本发明涉及高光谱目标特性与目标识别技术领域，尤其涉及基于数学形态学的光谱角度匹配方法。
背景技术：
以下对本发明的相关技术背景进行说明，但这些说明并不一定构成本发明的现有技术。
高光谱遥感的兴起是20世纪80年代遥感技术的最大成就之一，而高光谱目标检测技术是高光谱遥感最为重要的应用方向之一。传统的目标检测算法一般是在假设数据服从某种统计或几何模型的基础上构造检测算子，并根据先验信息估计算子中的统计参量，例如自适应余弦估计(adaptivecosineestimator,ace)、正交子空间投影(orthogonalsubspaceprojector,osp)算法等。但是在实际应用中，目标的先验信息不易获取。
在未知目标、未知背景情况下的目标检测可以通过两种方式来实现，一种是直接根据信息量的分布进行异常目标检测，主要有异常检测(rxd)算法、均衡目标检测(utd)算法等。另一种是利用混合像元分解中的端元提取技术获得目标及背景信息的非监督目标检测。通常情况下，由于受遥感图像空间分辨率的限制以及地物复杂多样性的影响，某些感兴趣目标在图像中大多以混合像元的形式存在。因此，研究基于端元提取算法的高光谱图像目标检测技术就显得尤为重要。
传统的基于端元提取算法的高光谱图像目标检测技术均是从数据光谱信息和特征空间分析的角度出发进行处理的，忽略了像元之间存在的空间相关性。为了更加准确地进行高光谱遥感图像的分析，综合考虑高光谱数据提供的光谱信息和空间信息是十分必要的。
技术实现要素：
本发明的目的在于提出基于数学形态学的光谱角度匹配方法，能够解决在目标与背景未知的情况下高光谱图像感兴趣目标检测识别的问题。
本发明基于数学形态学的光谱角度匹配方法，包括：
s1、在结构元素中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元对应的mei值，得到mei图像；
s2、遍历mei图像中的每个像元，将mei值大于预设的mei阈值的像元标记为端元，得到端元图像；
s3、对所述端元图像进行图像分割和区域生长，得到端元光谱图像；
s4、遍历端元光谱图像中的每个端元，利用光谱角度匹配算法获取所述端元光谱图像中每个像元光谱与当前的端元光谱之间的光谱角度，若该光谱角度为0，则将当前的像元与当前的端元归为一类。
优选地，步骤s1中，在两个或更多个结构元素中分别对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的mei值；
对于任意一个像元，将采用不同结构元素获得的mei值的平均值作为该像元对应的mei值；
其中，不同结构元素的大小不同。
优选地，步骤s1中，首先在最小结构元素kmin中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的mei值；
然后依次增加结构元素的大小，在每个结构元素中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的mei值，直至达到最大结构元素kmax；
对于任意一个像元，将采用不同结构元素获得的mei值的平均值作为该像元对应的mei值；
其中，最小结构元素kmin、最大结构元素kmax、以及介于最小结构元素kmin和最大结构元素kmax之间的结构元素是预先设置的。
优选地，步骤s1包括：对于每个结构元素：
在结构元素中，对目标高光谱图像的每个像元进行基于质心的膨胀运算，将达到结构元素质心的距离最大的像元作为最纯净像元；
在结构元素中，对目标高光谱图像的每个像元进行基于质心的腐蚀运算，将达到结构元素质心的距离最小的像元作为混合最严重像元；
将最纯净像元与混合最严重像元之间的光谱角度距离作为结构元素当前位置对应的像元的mei值。
优选地，对于任意一个结构元素，其质心为：
式中，k代表结构元素；m是结构元素k中像元的数量；ck为结构元素k的质心；f(s,t,w)为结构元素k中任意一个像元，(s,t,w)为像元f(s,t,w)的坐标。
优选地，步骤s2之前进一步包括：将mei图像中每个像元的mei值的平均值作为预设的mei阈值。
优选地，步骤s4中采用如下公式确定所述端元光谱图像中每个像元光谱与当前的端元光谱之间的光谱角度：
式中，n为波段数；x为像元光谱，y为端元光谱；θ(x,y)为像元光谱x与端元光谱y之间的光谱角度，值域为0～π/2，当θ(x,y)为0时，表示像元光谱x与端元光谱完全相同，当θ＝π/2时，表示像元光谱x与端元光谱完全不同。
本发明将数学形态学端元提取算法和光谱角度匹配(spectralanglemapping,sam)算法相结合，采用数学形态学膨胀和腐蚀运算进行端元提取，有效地结合了地物光谱和空间相关性的信息；采用光谱角度匹配算法进行感兴趣目标的检测识别，克服了光谱角度匹配算法本身对光谱特征反应敏感、在混合像元普遍存在时分类精度会很低的缺点，有效地抑制了背景和噪声的影响，从而降低了目标检测的虚警率。本发明能够解决在目标与背景未知的情况下，高光谱图像感兴趣目标检测识别的问题，实用性好。
附图说明
通过以下参照附图而提供的具体实施方式部分，本发明的特征和优点将变得更加容易理解，在附图中：
图1是示出本发明基于数学形态学的光谱角度匹配方法的流程示意图。
具体实施方式
下面参照附图对本发明的示例性实施方式进行详细描述。对示例性实施方式的描述仅仅是出于示范目的，而绝不是对本发明及其应用或用法的限制。
如图1所示，本发明基于数学形态学的光谱角度匹配方法包括：
s1、在结构元素中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元对应的mei值，得到mei图像；
s2、遍历mei图像中的每个像元，将mei值大于预设的mei阈值的像元标记为端元，得到端元图像；
s3、对所述端元图像进行图像分割和区域生长，得到端元光谱图像；
s4、遍历端元光谱图像中的每个端元，利用光谱角度匹配算法获取所述端元光谱图像中每个像元光谱与当前的端元光谱之间的光谱角度，若该光谱角度为0，则将当前的像元与当前的端元归为一类。
本发明采用数学形态学膨胀和腐蚀运算进行端元提取，有效地结合了地物光谱和空间相关性的信息；采用光谱角度匹配算法进行感兴趣目标的检测识别，克服了光谱角度匹配算法本身对光谱特征反应敏感、在混合像元普遍存在时分类精度会很低的缺点，有效地抑制了背景和噪声的影响，从而降低了目标检测的虚警率。
本领域技术人员可以仅使用一个结构元素，例如3×3的结构元素，进行膨胀和腐蚀运算。也可以采用两个或者多个大小的结构元素进行膨胀和腐蚀运算。在一些实施例中，为了尽量减小由于结构元素的选择对运算结果的影响，步骤s1中，在两个或更多个结构元素中分别对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的mei值；对于任意一个像元，将采用不同结构元素获得的mei值的平均值作为该像元对应的mei值；其中，不同结构元素的大小不同，例如，采用3×3的结构元素、5×5的结构元素和7×7的结构元素。结构元素的数量越多，端元提取的结果越准确。
为了便于自动进行膨胀和腐蚀运算，可以预设最小结构元素kmin、最大结构元素kmax、以及介于最小结构元素kmin和最大结构元素kmax之间的结构元素，在步骤s1中，首先在最小结构元素kmin中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的mei值；
然后依次增加结构元素的大小，在每个结构元素中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的mei值，直至达到最大结构元素kmax；
对于任意一个像元，将采用不同结构元素获得的mei值的平均值作为该像元对应的mei值。
在结构元素k中，其质心可以定义为：
式中，k代表结构元素；m是结构元素k中像元的数量；ck为结构元素k的质心；f(s,t,w)为结构元素k中任意一个像元，(s,t,w)为像元f(s,t,w)的坐标。
mei即形态学离心率指数，表示结构元素中像元的纯度。mei指数为结构元素中纯度最高的像元(通过膨胀操作获得)和混合程度最高的像元(通过腐蚀操作获得)之间的光谱角度距离，定义如下：
mei(x,y,w)＝dist(d(x,y,w),e(x,y,w))
为了获取结构元素中目标高光谱图像的每个像元的mei值，在一些实施例中，步骤s1包括：对于每个结构元素：
在结构元素中，对目标高光谱图像的每个像元进行基于质心的膨胀运算，将达到结构元素质心的距离最大的像元作为最纯净像元；
在结构元素中，对目标高光谱图像的每个像元进行基于质心的腐蚀运算，将达到结构元素质心的距离最小的像元作为混合最严重像元；
将最纯净像元与混合最严重像元之间的光谱角度距离作为结构元素当前位置对应的像元的mei值。
对于结构元素k中的某个像元f(x,y,w)到质心ck的距离公式定义为：
d(f(x,y,w),k)＝dist(f(x,y,w),ck)
其中，dist表示两个向量之间的光谱角度距离。
膨胀和腐蚀运算可用下式分别表示：
其中，arg_max和arg_min指的是使得到质心的距离d达到最大和最小的像元向量，分别对应结构元素k中纯度最高像元和混合程度最高像元。
mei图像表征了原始高光谱图像的纯度信息，图像中mei值越大的像元，其对应原始图像中的像元就越可能成为端元；图像中mei值越小的像元，其对应原始图像中的像元成为端元的可能性越小。本发明得到端元光谱图像之后，运用光谱角度匹配算法完成对感兴趣目标的检测与识别。为了尽量减少光谱角度匹配算法的计算量，本发明在步骤s2中遍历mei图像中的每个像元，将mei值大于预设的mei阈值的像元标记为端元，得到端元图像。
本领域技术人员可以根据实际情况选择合适的mei阈值，在一些实施例中，步骤s2之前进一步包括：将mei图像中每个像元的mei值的平均值作为预设的mei阈值。如此确定的mei阈值不仅能够很好地排除不太可能成为端元的像元的干扰，大大减少后续光谱角度匹配算法的计算量的计算量。此外，这种确定mei阈值的方法简单快速。并且便于根据目标高光谱图像的实际情况适用性地进行调整。
光谱角度匹配算法通过计算一个像元光谱与一个参考光谱之间的角度来确定两者之间的相似性。本发明所用参考光谱是利用端元提取方法从图像上提取的端元光谱。现有技术的光谱角度匹配算法中，参考光谱和像元光谱之间的角度往往受到向量本身长度的影响，即无法排除参考光谱和像元光谱向量的乘性干扰。基于此，在本发明的一些实施例中，步骤s4中采用如下公式确定所述端元光谱图像中每个像元光谱与当前的端元光谱之间的光谱角度：
式中，n为波段数；x为像元光谱，y为端元光谱；θ(x,y)为像元光谱x与端元光谱y之间的光谱角度，值域为0～π/2，当θ(x,y)为0时，表示像元光谱x与端元光谱完全相同，当θ＝π/2时，表示像元光谱x与端元光谱完全不同。
假定光谱受乘性干扰后，像元光谱向量变为ax，参考光谱向量变为by，a和b为实数，则乘性干扰后的光谱角计算如下:
可见，采用本发明上述优选实施例中的公式确定像元光谱与端元光谱之间的光谱角度，计算出的光谱角不受向量本身长度的影响，对像元光谱与端元光谱向量的乘性干扰具有不变性。这个不变性在高光谱匹配和识别中很有用处，首先高光谱遥感中大气补偿算法的有限性带来了乘性干扰，其次地形表面的坡度对照度有影响，也会引起乘性干扰，这些乘性干扰会引起地物光谱幅值的变化，而光谱角度匹配算法对谱线进行匹配时，并不受向量长度的影响，因此，本发明的上述光谱角度匹配算法能够有效减弱大气补偿和地物坡度对谱线相似性测度的影响。
像元光谱与端元光谱之间的光谱角度的值域为0～π/2，像元光谱与端元光谱之间的光谱角度越小，表明该像元光谱与端元光谱越接近，当θ(x,y)为0时，表示像元光谱x与端元光谱完全相同，当θ＝π/2时，表示像元光谱x与端元光谱完全不同。找出与端元光谱之间的光谱角度为0的像元光谱，将这些像元与该端元归为同一类，即可达到检测出感兴趣目标的效果。在一些实施例中，也可以按照下述公式进行高光谱目标检测:
其中，t(x)表示任意一个像元光谱xi与端元光谱yj之间的光谱角度，m为端元光谱图像中的像元个数，n为端元光谱图像中的端元个数，argmin为最小角度值。检测时首先计算图像中像元光谱向量xi与参考光谱向量yj之间的夹角，然后找出对应每种端元使得最小角度为0的图像像元，将这些像元与该端元归为同一类，即可达到检测出感兴趣目标的效果。
与现有技术相比，本发明将数学形态学端元提取算法和光谱角度匹配算法相结合，能够解决在目标与背景未知的情况下，高光谱图像感兴趣目标检测识别的问题。
虽然参照示例性实施方式对本发明进行了描述，但是应当理解，本发明并不局限于文中详细描述和示出的具体实施方式，在不偏离权利要求书所限定的范围的情况下，本领域技术人员可以对所述示例性实施方式做出各种改变。