一种采用局部自适应阈值分割的高光谱图像异常探测方法
【专利摘要】本发明属于高光谱图像异常目标检测领域，具体涉及一种采用局部自适应阈值分割的高光谱图像异常探测方法。读入高光谱数据；采用非线性KRX算子对高光谱数据处理得到检测结果灰度图；对检测的灰度图像进行预处理消除背景干扰；将图像分成若干个m×n的子图像对每一个子图像进行阈值迭代法选取阈值；用得到的自适应阈值Ti对子图像二值化，遍历整幅图像进而得到最终检测结果。本发明提出了针对大面积背景干扰抑制的算法，利用形态学滤波开运算的结构元素将背景干扰有效的提取和消除；采用迭代法计算出局部最佳阈值，无需大量试验验证求取阈值可大大减少实际处理中的工作量，提高了异常目标检测的效率和准确率。
【专利说明】一种采用局部自适应阈值分割的高光谱图像异常探测方法
【技术领域】
[0001] 本发明属于高光谱图像异常目标检测领域，具体涉及一种采用局部自适应阈值分 割的高光谱图像异常探测方法。
【背景技术】
[0002] 目标检测是高光谱遥感图像应用的一个重要方向。根据是否需要先验知识，现有 的目标检测技术可分为需要先验目标信息或已知背景的目标检测算法和无需任何先验信 息的异常目标检测算法。由于在很多实际处理中缺少足够的光谱先验信息，因此，无需任何 先验信息的高光谱图像异常检测更符合实际应用的需求。
[0003] RX算子是目前使用最广泛的异常探测算法之一，作为经典算法，它源自多光谱图 像检测，并由Reed和XiaoliYu在1990年最早提出来。该算法是在一些简化的假设条件 下，构造似然比检测算子直接对高光谱图像进行处理，这使得检测结果会产生较高的虚警。 传统的RX算子是基于线性统计模型推到得到的，它忽略了高光谱数据上百个波段间丰富 的非线性信息，导致在实际应用中检测效果不理想。为此，Kwon等人进一步地提出了一种 基于核的非线性RX改进算法，该算法利用核函数将原始输入空间的非线性分析映射为高 维特征空间的线性分析，更好地利用高光谱图像波段之间的非线性统计特性。然而，当存在 较大面积不感兴趣的背景干扰时，KRX算子往往会出现将干扰误判成目标的现象。新型背 景抑制核RX(Opening-operationKernelRX, 0KRX)算法，该算法针对KRX检测的灰度值图 像大面积亮背景干扰的提取，从根本上解决这种干扰引起的虚警问题。
[0004] 在实际异常检测应用中，阈值的自适应选取尤为重要。这是由于对检测结果的获 得必须是具有实效性的，通过人工分割时，是对全局进行最佳阈值的选取，需要多次实验验 证才能确定。随着现代遥感技术的飞速发展，高光谱遥感在处理中的地物信息更加丰富， 这使得通过人工分割方法获取最佳阈值变得非常困难。另一方面，对于仅存在于局部范围 内而淹没于全局背景中的异常目标或一些较弱的异常目标，全局阈值分割方法将失效，给 异常目标检测性能带来了巨大的影响。采用局部自适应阈值分割的方法可以减少实际处 理中的工作量，提高了异常目标检测的效率和准确率。为了准确地进行高光谱遥感图像的 异常探测，同时解决仅存在于局部范围内而淹没于全局背景中的异常目标检测，全局阈值 分割将失效这一问题，本发明提出了一种局部自适应阈值分割的高光谱异常目标检测方法 (Opening-operationlocaladaptivethresholdKernelRX, 0AKRX)〇
【发明内容】
[0005] 本发明的目的在于提供一种无需通过反复大量试验获取最佳阈值，降低算法在实 际处理中的工作量，具有更强的实用性的一种采用局部自适应阈值分割的高光谱图像异常 探测方法。
[0006] 本发明的目的是这样实现的：
[0007] (1)读入高光谱数据；
[0008] (2)采用非线性KRX算子对高光谱数据处理得到检测结果灰度图：
[0009] (2. 1)选择同心双层窗，对原始高光谱图像数据归一化，然后根据合成图像大小和 目标分布，选择目标检测窗口设为3X3像素，背景信息提取窗口大小设为11X11像素； [0010] (2. 2)选择现有的核函数中高斯径向基核函数RBF，选用径向基核，其中Xi为核函 数中心，即目标窗内的待检测像元，σ2为核函数的宽度参数，X为背景窗内待检测像元；
[0011] k(X·Xi)=exp(I IX-XiI IVσ2)
[0012] (2. 3)采用非线性KRX算子对原始高光谱数据处理得到检测结果灰度图F;
[0013] (3)对检测的灰度图像进行预处理消除背景干扰：
[0014] (3. 1)采用一个直径r大于最大异常目标的圆形结构元素B对检测结果灰度值图 像进行形态学开运算，对检测结果灰度图F进行邻域连接，将相邻的噪声连接起来构成一 块区域，消去图像中的异常目标，获得图像背景干扰的灰度图像G:
[0015] G = FoB
[0016] (3. 2)灰度图像G中的背景干扰体现为高亮度信息，根据图像上的点p通过对灰度 图像进行灰度分解得到的一个的二值图像G，存在灰度为me[0,M-1]使得M为灰度图像 中的最大灰度级：
[0017]
【权利要求】
1. 一种采用局部自适应阈值分割的高光谱图像异常探测方法： (1) 读入高光谱数据； (2) 采用非线性KRX算子对高光谱数据处理得到检测结果灰度图： (2. 1)选择同心双层窗，对原始高光谱图像数据归一化，然后根据合成图像大小和目标 分布，选择目标检测窗口设为3X3像素，背景信息提取窗口大小设为11X11像素； (2. 2)选择现有的核函数中高斯径向基核函数RBF，选用径向基核，其中Xi为核函数中 心，即目标窗内的待检测像元，〇 2为核函数的宽度参数，X为背景窗内待检测像元； k(X?Xi) =exp(IIX-XiIIV〇 2) (2. 3)采用非线性KRX算子对原始高光谱数据处理得到检测结果灰度图F; (3) 对检测的灰度图像进行预处理消除背景干扰： (3. 1)采用一个直径r大于最大异常目标的圆形结构元素B对检测结果灰度值图像进 行形态学开运算，对检测结果灰度图F进行邻域连接，将相邻的噪声连接起来构成一块区 域，消去图像中的异常目标，获得图像背景干扰的灰度图像G: G=FoB (3. 2)灰度图像G中的背景干扰体现为高亮度信息，根据图像上的点p通过对灰度图像 进行灰度分解得到的一个的二值图像6，存在灰度为me[0,M-1]使得M为灰度图像中的 最大灰度级：
利用分解得出的二值图像6与原灰度图像F矩阵的Hadamard积，消去图像背景：F=(F-G).,; (4) 将图像f分成若干个mXn的子图像f,; (5) 对每一个子图像进行阈值迭代法选取阈值： 将图像氧中的像素点最大值和最小值的均值作为初始阈值Titl: T.n =^max(Fi)+ /2; 将初始阈值Titl作为阈值把图像的像素点分成两部分，即图像見和图像^ :
再取两部分图像的灰度均值作为新的阈值： Tn =^meaniFn) +Diean(Pi2)^/2 , 计算新的阈值Til代替Ti(l，重复迭代过程直至Tik+1=Tik为止； 对阈值进行预判决，即存在一个为大于〇的实数e，当e- 〇,有|2；-11^浥)|<^或 |2；-min(f；)|< 〃时，判决子图像属于背景，求取的阈值设置为子图像中最大灰度值，否则取迭 代停止时的Tik作为该子图像的分割阈值，其中T,为对应子图像的分割阈值：
【文档编号】G06T5/00GK104504686SQ201410734796
【公开日】2015年4月8日 申请日期:2014年12月4日 优先权日:2014年12月4日
【发明者】赵春晖, 王佳, 王玉磊, 肖健钰, 尤伟 申请人:哈尔滨工程大学