專利名稱：基于增強(qiáng)約束稀疏回歸的半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及高光譜遙感探測(cè)技術(shù)領(lǐng)域，特別是一種基于增強(qiáng)約束稀疏回歸半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)法。
背景技術(shù)：
高光譜數(shù)據(jù)具有很高的光譜分辨率，能在電磁波譜的可見(jiàn)光、近紅外、中紅外和熱紅外波段范圍內(nèi)獲取許多非常窄的光譜波段信息，從而得到高維的光譜數(shù)據(jù)，被廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、農(nóng)業(yè)生產(chǎn)、軍事偵察、地質(zhì)勘探、國(guó)土資源利用、災(zāi)害預(yù)警、城市規(guī)劃等關(guān)系到國(guó)計(jì)民生的關(guān)鍵科技領(lǐng)域。高光譜遙感圖像每個(gè)像元的光譜維數(shù)可達(dá)幾十或是數(shù)百，與低維的全色圖像、彩色圖像或是多光譜圖像相比，超維的高光譜圖像數(shù)據(jù)往往表現(xiàn)出異于一般直覺(jué)的特性，能揭示不同地物的細(xì)微差異，在目標(biāo)探測(cè)方面具有獨(dú)特的優(yōu)勢(shì)。一方面，高光譜數(shù)據(jù)包含豐富的空間、輻射和光譜三重信息，給遙感圖像目標(biāo)檢測(cè)帶來(lái)了機(jī)遇，高光譜數(shù)據(jù)光譜分辨率高，能夠獲取地物精細(xì)的光譜特征曲線，可以根據(jù)需要選擇或者提取特定的波段來(lái)突出目標(biāo)特征；另一方面，定量化的連續(xù)光譜曲線數(shù)據(jù)為地物光譜機(jī)理模型引入目標(biāo)檢測(cè)提供了條件。但是，由于受到獲取手段和光學(xué)器件性能的限制，高光譜遙感圖像的空間分辨率往往比較低，在像元對(duì)應(yīng)的瞬時(shí)視場(chǎng)角內(nèi)通常包含多于一種地物類型的地面信息，形成混合像元現(xiàn)象；而混合像元的存在，對(duì)高光譜遙感目標(biāo)檢測(cè)的精度產(chǎn)生了很大的影響，研究高光譜圖像混合像元中的亞像元目標(biāo)檢測(cè)具有重要的意義。高光譜遙感圖像的亞像元目標(biāo)檢測(cè)方法主要有三類一類是基于匹配濾波器的方法，將目標(biāo)的光譜數(shù)據(jù)作為先驗(yàn)信息，通過(guò)匹配濾波器找到與先驗(yàn)?zāi)繕?biāo)光譜最相近的點(diǎn)作為目標(biāo)點(diǎn)；一類是基于統(tǒng)計(jì)分布假設(shè)的方法，假設(shè)高光譜數(shù)據(jù)符合一定的統(tǒng)計(jì)分布，將亞像元目標(biāo)視為不符合該統(tǒng)計(jì)分布的異常點(diǎn)，通過(guò)找這種異常點(diǎn)來(lái)檢測(cè)亞像元目標(biāo)；還有一類是基于線性混合像元分解的方法，將混合像元的光譜視為多種地物光譜信號(hào)(包括目標(biāo)光譜)的組合，把目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為分離目標(biāo)端元光譜和背景端元光譜的過(guò)程。其中基于線性混合像元分解的方法物理意義明確、探測(cè)率高，應(yīng)用比較廣泛。代表性的方法有全限制性線性分解方法、約束能量最小化方法、自適應(yīng)匹配子空間探測(cè)方法。其中，自適應(yīng)匹配子空間探測(cè)方法無(wú)法給出定量探測(cè)信息；全限制性線性分解方法不能給出區(qū)分目標(biāo)與背景像元的可靠準(zhǔn)則，定性探測(cè)效果欠佳；約束能量最小化方法容易受圖像虛擬維數(shù)估計(jì)偏差和圖像噪聲影響而導(dǎo)致探測(cè)精度下降。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種面向高光譜遙感圖像的半監(jiān)督亞像元目標(biāo)檢測(cè)方法，結(jié)合高光譜解混和廣義似然比檢驗(yàn)的方法，解決遙感信息處理中特定目標(biāo)的檢測(cè)識(shí)別問(wèn)題。 與目前已有的高光譜亞像元目標(biāo)檢測(cè)相關(guān)算法不同，本發(fā)明利用增強(qiáng)的約束稀疏回歸方法提高高光譜混合像元分解的精度和穩(wěn)定性，應(yīng)用廣義似然比檢驗(yàn)的理論建立區(qū)分目標(biāo)像元與背景像元的統(tǒng)計(jì)模型，兩者結(jié)合應(yīng)用既能定量檢測(cè)目標(biāo)分布，又能有效提高探測(cè)率、 降低虛警率。實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為一種基于增強(qiáng)約束稀疏回歸的半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)法，采用增強(qiáng)約束稀疏回歸和廣義似然比檢驗(yàn)相結(jié)合的方法進(jìn)行亞像元目標(biāo)檢測(cè)，具體步驟如下
步驟1、利用地面高光譜成像儀采集地物的高光譜信號(hào)，收集各種地物的反射率光譜曲線構(gòu)造光譜庫(kù)，包括目標(biāo)端元光譜；
步驟2、根據(jù)待檢測(cè)高光譜圖像的特點(diǎn)調(diào)整光譜庫(kù)中光譜曲線的尺度，即根據(jù)待檢測(cè)高光譜圖像的波段信息進(jìn)行一一對(duì)應(yīng)的光譜庫(kù)波段選擇，采用基于光譜角距離的光譜庫(kù)預(yù)優(yōu)算法對(duì)步驟1中構(gòu)造的光譜庫(kù)進(jìn)行預(yù)優(yōu)，提高約束稀疏回歸的精度和穩(wěn)定性；
步驟3、基于步驟2的預(yù)優(yōu)光譜庫(kù)，逐像元地采用增強(qiáng)約束稀疏回歸的方法對(duì)待檢測(cè)的高光譜圖像進(jìn)行混合像元分解，提取高光譜圖像端元及其豐度系數(shù)；
步驟4、將每個(gè)像元在預(yù)優(yōu)光譜庫(kù)下的豐度系數(shù)向量按照原始高光譜圖像像元的位置進(jìn)行拼接，求得待檢測(cè)高光譜圖像對(duì)應(yīng)于預(yù)優(yōu)光譜庫(kù)的豐度系數(shù)矩陣；根據(jù)該豐度系數(shù)矩陣行向量的和值作為判據(jù)，提取待檢測(cè)高光譜圖像的背景端元，構(gòu)造亞像元目標(biāo)檢測(cè)的背景端元矩陣和完整端元矩陣，并從豐度系數(shù)矩陣中提取相應(yīng)的背景端元豐度分布數(shù)據(jù)和完整端元豐度分布數(shù)據(jù)；
步驟5、基于廣義似然比檢驗(yàn)方法構(gòu)造目標(biāo)檢測(cè)器，計(jì)算各個(gè)像元的目標(biāo)檢測(cè)算子；采用最大似然估計(jì)進(jìn)行參數(shù)估計(jì)，估計(jì)噪聲方差，根據(jù)背景端元豐度分布數(shù)據(jù)和完整端元豐度分布數(shù)據(jù)，設(shè)計(jì)目標(biāo)檢測(cè)算子，并逐像元地計(jì)算目標(biāo)檢測(cè)算子；
步驟6、采用閾值分割方法確定目標(biāo)點(diǎn)確切位置，通過(guò)可視化技術(shù)將檢測(cè)結(jié)果疊加到原始高光譜圖像并高亮顯示。本發(fā)明提出了一種新的高光譜亞像元目標(biāo)檢測(cè)方法，引入地面實(shí)測(cè)光譜庫(kù)，采用增強(qiáng)約束稀疏回歸和廣義似然比統(tǒng)計(jì)檢驗(yàn)相結(jié)合的方法，提高了高光譜遙感圖像中特定目標(biāo)的檢測(cè)識(shí)別精度。本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為(1)采用增強(qiáng)約束稀疏回歸的方法能夠提高高光譜圖像背景端元提取和豐度反演的精度和穩(wěn)定性，并簡(jiǎn)化求解過(guò)程； (2)定性檢測(cè)和定量探測(cè)相結(jié)合，既能從統(tǒng)計(jì)模式上有效區(qū)分目標(biāo)像元和背景像元，又能針對(duì)目標(biāo)端元的分布給出定量探測(cè)信息；(3)采用增強(qiáng)約束稀疏回歸和廣義似然比統(tǒng)計(jì)檢驗(yàn)相結(jié)合的方法，能夠有效提高高光譜圖像目標(biāo)檢測(cè)的探測(cè)率，降低虛警率。


圖1是本發(fā)明一種半監(jiān)督的高光譜亞像元目標(biāo)檢測(cè)算法流程示意圖。圖2是本發(fā)明光譜庫(kù)預(yù)優(yōu)算法流程示意圖。圖中，式為KXl的向量，代表某地物
的反射率光譜曲線，K表示高光譜的波段數(shù)；乃=IdlJ2^ Jx)為KXn的矩陣，表示原始光
譜庫(kù)，η表示所采集的地物光譜曲線數(shù)量；巧為L(zhǎng)Xl的向量，表示波段選擇后的某地物光譜曲線，L為待檢測(cè)高光譜圖像的波段數(shù)。圖3是本發(fā)明基于增強(qiáng)約束稀疏回歸的高光譜圖像解混算法流程示意圖。圖中，Y 為的二維矩陣，是將待檢測(cè)高光譜圖像按從左至右從上到下的順序展開而成的矩陣，待檢測(cè)高光譜圖像行數(shù)為r，列數(shù)為c，總像元數(shù)為. A為的矩陣，表示預(yù)優(yōu)光譜庫(kù)，L為待檢測(cè)高光譜圖像的波段數(shù)，q為光譜庫(kù)中光譜曲線的個(gè)數(shù)。
具體實(shí)施例方式本發(fā)明是一種利用高光譜圖像進(jìn)行目標(biāo)檢測(cè)和識(shí)別的技術(shù)，基于增強(qiáng)約束稀疏回歸和廣義似然比檢驗(yàn)相結(jié)合的思想，在高光譜圖像亞像元級(jí)別進(jìn)行特定目標(biāo)的檢測(cè)和識(shí)另IJ。本發(fā)明屬于遙感圖像處理領(lǐng)域，在環(huán)境檢測(cè)、軍事偵察、地質(zhì)勘探、災(zāi)害預(yù)警等領(lǐng)域有應(yīng)用前景。本發(fā)明基于增強(qiáng)約束稀疏回歸的半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)方法，具體方案如圖1所示，包括以下步驟
步驟1、利用地面高光譜成像儀采集典型地物的高光譜信號(hào)，收集各種地物的反射率光譜曲線構(gòu)造光譜庫(kù)，包括目標(biāo)端元光譜。步驟2、根據(jù)待檢測(cè)高光譜圖像的特點(diǎn)調(diào)整光譜庫(kù)中光譜曲線的尺度，采用基于光譜角距離的光譜庫(kù)預(yù)優(yōu)算法對(duì)步驟1中構(gòu)造的光譜庫(kù)進(jìn)行預(yù)優(yōu)，提高約束稀疏回歸的精度和穩(wěn)定性。詳細(xì)的光譜庫(kù)預(yù)優(yōu)流程如圖2所示。步驟3、基于步驟2的預(yù)優(yōu)光譜庫(kù)，逐像元地采用增強(qiáng)約束稀疏回歸的方法對(duì)待檢測(cè)的高光譜圖像進(jìn)行混合像元分解，提取高光譜圖像端元及其豐度系數(shù)，算法具體流程如圖3所示。步驟4、將每個(gè)像元在預(yù)優(yōu)光譜庫(kù)下的豐度系數(shù)向量按照原始高光譜圖像像元的位置進(jìn)行拼接，求得待檢測(cè)高光譜圖像對(duì)應(yīng)于預(yù)優(yōu)光譜庫(kù)的豐度系數(shù)矩陣。根據(jù)該豐度系數(shù)矩陣行向量的和值作為判據(jù)，提取待檢測(cè)高光譜圖像的背景端元，構(gòu)造亞像元目標(biāo)檢測(cè)的背景端元矩陣和完整端元矩陣，并從豐度系數(shù)矩陣中提取相應(yīng)的背景端元豐度分布數(shù)據(jù)和完整端元豐度分布數(shù)據(jù)。步驟5、基于廣義似然比檢驗(yàn)方法構(gòu)造目標(biāo)檢測(cè)器，計(jì)算各個(gè)像元的目標(biāo)檢測(cè)算子。采用最大似然估計(jì)進(jìn)行參數(shù)估計(jì)，估計(jì)噪聲方差，根據(jù)背景端元豐度分布數(shù)據(jù)和完整端元豐度分布數(shù)據(jù)，設(shè)計(jì)目標(biāo)檢測(cè)算子，并逐像元地計(jì)算目標(biāo)檢測(cè)算子。步驟6、采用閾值分割方法確定目標(biāo)點(diǎn)確切位置，通過(guò)可視化技術(shù)將檢測(cè)結(jié)果疊加到原始高光譜圖像并高亮顯示。本發(fā)明步驟2包含基于光譜角距離的光譜庫(kù)預(yù)優(yōu)算法，具體步驟如下
步驟2.1)任取光譜庫(kù)中的一個(gè)光譜曲線巧，構(gòu)成初始光譜庫(kù)Ζ = 〗 ，_M.J = i-W ；
步驟2. 2)根據(jù)光譜角距離進(jìn)行預(yù)優(yōu)選擇Ai ei ,如果e J ,滿足 <5 ,則
權(quán)利要求
1. 一種基于增強(qiáng)約束稀疏回歸的半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)法，其特征在于采用增強(qiáng)約束稀疏回歸和廣義似然比檢驗(yàn)相結(jié)合的方法進(jìn)行亞像元目標(biāo)檢測(cè)，具體步驟如下步驟1、利用地面高光譜成像儀采集地物的高光譜信號(hào)，收集各種地物的反射率光譜曲線構(gòu)造光譜庫(kù)，包括目標(biāo)端元光譜；步驟2、根據(jù)待檢測(cè)高光譜圖像的特點(diǎn)調(diào)整光譜庫(kù)中光譜曲線的尺度，即根據(jù)待檢測(cè)高光譜圖像的波段信息進(jìn)行一一對(duì)應(yīng)的光譜庫(kù)波段選擇，采用基于光譜角距離的光譜庫(kù)預(yù)優(yōu)算法對(duì)步驟1中構(gòu)造的光譜庫(kù)進(jìn)行預(yù)優(yōu)，提高約束稀疏回歸的精度和穩(wěn)定性；步驟3、基于步驟2的預(yù)優(yōu)光譜庫(kù)，逐像元地采用增強(qiáng)約束稀疏回歸的方法對(duì)待檢測(cè)的高光譜圖像進(jìn)行混合像元分解，提取高光譜圖像端元及其豐度系數(shù)；步驟4、將每個(gè)像元在預(yù)優(yōu)光譜庫(kù)下的豐度系數(shù)向量按照原始高光譜圖像像元的位置進(jìn)行拼接，求得待檢測(cè)高光譜圖像對(duì)應(yīng)于預(yù)優(yōu)光譜庫(kù)的豐度系數(shù)矩陣；根據(jù)該豐度系數(shù)矩陣行向量的和值作為判據(jù)，提取待檢測(cè)高光譜圖像的背景端元，構(gòu)造亞像元目標(biāo)檢測(cè)的背景端元矩陣和完整端元矩陣，并從豐度系數(shù)矩陣中提取相應(yīng)的背景端元豐度分布數(shù)據(jù)和完整端元豐度分布數(shù)據(jù)；步驟5、基于廣義似然比檢驗(yàn)方法構(gòu)造目標(biāo)檢測(cè)器，計(jì)算各個(gè)像元的目標(biāo)檢測(cè)算子； 采用最大似然估計(jì)進(jìn)行參數(shù)估計(jì)，估計(jì)噪聲方差，根據(jù)背景端元豐度分布數(shù)據(jù)和完整端元豐度分布數(shù)據(jù)，設(shè)計(jì)目標(biāo)檢測(cè)算子，并逐像元地計(jì)算目標(biāo)檢測(cè)算子；步驟6、采用閾值分割方法確定目標(biāo)點(diǎn)確切位置，通過(guò)可視化技術(shù)將檢測(cè)結(jié)果疊加到原始高光譜圖像并高亮顯示。
2.根據(jù)權(quán)利要求1所述的基于增強(qiáng)約束稀疏回歸的半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)法，其特征在于所述的基于光譜角距離的光譜庫(kù)預(yù)優(yōu)算法為步驟2.1)任取光譜庫(kù)中的一個(gè)光譜曲線約，構(gòu)成初始光譜庫(kù)
3.根據(jù)權(quán)利要求1所述的基于增強(qiáng)約束稀疏回歸的半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)法， 其特征在于所述的基于增強(qiáng)約束稀疏回歸的高光譜圖像混合像元分解算法為將待檢測(cè)高光譜圖像按從左至右從上到下的順序展開成￡Xp的二維矩陣Y，其中待檢測(cè)高光譜圖像行數(shù)為r，列數(shù)為C，總像元數(shù)為ρ =〃xe，L為待檢測(cè)高光譜圖像的波段數(shù)， 基于步驟1. 2中預(yù)優(yōu)選擇的光譜庫(kù)A，A為的矩陣，q為光譜庫(kù)中光譜曲線的個(gè)數(shù)，對(duì)待檢測(cè)高光譜圖像Y逐像元地采用增強(qiáng)約束稀疏回歸的方法進(jìn)行混合像元分解，提取背景端元和豐度系數(shù)，設(shè)當(dāng)前處理的某像元光譜曲線為y，具體實(shí)施步驟如下
全文摘要
本發(fā)明公開了一種基于增強(qiáng)約束稀疏回歸半監(jiān)督高光譜亞像元目標(biāo)檢測(cè)法，本發(fā)明利用增強(qiáng)的約束稀疏回歸方法提高高光譜混合像元分解的精度和穩(wěn)定性,應(yīng)用廣義似然比檢驗(yàn)的理論建立區(qū)分目標(biāo)像元與背景像元的統(tǒng)計(jì)模型,兩者結(jié)合應(yīng)用既能定量檢測(cè)目標(biāo)分布，又能有效提高探測(cè)率、降低虛警率。
文檔編號(hào)G06K9/00GK102540271SQ201110443968
公開日2012年7月4日 申請(qǐng)日期2011年12月27日 優(yōu)先權(quán)日2011年12月27日
發(fā)明者劉建軍, 吳澤彬, 孫樂(lè), 宋義剛, 韋志輝 申請(qǐng)人:南京理工大學(xué)