一種基于空譜核稀疏表示的高光譜圖像目標檢測方法
【專利摘要】本發(fā)明涉及一種基于空譜核稀疏表示的高光譜圖像目標檢測方法，其特征在于：步驟1：確定待檢測窗口大小，利用空譜核函數映射非線性高光譜數據到線性空間；步驟2：根據給定的過完備字典，利用同步正交匹配追蹤算法，計算映射后高光譜數據的稀疏系數；步驟3：分別計算基于背景過完備字典重建的像元重建誤差和基于目標過完備字典重建的像元重建誤差，依據誤差大小，判定像元是否為檢測目標；步驟4：重復步驟3，直至遍歷圖像中每一個像元，最終輸出目標圖像。
【專利說明】—種基于空譜核稀疏表示的高光譜圖像目標檢測方法

【技術領域】
[0001]本發(fā)明涉及一種基于空譜核稀疏表示的高光譜圖像目標檢測方法。

【背景技術】
[0002]高光譜圖像目標檢測作為高光譜圖像處理領域熱點問題，長期以來受到各國專家學者以及工程技術人員的廣泛關注。高光譜圖像具有較高的分辨率，圖像提供能夠區(qū)別地物光譜差別的能力，因此可以利用高光譜圖像進行目標檢測。目標檢測作為高光譜領域的研究重點，一直受到學術界關注。目標檢測的實質即將圖像像元標記為目標或背景。常見的目標檢測方法包含支持向量機(support vector machines, SVM)、光譜匹配濾波(spectralmatched filter, SMF)、匹配子空間(matched subspace detector, MSD)和自適應子空間檢測(adaptive subspace detector, ASD)等。SVM方法是一種非常有效的處理非線性信號的方法，它將信號映射到一個新的特征空間，在新的空間中能夠更加容易和明顯地區(qū)分不同的信號，該方法在高光譜圖像處理中取得了很好的效果。然而，SVM方法易受不同核函數選取的影響。此外，還有許多利用統(tǒng)計量進行假設檢測的檢測方法，如SMF等，它們都需要對高光譜圖像像元光譜的數學分布進行假設，分布模型的準確度對檢測結果的影響巨大。基于稀疏表示的高光譜目標檢測方法檢測性能優(yōu)于傳統(tǒng)的高光譜目標檢測方法，此方法假設目標信息與背景信息坐落于不同子空間，檢測樣本能夠由過完備字典及與其對應的少量稀疏向量線性表示，通過正交匹配追蹤算法求解稀疏向量，進行光譜重構，從而根據重構誤差檢測圖像中的目標像元。稀疏表示方法在高光譜圖像目標檢測中取得了較好的檢測效果，但其只利用了圖像的光譜信息，忽視了高光譜數據中潛在的空間信息。另外，雖然基于稀疏表示的高光譜目標檢測方法具有較好的檢測性能，但對于非線性高光譜數據，其檢測效果不理想。


【發(fā)明內容】

[0003]本發(fā)明目的在于提供一種基于空譜核稀疏表示的高光譜圖像目標檢測方法，能夠有效提聞聞光譜圖像目標檢測的精度。
[0004]實現本發(fā)明目的技術方案:
[0005]一種基于空譜核稀疏表示的高光譜圖像目標檢測方法，其特征在于:
[0006]步驟1:確定待檢測窗口大小，利用空譜核函數映射非線性高光譜數據到線性空間；
[0007]步驟2:根據給定的過完備字典，利用同步正交匹配追蹤算法，計算映射后高光譜數據的稀疏系數；
[0008]步驟3:分別計算基于背景過完備字典重建的像元重建誤差和基于目標過完備字典重建的像元重建誤差，依據誤差大小，判定像元是否為檢測目標；
[0009]步驟4:重復步驟3，直至遍歷圖像中每一個像元，最終輸出目標圖像。
[0010]步驟I中，包括以下步驟，
[0011]步驟1.1:讀入高光譜數據X = {氣；K==Pi ，圖像的大小為mXn，每個像素有B個波段特征，Xi,j為樣本數據集合X中的樣本，Rb代表B維特征空間，初始值1，空矩陣Φ ；
[0012]步驟1.2:選擇空譜核函數NFK或MFK及函數中包含參數，初始化窗口大小為窗W，設置窗口中心像元Xi，」，遍歷圖像中每一個像元；
[0013]步驟1.3:計算當前窗中所有像元光譜與中心像元Xi，j的光譜的均值或方差；利用Knf (Xi, χ」)=〈NF ( Ψ (Xi))，NF ( Ψ (Xj) > 或 Kmf (Xi, Xj) =〈MF ( Ψ (Xi)), MF ( Ψ (Xj)) > 映射原始高光譜數據至新線性空間，直到遍歷圖像中所有像元，Ψ表示將非線性空間投影到線性空間的投影函數；
[0014]步驟1.4:將映射后的數據轉換為一個矩陣M，大小為NXB，N = mXn，N為原始圖像數據中像元的個數。
[0015]步驟2中，包括以下步驟，
[0016]步驟2.1:對于一個給定的訓練樣本字典Dv，并且α是一個只有K個非零行的稀疏矩陣，

【權利要求】
1.一種基于空譜核稀疏表示的高光譜圖像目標檢測方法，其特征在于: 步驟1:確定待檢測窗口大小，利用空譜核函數映射非線性高光譜數據到線性空間；步驟2:根據給定的過完備字典，利用同步正交匹配追蹤算法，計算映射后高光譜數據的稀疏系數； 步驟3:分別計算基于背景過完備字典重建的像元重建誤差和基于目標過完備字典重建的像元重建誤差，依據誤差大小，判定像元是否為檢測目標； 步驟4:重復步驟3，直至遍歷圖像中每一個像元，最終輸出目標圖像。
2.根據權利要求1所述的基于空譜核稀疏表示的高光譜圖像目標檢測方法，其特征在于:步驟I中，包括以下步驟， 步驟1.1:讀入高光譜數據X = {x,J'；^xu e RB，圖像的大小為mXn，每個像素有B個波段特征，Xi, j為樣本數據集合X中的樣本，Rb代表B維特征空間，初始值1，空矩陣Φ ; 步驟1.2:選擇空譜核函數NFK或MFK及函數中包含參數,初始化窗口大小為窗W,設置窗口中心像元Xi,」，遍歷圖像中每一個像元； 步驟1.3:計算當前窗中所有像元光譜與中心像元Xiij的光譜的均值或方差；利用Knf (Xi, χ」)=〈NF ( Ψ (Xi))，NF ( Ψ (Xj) > 或 Kmf (Xi, Xj) =〈MF ( Ψ (Xi)), MF ( Ψ (Xj)) > 映射原始高光譜數據至新線性空間，直到遍歷圖像中所有像元，Ψ表示將非線性空間投影到線性空間的投影函數； 步驟1.4:將映射后的數據轉換為一個矩陣M，大小為NXB，N = mXn，N為原始圖像數據中像元的個數。
3.根據權利要求2所述的基于空譜核稀疏表示的高光譜圖像目標檢測方法，其特征在于:步驟2中，包括以下步驟， 步驟2.1:對于一個給定的訓練樣本字典0￥，并且α是一個只有K個非零行的稀疏矩陣，
步驟2.2:更新空矩陣，φ/ =「φμ，^Ι 步驟2.3:計算新稀疏系數，逐步迭代求殘差:4 = argmax |ι//⑴-Di^aji = (D1J D11) ' Dj i//(x)k for k =1,2,...,k 其中，I I I |F表示Frobenius范數，通過同步正交匹配追蹤算法求解當重建殘差

\I I Ψ (X)-Dv α ’ I If 最小時的^^ 。

\
4.根據權利要求4所述的基于空譜核稀疏表示的高光譜圖像目標檢測方法，其特征在于:步驟3中，包括以下步驟， 步驟3.1:根據步驟2.3中獲得的 < 利用背景過完備字典對像元光譜進行重建，并計算重建誤差Rt ；步驟3.2:根據步驟2.3中獲得的V利用目標過完備字典對像元光譜進行重建，并計算重建誤差Rb ； 步驟3.3:計算Rt和Rb之間的差值R，將差值R與設定的閾值δ比較，判斷像元是否為檢測目標。
5.根據權利要求4所述的基于空譜核稀疏表示的高光譜圖像目標檢測方法，其特征在于:步驟4中，調整計數器:
后，重復步驟3。
【文檔編號】G06T7/00GK104182978SQ201410418281
【公開日】2014年12月3日 申請日期:2014年8月22日 優(yōu)先權日:2014年8月22日
【發(fā)明者】趙春暉, 李威, 齊濱, 李曉慧, 肖健鈺 申請人:哈爾濱工程大學