任务，N为影像像素数，B为影像波段数，先验目标训练样本对应的目标字典也被分离成K组子字典对K组子数据集X^k进行如下操作：步骤1：获取K组子数据集X^k中相同空间位置的像素i的光谱数据；步骤2：基于像素i，获取像素i对应的K组背景训练样本，构建K组背景子字典步骤3：基于像素i的K组目标子字典和K组背景子字典构建K组联合字典步骤4：对像素i构建K组稀疏表达模型；其中，为随机噪声，和分别是背景子字典和目标子字典的对应系数，w^k为和的联合系数；该K组稀疏表达模型组合形成多任务稀疏表达模型：其中W为w^k列叠加结果，W的不同列对应不同的任务；||W||_2,1表示先对矩阵行作二范求解，再做一范求解，||W||_2,1不仅将不同的任务联系起来，同时鼓励不同列之间存在稀疏共性；ρ为正则化系数，用于平衡数据保真项和正则化；步骤5：求解多任务稀疏表达模型中的稀疏系数；步骤6：利用K组背景子字典和目标子字典及其对应的系数，对K组子数据集中的像素i的光谱分别进行恢复，重建残差累加结果最小对应的属性即为像素i的类别；D(x)＝r^b‑r^t其中，和为的子系数，对应背景子字典和目标子字典的估计系数，r^b和r^t为K组子数据集中像素i对应背景子字典和目标子字典的重建残差累加结果，D(x)为像素i对应的探测统计值；步骤7：对影像中其他像素重复执行上述所有步骤，直至遍历结束；步骤8：判断计算出的所有像素探测统计值是否小于阈值，如果是，该像素即为目标，反之为背景。