本發(fā)明涉及高光譜遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種基于空譜信息結(jié)合的高光譜艦船檢測方法。

背景技術(shù)：

隨著衛(wèi)星遙感技術(shù)的飛速發(fā)展，衛(wèi)星遙感經(jīng)歷了由傳統(tǒng)光學(xué)圖像，到數(shù)個波段的多光譜圖像，再到數(shù)百個波段的高光譜圖像的發(fā)展過程，傳感器成像的光譜分辨率已達(dá)到5nm的精度?，F(xiàn)有高光譜成像器件已經(jīng)可以獲得覆蓋所有可見光和近紅外波長在內(nèi)的幾十甚至幾百個波段的中高空間分辨率圖像，不同波段的圖像集合起來，形成一個高光譜立方體。從單個波段的角度看，它是空間里分辨率較低的二維圖像；從像素點的角度看，它是高維光譜向量。

與傳統(tǒng)光學(xué)圖像不同，高光譜圖像具有“圖譜合一”的特點，高光譜數(shù)據(jù)源的出現(xiàn)，以及它所具有的“圖譜合一”、“光譜字典”的特性，該數(shù)據(jù)在傳統(tǒng)光學(xué)圖像空間維的基礎(chǔ)上增加了具有較高光譜分辨率的光譜維度。由于分子、原子、離子的晶振不同，任何物質(zhì)的吸收或反射光譜都有著自己獨特的特征。從探測和識別物質(zhì)構(gòu)成的角度上來說，光譜向量承載著物質(zhì)特有的材質(zhì)屬性，是“光譜字典”，這為衛(wèi)星遙感圖像目標(biāo)探測與識別提供了良好的素材。

艦船檢測是衛(wèi)星遙感圖像處理中一個十分重要的問題，它與我國國防以及沿海地區(qū)的安全具有十分密切的關(guān)系?，F(xiàn)在，應(yīng)用于艦船檢測的數(shù)據(jù)源主要有SAR圖像和傳統(tǒng)光學(xué)圖像。SAR圖像穿透性強(qiáng)，可探測云層及云層以下物質(zhì)，然而，該成像方法在成像原理上存在距離徙動的問題，該問題會造成目標(biāo)模糊，從根本上影響艦船目標(biāo)的存在和位置判定。傳統(tǒng)光學(xué)圖像空間分辨率高，主要依靠艦船的獨有形態(tài)，對艦船目標(biāo)提取空間特征，并利用相應(yīng)分類器進(jìn)行艦船與非艦船的分類。然而，由于港口以及遠(yuǎn)洋區(qū)域存在大量與艦船形態(tài)相近的偽目標(biāo)，如浮標(biāo)、碎云、港口，跨海公路和鉆井平臺等，使得現(xiàn)有光學(xué)艦船檢測方法存在諸多虛警。而在實際應(yīng)用中，SAR艦船檢測中存在的艦船目標(biāo)模糊以及光學(xué)艦船檢測中存在的目標(biāo)虛警問題，對相關(guān)戰(zhàn)略決策和目標(biāo)打擊任務(wù)具有十分惡劣的影響，針對衛(wèi)星遙感圖像進(jìn)行精準(zhǔn)的艦船檢測是現(xiàn)在急需解決的問題。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種基于空譜信息結(jié)合的高光譜艦船檢測方法，能夠解決現(xiàn)有艦船檢測方法中艦船目標(biāo)的檢測的準(zhǔn)確度和虛警的問題。

本發(fā)明的技術(shù)方案包括如下步驟：

步驟1，對原始高光譜圖像進(jìn)行光譜采集，分別構(gòu)建艦船目標(biāo)光譜子空間和非目標(biāo)光譜子空間，其中非目標(biāo)包括偽目標(biāo)和背景；

步驟2，光譜波段篩選：

步驟2.1，計算目標(biāo)光譜子空間中所有目標(biāo)光譜的均值，作為均值目標(biāo)光譜，從非目標(biāo)光譜子空間中任意選取K條非目標(biāo)光譜，將均值目標(biāo)光譜與選取的K條非目標(biāo)光譜放置在同一坐標(biāo)系中；

步驟2.2，設(shè)置滑動窗口；

步驟2.3，計算在滑動窗口內(nèi)的均值目標(biāo)光譜分別與K條非目標(biāo)光譜的歸一化歐氏距離其中xt為均值目標(biāo)光譜向量，xkt為第k條非目標(biāo)光譜向量，其中k＝1,2,3…K；

步驟2.4，將步驟2.3得到的K個歸一化歐氏距離進(jìn)行閾值分割，記錄最優(yōu)分割閾值所對應(yīng)的目標(biāo)函數(shù)值S，其中最優(yōu)分割閾值為使目標(biāo)函數(shù)值S最大的分割閾值；

步驟2.5，移動滑窗，利用步驟2.3～步驟2.4的方法計算該滑窗內(nèi)的最大的目標(biāo)函數(shù)值S；重復(fù)執(zhí)行步驟2.5，直至滑窗遍歷整條均值目標(biāo)光譜；

步驟2.6，選擇具有最大S的滑動窗口對應(yīng)的光譜波段作為保留光譜波段，在步驟1的目標(biāo)光譜子空間和非目標(biāo)光譜子空間中，清空保留光譜波段外的其他光譜波段，構(gòu)成新的目標(biāo)光譜子空間和非目標(biāo)光譜子空間；

步驟3，對原始高光譜圖像進(jìn)行海陸分割，得到水域高光譜圖像:

首先對原始高光譜圖像中所有波段的圖像在光譜維求統(tǒng)計均值，得到一幅均值二維圖像；然后利用閾值分割方法對均值二維圖像進(jìn)行海陸閾值分割，得到初步水域圖像，將初步水域圖像中連通域中的像素個數(shù)大于設(shè)定閾值的連通域剔除，得到最終水域圖像，稱原始高光譜圖像中最終水域圖像所對應(yīng)的部分為水域高光譜圖像；

步驟4，對步驟3得到的水域高光譜圖像進(jìn)行RX異常檢測，得到水域檢測結(jié)果，將原始高光譜圖像中除水域高光譜圖像外的其他區(qū)域統(tǒng)一設(shè)置為水域檢測結(jié)果的最小值，得到其他區(qū)域結(jié)果，將水域檢測結(jié)果和其他區(qū)域結(jié)果放在一張空白二維灰度圖像中，得到異常檢測后的二維灰度圖像；

步驟5，對步驟4得到的二維灰度圖像進(jìn)行異常區(qū)域篩選：

對所述步驟4得到的二維灰度圖像進(jìn)行二維本征模態(tài)分解，得到一系列本征模態(tài)，將分解得到的不同本征模態(tài)對應(yīng)的圖像按照從高頻到低頻的順序排列，取前N個圖像進(jìn)行線性疊加構(gòu)成新的檢測結(jié)果圖，N≥2，然后對新的檢測結(jié)果圖進(jìn)行0到1之間的歸一化，采用設(shè)定的閾值將歸一化后的圖像二值化；

對于二值化后的圖像中值為0的像素，不進(jìn)行后續(xù)處理；對于二值化后的圖像中值為1的像素，將連通域中的像素個數(shù)大于設(shè)定閾值的連通域剔除，得到異常像素；

步驟6，利用判別函數(shù)：T(x)＝||x-C_t×a_t||₂-||x-C_b×a_b||₂得到艦船目標(biāo)判讀結(jié)果；其中x為步驟5得到的異常像素所對應(yīng)的光譜向量，C_t為光譜字典C的目標(biāo)字典部分，C_b為光譜字典C的非目標(biāo)字典部分，光譜字典C通過將步驟2.6獲取的新的目標(biāo)光譜子空間和非目標(biāo)光譜子空間中的光譜向量按列保存在矩陣中獲得，C＝[C_tC_b]，x＝[C_tC_b]×a，其中a為光譜字典C的稀疏系數(shù)，a包括目標(biāo)系數(shù)a_t與非目標(biāo)系數(shù)a_b；

若艦船目標(biāo)判讀結(jié)果即T(x)不小于0，則向量x為目標(biāo)，反之，若該結(jié)果小于0，向量x為非目標(biāo)，得到艦船目標(biāo)最終結(jié)果。

其中步驟3中，采用改進(jìn)的OTSU閾值分割方法對均值二維圖像進(jìn)行海陸閾值分割，其中改進(jìn)的OTSU閾值分割方法的目標(biāo)函數(shù)為其中Th為分割閾值，S_b為分割后水和非水的類間方差，S₁為水的類內(nèi)方差。

其中步驟4的RX異常檢測中，將水域高光譜圖像的每一個像元光譜輸入檢測算子D_RX(y)＝(y-μ_y)^TC_y^-1(y-μ_y)進(jìn)行檢測，其中上標(biāo)T表示轉(zhuǎn)置，上標(biāo)-1表示求逆，y為水域高光譜圖像的像元光譜向量，μ_y為水域高光譜圖像中像元光譜向量的均值，C_y為水域高光譜圖像中像元光譜向量的協(xié)方差矩陣。

其中步驟5中的N＝2。

其中步驟1中的光譜采集包括從星地聯(lián)合光譜庫中采集、直接在高光譜數(shù)據(jù)中認(rèn)為標(biāo)定或光譜端元提取。

其中步驟3和步驟5中，將連通域中的像素個數(shù)大于20的連通域剔除。

有益效果：

1、本發(fā)明提出了一套新穎的衛(wèi)星高光譜圖像艦船檢測的方法，利用空譜信息結(jié)合的高光譜檢測方法能夠?qū)崿F(xiàn)高準(zhǔn)確度、低虛警率的艦船檢測任務(wù)；本發(fā)明方法中涉及基于類間差異性的無監(jiān)督光譜子區(qū)間篩選方法，該方法能自動篩選使得目標(biāo)與非目標(biāo)光譜間具有最大差異性的連續(xù)子區(qū)間，且容錯率高，即使有少量目標(biāo)光譜混入非目標(biāo)光譜，也不會對子區(qū)間篩選結(jié)果造成影響，是一種準(zhǔn)確、快速、魯棒性強(qiáng)的無監(jiān)督光譜波段篩選方法。

2、本發(fā)明提出了一種基于改進(jìn)OTSU閾值分割方法和連通域剔除的有效海陸分割的方法，本發(fā)明中高光譜圖像相對于光學(xué)圖像空間分辨率較低，這恰可以消除復(fù)雜問題特征對閾值分割方法的影響，并且本發(fā)明的方法中，將水域的類內(nèi)方差加入原始閾值分割方法的目標(biāo)函數(shù)中，閾值分割中加入了水域的相對穩(wěn)定性，極大削弱了亮度值較低的非水域區(qū)域?qū)z測結(jié)果的干擾，能夠?qū)崿F(xiàn)十分準(zhǔn)確的海陸分割結(jié)果，該方法簡單、快速并且自適應(yīng)。

3、本發(fā)明提出了對RX異常檢測結(jié)果進(jìn)行空間特征增強(qiáng)的方法，即利用二維本征模態(tài)分解重構(gòu)圖像，該方法的優(yōu)越性在于：根據(jù)先驗信息，針對小面積異常區(qū)域，該方法能夠?qū)⑿∶娣e異常像素點的幅值增大，使得異常相對于背景更加突出，增大了分割閾值的魯棒性；同時，該方法能夠抑制異常像素周圍像素點的幅值，使得經(jīng)閾值分割得到的異常區(qū)域更接近真實目標(biāo)的大小和范圍。此外，該方法是自適應(yīng)的，完全依賴數(shù)據(jù)本身的結(jié)構(gòu)，無需人為干涉。

4、本方法利用物質(zhì)的光譜特征去分析物質(zhì)的主要材質(zhì)構(gòu)成，認(rèn)為所有光譜均可由光譜字典中光譜向量線性組合得到，通過分別計算目標(biāo)與背景部分字典與系數(shù)的重構(gòu)誤差，判斷目標(biāo)是否為艦船目標(biāo)，即系數(shù)統(tǒng)一求解，字典分開判斷。由于光譜字典的包涵性，該方法能夠有效去除光學(xué)艦船檢測中的多類虛警，提高遙感圖像艦船檢測的精度，相對于光學(xué)遙感艦船檢測是一個更加可靠的驗證方法。

附圖說明

圖1為本發(fā)明的實施流程圖。

圖2為本發(fā)明中光譜波段篩選結(jié)果示意圖。

圖3為本發(fā)明中光譜字典構(gòu)建和測試光譜判別示意圖。

具體實施方式

下面結(jié)合附圖并舉實施例，對本發(fā)明進(jìn)行詳細(xì)描述。

本發(fā)明提供了一種基于空譜信息結(jié)合的高光譜艦船檢測方法，屬于高光譜遙感圖像處理技術(shù)在艦船檢測問題上的應(yīng)用，具體為基于中高分辨率高光譜圖像空譜信息結(jié)合的艦船檢測方法。

本發(fā)明的技術(shù)方案包括如下步驟：

步驟1，對原始高光譜圖像進(jìn)行光譜采集，分別構(gòu)建艦船目標(biāo)光譜子空間和非目標(biāo)光譜子空間，其中非目標(biāo)包括偽目標(biāo)和背景，光譜采集可以通過從星地聯(lián)合國光譜庫中采集、直接在高光譜數(shù)據(jù)中認(rèn)為標(biāo)定或光譜端元提取的方法來進(jìn)行。

步驟2，光譜波段篩選：利用步驟1獲取的目標(biāo)光譜子空間和非目標(biāo)光譜子空間，在目標(biāo)光譜上連續(xù)滑窗，篩選有效的光譜子區(qū)間，篩選原則為，選擇使目標(biāo)光譜與非目標(biāo)光譜間差異性最大的光譜所在的光譜波段，作為保留的光譜波段，具體包括如下子步驟：

步驟2.1，計算目標(biāo)光譜子空間中所有目標(biāo)光譜的均值，作為均值目標(biāo)光譜，從非目標(biāo)光譜子空間中任意選取K條非目標(biāo)光譜，將均值目標(biāo)光譜與選取的K條非目標(biāo)光譜放置在同一坐標(biāo)系中；

步驟2.2，設(shè)置一個區(qū)間長度為m的滑窗，滑窗的滑動步長為1，窗口的初始左端點為步驟2.1所述坐標(biāo)系的原點；

步驟2.3，計算在滑動窗口內(nèi)的均值目標(biāo)光譜分別與K條非目標(biāo)光譜的歸一化歐氏距離其中x_t為均值目標(biāo)光譜向量，x_kt為第k條非目標(biāo)光譜向量，其中k＝1,2,3…K；

步驟2.4，將步驟2.3得到的K個歸一化歐氏距離進(jìn)行閾值分割(即二分類)，記錄最優(yōu)分割閾值所對應(yīng)的目標(biāo)函數(shù)值S，其中最優(yōu)分割閾值為使目標(biāo)函數(shù)值S最大的分割閾值；

步驟2.5，移動滑窗，利用步驟2.3～步驟2.4的方法計算該滑窗內(nèi)的最大的目標(biāo)函數(shù)值S；重復(fù)執(zhí)行步驟2.5，直至滑窗遍歷整條均值目標(biāo)光譜；

步驟2.6，選擇具有最大S的滑動窗口對應(yīng)的光譜波段作為保留光譜波段，在步驟1的目標(biāo)光譜子空間和非目標(biāo)光譜子空間中，清空保留光譜波段外的其他光譜波段，構(gòu)成新的目標(biāo)光譜子空間和非目標(biāo)光譜子空間；

步驟3，對原始高光譜圖像進(jìn)行海陸分割，得到水域高光譜圖像：首先對原始高光譜圖像中所有波段的圖像在光譜維求統(tǒng)計均值，得到一幅均值二維圖像；然后利用改進(jìn)的無監(jiān)督OTSU閾值分割方法對均值二維圖像進(jìn)行海陸閾值分割，得到初步水域圖像；最后結(jié)合考慮高光譜數(shù)據(jù)的空間分辨率以及目標(biāo)本身的大小，將初步水域圖像中連通域中的像素個數(shù)大于設(shè)定閾值的連通域剔除，得到最終水域圖像，稱原始高光譜圖像中最終水域圖像所對應(yīng)的部分為水域高光譜圖像。

無監(jiān)督OTSU閾值分割方法具體改進(jìn)如下：水具有低輻射和相對穩(wěn)定的特性，原始OTSU閾值分割方法僅考慮分割后兩類像素點間的差異性，即最大類間方差S_b?？紤]到水的特性，水具有低輻射特性，因此水是分割出的第一類；并且水具有相對穩(wěn)定性，即第一類具有較小的類內(nèi)方差S₁。因此，本方法在原始閾值分割方法的基礎(chǔ)上綜合考慮了第一類即水的類內(nèi)方差，使得分割結(jié)果更貼合實際需求，更準(zhǔn)確。在原始OTSU方法目標(biāo)函數(shù)為其中Th為分割閾值，S_b為分割后兩類(水和非水)的類間方差，本算法改進(jìn)后的目標(biāo)函數(shù)為其中S₁為第一類(水)的類內(nèi)方差。同時，S₁為求得S_b的一個中間參量，因此本算法并沒有引入新的計算復(fù)雜度，仍是一種快速的自適應(yīng)閾值分割算法。

結(jié)合考慮高光譜數(shù)據(jù)的空間分辨率以及目標(biāo)本身的大小，設(shè)定剔除連通域的閾值，舉例如下：假定衛(wèi)星高光譜圖像空間分辨率為30m，根據(jù)普通船只的大小和容錯范圍，將水中連通域中的像素個數(shù)大于20的連通域標(biāo)記為非水域，將此連通域剔除。排除了海港地區(qū)陸地、跨海公路、大片云團(tuán)和較大島嶼等典型偽目標(biāo)對后續(xù)檢測步驟的影響，同時削減了數(shù)據(jù)量，提高了數(shù)據(jù)處理效率。

步驟4，對步驟3得到的水域高光譜圖像進(jìn)行RX異常檢測，得到水域檢測結(jié)果，將原始高光譜圖像中除水域高光譜圖像外的其他區(qū)域統(tǒng)一設(shè)置為水域檢測結(jié)果的最小值，得到異常檢測后的二維灰度圖像：將水域高光譜圖像的每一個像元光譜輸入檢測算子進(jìn)行檢測，將檢測結(jié)果在放在像元光譜的原始空間位置，并將非水域部分的像素統(tǒng)一設(shè)置為RX異常檢測結(jié)果的最小灰度值，得到RX異常檢測結(jié)果的二維灰度圖像。

在本實施例中，RX異常檢測的檢測算子為：D_RX(y)＝(y-μ_y)^TC_y^-1(y-μ_y)，其中上標(biāo)T表示轉(zhuǎn)置，上標(biāo)-1表示求逆，y為水域高光譜圖像的像元光譜向量，μ_y為水域高光譜圖像中像元光譜向量的均值，C_y為水域高光譜圖像中像元光譜向量的協(xié)方差矩陣。根據(jù)圖像數(shù)據(jù)求得μ_y和C_y，并將每一個像元光譜輸入該檢測算子進(jìn)行檢測，得到水域檢測結(jié)果，將原始高光譜圖像中除水域高光譜圖像外的其他區(qū)域統(tǒng)一設(shè)置為水域檢測結(jié)果的最小值，得到其他區(qū)域結(jié)果，依據(jù)像元光譜在高光譜圖像中的原始位置，將水域檢測結(jié)果和其他區(qū)域結(jié)果放在一張空白二維灰度圖像中，得到異常檢測后的二維灰度圖像；

步驟5，對步驟4得到的二維灰度圖像進(jìn)行異常區(qū)域篩選：對所述步驟4得到的二維灰度圖像進(jìn)行二維本征模態(tài)分解，得到一系列本征模態(tài)，將分解得到的不同本征模態(tài)對應(yīng)的圖像按照從高頻到低頻的順序排列，取前兩個圖像進(jìn)行線性疊加，構(gòu)成新的檢測結(jié)果圖，為了突出艦船目標(biāo)的空間特征，在本方案中是取前兩個圖像進(jìn)行線性疊加，構(gòu)成新的檢測結(jié)果圖。根據(jù)不同的檢測目標(biāo)，可以增加進(jìn)行線性疊加的數(shù)目。然后對新的檢測結(jié)果圖進(jìn)行0到1之間的歸一化，采用設(shè)定的閾值將歸一化后的圖像二值化，二值化后的圖像中值為1的像素點對應(yīng)異常像素點，進(jìn)行后續(xù)處理；值為0的像素點，對應(yīng)背景像素點，認(rèn)為背景區(qū)域無艦船目標(biāo)，無需進(jìn)行后續(xù)處理；根據(jù)所檢測艦船的尺寸，對于二值化后的圖像中值為1的像素，將連通域中的像素個數(shù)大于設(shè)定閾值的連通域剔除，得到異常像素，實現(xiàn)該場景下的異常像素的檢測；

其中，二維本征模態(tài)分解方法將一張二維圖像分解為多個不同的模態(tài)，不同的模態(tài)代表圖像不同波動范圍上的固有屬性，與二維小波分解不同，二維本征模態(tài)分解不需要人為選擇小波基函數(shù)，是一種完全依賴于圖像本身結(jié)構(gòu)的自適應(yīng)分解方法。

步驟6，利用判別函數(shù)：T(x)＝||x-C_t×a_t||₂-||x-C_b×a_b||₂得到艦船目標(biāo)判讀結(jié)果：

將步驟2.6獲取的新的目標(biāo)光譜子空間和非目標(biāo)光譜子空間中的光譜向量按列保存在矩陣中，構(gòu)建光譜字典C，C的列為光譜列向量，字典包括目標(biāo)字典部分C_t和非目標(biāo)字典部分C_b，即C＝[C_tC_b]，如圖3所示為光譜字典構(gòu)建和測試光譜判別示意圖；

將步驟5所得到的異常像素所對應(yīng)的光譜向量作為輸入光譜向量，輸入光譜向量由光譜字典和稀疏系數(shù)進(jìn)行矩陣相乘得到，即利用光譜字典和稀疏系數(shù)重構(gòu)輸入光譜向量x＝[C_tC_b]×a，其中x為輸入光譜向量，a為光譜字典C的稀疏表征系數(shù)。利用輸入光譜向量與光譜字典求解稀疏系數(shù)，該問題是一個凸優(yōu)化問題，存在全局最優(yōu)解。利用最小角回歸方法可求到輸入光譜向量在該光譜字典下的稀疏表征系數(shù)。稀疏系數(shù)包括目標(biāo)系數(shù)和非目標(biāo)系數(shù)，稀疏系數(shù)與光譜字典中的光譜向量一一對應(yīng)，分別利用目標(biāo)字典、目標(biāo)系數(shù)和非目標(biāo)字典、非目標(biāo)系數(shù)重構(gòu)輸入光譜向量，并分別計算二者相對于輸入光譜的重構(gòu)誤差，對比兩部分誤差即得到判別函數(shù)：T(x)＝||x-C_t×a_t||₂-||x-C_b×a_b||₂；

若艦船目標(biāo)判讀結(jié)果即T(x)不小于0，意味著目標(biāo)光譜子空間比用非目標(biāo)光譜子空間更好的構(gòu)建輸入光譜，則輸入光譜即向量x為目標(biāo)；反之，若該結(jié)果小于0，意味著用非目標(biāo)光譜子空間比用目標(biāo)光譜子空間更好的構(gòu)建輸入光譜，則輸入光譜即向量x為非目標(biāo)，進(jìn)而得到艦船目標(biāo)結(jié)果。

步驟7，將步驟6得到的艦船目標(biāo)結(jié)果按像素位置放入新的空白二維圖像，得到艦船目標(biāo)結(jié)果的二維圖像，進(jìn)而得到高準(zhǔn)確度、低虛警率的艦船檢測結(jié)果。

綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。