[发明专利]基于光谱显著性的高光谱遥感图像小目标检测方法

摘要

基于光谱显著性的高光谱遥感图像小目标检测方法属于高光谱遥感图像领域。本发明在进行目标检测时利用从高光谱图像中提取的光谱信息和空间信息，采用改进的Itti模型计算局部显著度，构造局部显著图；然后利用改进的进化规划方法，计算全局显著度，创建全局显著图；最后将全局显著图和局部显著图进行归一化合并得到总的视觉显著图，作为最终的目标检测结果。本发明根据光谱显著性建立适用于高光谱图像的显著性模型，对高光谱图像光谱特征和空间特征进行综合分析的基础上，实现图像感兴趣目标检测，这种方法能在没有先验信息的条件下检测与周围背景存在差异的目标，突出了图像的主要内容，降低了图像处理分析的复杂度。

主权项

1.基于光谱显著性的高光谱遥感图像小目标检测方法，其特征在于包括以下几个步骤：图像预处理、局部显著度图生成、全局显著度图生成、显著图融合和显著目标检测；（1）图像预处理基于不重叠区域对高光谱遥感图像进行数据分块；（2）基于光谱显著性的高光谱显著图提取1)局部显著图的生成并行构建局部显著图的光谱通道和方向通道；构建光谱通道时，首先对Tile分块后的高光谱图像进行光谱分割，将其分割成分别对应蓝、绿、红波段范围的3个子图像；对这3个子图像构造高斯金字塔，包括高斯滤波和空间子采样两个步骤；对高斯滤波后图像进行下采样产生8个层次的子图像，每一层图像的水平像元和垂直像元个数均是上一层的一半；通过这两个步骤共获得3个不同波段的9个空间尺度的子图像集；构建方向通道时，首先对光谱数据采用最小噪声分离MNF进行数据降维，将MNF变换后前三个波段的图像进行融合，分别在四个方向即0°,45°,90°和135°，对融合图像进行Gabor滤波，然后对Gabor滤波后图像进行高斯滤波和空间子采样；在4个方向分别获得9层高斯金字塔；通过中央-周边差计算得到2种光谱特征图即光谱角度特征图和谱范数差特征图以及一个方向特征图；将三种特征图进行归一化和跨尺度融合形成三种相应的特征关注图，将特征关注图进行归一化合并和线性组合得到局部显著图；局部显著图S_l，如以下公式所示:Sl=13(N(SAM)+N(SND)+N(O)),]]>其中SAM表示光谱角度特征图，SND表示谱范数差特征图，O表示方向特征图，N(·)为归一化因子；2)全局显著图的生成（1）主成分分析合成真彩色图像利用主成分分析对分块后的高光谱数据行降维处理，经过主成分分析变换后，选择主成分分析变换后的前3个主成分，合成真彩色图像；（2）改进的基于进化规划的全局显著度图对合成的真彩色图像进行下采样；然后计算采样后图像中每个像素位置的特征与其它像素位置的特征不相似的个数；具体过程如下：将采样后的图像视作矩形网格状的像素集合，选择任意一个像素点，取其周围7×7的邻域作为一个像素区域；在一个像素区域中随机挑选7个像素的RGB值构成特征，依次比较其他像素区域与这种特征的差异，相同为“0”，不同为“1”，差异的累积之和表示每个像素与其它像素的差别的大小，也表示该像素及其邻域在整幅图像中出现频率的多少；该值越大，表示该像素及其邻域的显著性越高；任意选择下一个像素点与该像素点周围的7×7的邻域作为像素区域，与其他像素区域进行比较，直到遍历整幅图像的所有像素点；图像中每个像素位置(x,y)处的特征与其它像素位置的特征不相似的数目个数S'_g(x,y)，即为像素点(x,y)的显著度，表示如下：Sg′(x,y)=Σi=0H×W-1mi---(10)]]>其中，H为采样后图像的高，W为采样后图像的宽，(H×W)表示图像的像素个数，(x,y)表示像素点的坐标位置，m_i表示像素(x,y)的像素区域与其他像素区域的特征差异，相似为“1”，否则为“0”，i∈[0,H×W-1]即整幅图像像素点的个数，公式如下：然后计算全局显著度；通过上步计算得到所有像素点的显著度后，利用下式计算每个像素点位置处的全局显著度S_g(x,y)为：Sg(x,y)=(Sg′(x,y)-Sg-min′)×255(Sg-max′-Sg-min′)---(12)]]>其中，S'_g-min为通过S'_g(x,y)计算得出的所有值中的最小值，S'_g-max为通过S'_g(x,y)计算得出的所有值中的最大值；由每个像素点位置处的全局显著度得到全局显著图S_g2.3归一化融合将局部显著图记为S_l，将全局显著图记为S_g，对二者进行归一化合并即可得到总的显著图S，N(·)为归一化因子，计算公式如下:S=12[N(Sl)+N(Sg)]---(13)]]>最后将全局显著图和局部显著图进行归一化合并得到总的显著图，通过总的显著图检测的高光谱遥感图像中的显著目标。