本发明涉及高光谱图像目标检测方法。
背景技术:
高光谱图像传感器能够通过上百个光谱通道获取地物的反射辐射信息,其波段范围覆盖了从可见光到近红外乃至长波红外区域。高光谱图像同时包含了地物的空间信息、反射或辐射信息及光谱信息想,其特性通常被称为“图谱合一”。而且,高光谱图像数据提供了近乎连续的光谱采样信息,可以记录地物在光谱上很小的反射差异,作为地物分类和检测的依据。研究高光谱图像目标检测新技术,具有重要的理论意义和应用价值。在军事方面,可以揭露敌方目标的伪装、隐藏和欺骗;在民用方面,在公共安全、质量监控、失事点搜寻与营救等方面已经有重要应用。
当前的目标检测手段主要有3种:异常检测、已知样本下的光谱匹配检测和一类分类方式检测。而常用的高光谱图像光谱匹配检测模型一般有三种,欧式距离模型,概率统计模型和子空间模型。典型的方法有正交子空间投影检测方法(orthogonalsubspaceprojection,osp),特征子空间投影检测方法(signaturesubspaceprojection,ssp),匹配子空间检测方法(matchedsubspacedetector,msd),光谱匹配滤波检测方法(spectralmatchedfilter,smf),自适应余弦估计检测方法(adaptivecosineestimator,ace)等。
目前针对高光谱图像的目标检测主要是利用光谱匹配特性,通过光谱匹配程度来判断单点的光谱属性,并未充分考虑在高分条件下空间约束增强的特性,即局部相关性增强的特性。空谱联合检测方法可以提高光谱和空间的利用能力,但一般的空谱联合方法仅仅从空间或光谱的简单组合操作进行分析,不能从三维数据的整体进行信息挖掘,检测精度较低。
张量(tensor),即多维数组,更正式地说,一个n阶张量就是n个向量的张量积的结果。一个向量是一阶张量,一个矩阵是二阶张量,三阶或更高阶张量称为高阶张量。利用张量模型对图像进行表示,可以有效地利用图像的内在几何结构信息,大幅提升了遥感图像分类等的性能。目前基于张量表示的遥感图像处理方法已经成功应用到高光谱图像的分类和目标检测当中,并取得了更好的分类和检测结果。
技术实现要素:
本发明的目的是为了解决现有高光谱图像目标检测方法中未充分考虑在高分条件下空间约束增强的特性,不能从三维数据的整体进行信息挖掘,检测精度较低的问题,而提出基于张量线性判别分析降维的高光谱图像目标检测方法。
基于张量线性判别分析降维的高光谱图像目标检测方法具体过程为:
步骤一:对待检测的高光谱图像进行张量块的选择和划分,获得空x-空y-光谱三阶目标张量块、空x-空y-光谱三阶背景张量块和空x-空y-光谱三阶待检测的测试样本张量块;
步骤二:设定目标张量块、背景张量块和待检测的测试样本张量块每一维投影后维度的大小,利用步骤一中获得的目标张量块和背景张量块训练获取目标张量块、背景张量块和待检测的测试样本张量块三个维度上的投影矩阵,使得目标张量块和背景张量块在投影后的子空间里具有最大的可分性;
步骤三:根据步骤二获得的三个维度上的投影矩阵,将步骤一得到的目标张量块、背景张量块和待检测的测试样本张量块投影到具有最大可分性的张量子空间中;
步骤四:采用张量间角度距离的度量方式,计算在投影后的张量子空间中,每一个待检测的测试样本张量块到背景张量块的总距离distance_b(m),以及每一个待检测的测试样本张量块到目标张量块的总距离distance_t(m),m=1,…,m;
步骤五:建立张量距离比检测模型,将步骤四中得到的距离distance_b(m)和距离distance_t(m)的比值radio(m)作为每个待检测的测试样本张量块
本发明的有益效果为:
本发明基于一种张量线性判别分析降维的高光谱图像目标检测方法,求取具有最大可分性的张量子空间,利用取样得到的目标和背景张量块获得具有张量在三个维度上的投影矩阵,将目标张量块、背景张量块以及所有待检测的张量块投影到具有最大可分性的张量子空间中,计算待检测张量块到目标和背景张量块的距离,采用张量距离比模型来刻画待检测张量块中心点的地物类别属性,最终能充分利用高光谱数据的三维整体信息,实现对目标的有效检测。其中,待检测张量块中心点的地物类别属性指的是其中心点的像元是背景还是目标。
张量(tensor)作为对多维数据进行分析的有力数学工具,选用张量模型对高光谱图像进行表示,有效地利用了图像内在的几何结构,能够充分挖掘数据整体的信息。
1、由于本方法对张量形式的高光谱图像进行处理,对三阶张量块进行投影、距离度量等操作,相比于传统的基于光谱匹配特性进行目标检测的方法,能够充分考虑在高分条件下空间约束增强的特性,从三维数据整体进行信息挖掘,提高检测精度,实现对高光谱图像中目标的有效检测。
2、本方法中,对传统的线性判别分析方法进行了张量形式的扩展,利用张量线性判别分析算法求取最有最大可分性的张量子空间对应的投影矩阵,将张量块投影到这个子空间中进行目标检测,能够获得较好的效果。
结合图4a、5a和图4b、5b所示的高光谱图像1、2的匹配子空间检测结果和基于张量线性判别分析降维的检测结果,以及图4c、5c所示的两种检测方法得到的检测结果对应的roc曲线,从图4c可得出虚警率为0.1时,现有匹配子空间检测方法发现概率为0.72,本发明张量主成分分析降维检测方法发现概率为0.98;虚警率为0.2时,现有匹配子空间检测方法发现概率为0.82,本发明张量主成分分析降维检测方法发现概率为0.99;从图5c可得出虚警率为0.2时,现有匹配子空间检测方法发现概率为0.56,本发明张量主成分分析降维检测方法发现概率为0.64;虚警率为0.4时,现有匹配子空间检测方法发现概率为0.64,本发明张量主成分分析降维检测方法发现概率为0.95;可得出本发明方法能够在低虚警率的情况下达到好的检测结果,验证了本发明提出的一种基于张量线性判别分析降维的高光谱图像目标检测方法的有效性。
附图说明
图1为本发明所述方法流程示意图;
图2a为圣地亚哥局部高光谱图像1第5波段图像示意图;
图2b为圣地亚哥局部高光谱图像1第5波段地物真值图;
图3a圣地亚哥局部高光谱图像2第5波段图像示意图;
图3b圣地亚哥局部高光谱图像2第5波段地物真值图;
图4a圣地亚哥局部高光谱图像1匹配子空间检测结果图;
图4b圣地亚哥局部高光谱图像1基于张量线性判别分析降维的检测结果图;
图4c圣地亚哥局部高光谱图像1两种检测方法得到的检测结果对应的roc曲线,横坐标为虚警率,纵坐标为检测概率;
图5a圣地亚哥局部高光谱图像2匹配子空间检测结果图;
图5b圣地亚哥局部高光谱图像2基于张量线性判别分析降维的检测结果图;
图5c圣地亚哥局部高光谱图像2两种检测方法得到的检测结果对应的roc曲线,横坐标为虚警率,纵坐标为检测概率;
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的基于张量线性判别分析降维的高光谱图像目标检测方法具体过程为:
步骤一:对待检测的高光谱图像进行张量块的选择和划分,获得空x-空y-光谱三阶目标张量块、空x-空y-光谱三阶背景张量块和空x-空y-光谱三阶待检测的测试样本张量块;
步骤二:设定目标张量块、背景张量块和待检测的测试样本张量块每一维投影后维度的大小,利用步骤一中获得的目标张量块和背景张量块训练获取目标张量块、背景张量块和待检测的测试样本张量块三个维度上的投影矩阵,使得目标张量块和背景张量块在投影后的子空间里具有最大的可分性;
步骤三:根据步骤二获得的三个维度上的投影矩阵,将步骤一得到的目标张量块、背景张量块和待检测的测试样本张量块投影到具有最大可分性的张量子空间中;
步骤四:采用张量间角度距离的度量方式,计算在投影后的张量子空间中,每一个待检测的测试样本张量块到背景张量块的总距离distance_b(m),以及每一个待检测的测试样本张量块到目标张量块的总距离distance_t(m),m=1,...,m;
步骤五:建立张量距离比检测模型,将步骤四中得到的距离distance_b(m)和距离distance_t(m)的比值radio(m)作为每个待检测的测试样本张量块
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中对待检测的高光谱图像进行张量块的选择和划分,获得空x-空y-光谱三阶目标张量块、空x-空y-光谱三阶背景张量块和空x-空y-光谱三阶待检测的测试样本张量块;具体过程为:
给定一个3×3的窗口,将待检测的高光谱图像转换成三阶张量的形式,滑动取样窗口,当取样窗口中心点对应真值图的值为1的时候确定为空x-空y-光谱三阶目标张量块,从中任意取样n1个得到空x-空y-光谱三阶目标张量块
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中设定目标张量块、背景张量块和待检测的测试样本张量块每一维投影后维度的大小,利用步骤一中获得的目标张量块和背景张量块训练获取目标张量块、背景张量块和待检测的测试样本张量块三个维度上的投影矩阵,使得目标张量块和背景张量块在投影后的子空间里具有最大的可分性;具体过程为:
步骤二一、将步骤一中获得的目标张量块
其中,in为原始张量第n维的大小,n=1,...,n,i'n为投影后张量第n维的大小,本方法中张量维数n实际取3;
步骤二二、利用张量线性判别分析算法利用目标张量块和背景张量块训练获取目标张量块、背景张量块和待检测的测试样本张量块三个维度上的投影矩阵,使得目标张量块和背景张量块在投影后的子空间里具有最大的可分性,其具体步骤如下:
步骤二二一:初始化:
步骤二二二:
(1)初始化迭代次数t=1,
计算
计算
其中,
(2)对
其中,ζ为设定的类内离散度系数;在奇异值分解的结果中,u为左奇异向量矩阵,∑为奇异值矩阵,vt为右奇异向量矩阵;取u中前i'n个列向量构成当前第t次迭代时最优的矩阵
i为单位矩阵,tr{·}为矩阵的迹;
(3)重复执行步骤(1)、(2),直至n从1依次取到n,n取3;
(4)检查收敛:
其中,ε为设定的误差精度,
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述tmax为100。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤三中根据步骤二获得的三个维度上的投影矩阵,将步骤一得到的目标张量块、背景张量块和待检测的测试样本张量块投影到具有最大可分性的张量子空间中;具体过程为:
其中,
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤四中采用张量间角度距离的度量方式,计算在投影后的张量子空间中,每一个待检测的测试样本张量块到背景张量块的总距离distance_b(m),以及每一个待检测的测试样本张量块到目标张量块的总距离distance_t(m),m=1,...,m;
具体公式为:
其中,distance_b(m),m=1,2,...m为在投影后的张量子空间内,任意一个待检测的测试样本张量块
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤五中建立张量距离比检测模型,将步骤四中得到的距离distance_b(m)和距离distance_t(m)的比值radio(m)作为每个待检测的测试样本张量块
建立张量距离比检测模型,将步骤四中得到的距离distance_b(m)和距离distance_t(m)的比值radio(m)作为每个待检测的测试样本张量块
如果任意一个待检测的测试样本张量块
其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果:
本例实施一种基于张量线性判别分析降维的高光谱图像目标检测方法具体是按照以下步骤制备的,同时采用高光谱图像匹配子空间检测方法来作为对比实验:
本文实验所用的数据是aviris传感器获得的美国圣地亚哥地区的高光谱图像的两个截取部分,其大小为分别为100×100和150×150,数据经过大气、几何校正等预处理,并去除了低信噪比和水汽吸收波段,保留了126个光谱波段,波长范围为0.4~1.8μm,地面分辨率3.5m,灰度范围为0~10000。为了验证本发明方法的有效性,利用高光谱图像匹配子空间检测作为对比实验。图2a为第1幅局部高光谱图像的第5波段图像,图2b为其对应的真值图;图3a为第2幅局部高光谱图像的第5波段图像,图3b为其对应的真值图;图4a为第1幅局部高光谱图像匹配子空间检测结果,图4b为第1幅局部高光谱图像基于张量线性判别分析降维的检测结果;图4c为两种检测方法得到的检测结果对应的roc曲线;从图4c可得出虚警率为0.1时,现有匹配子空间检测方法发现概率为0.72,本发明张量主成分分析降维检测方法发现概率为0.98;虚警率为0.2时,现有匹配子空间检测方法发现概率为0.82,本发明张量主成分分析降维检测方法发现概率为0.99;
图5a为第2幅局部高光谱图像匹配子空间检测结果,图5b为第2幅局部高光谱图像基于张量线性判别分析降维的检测结果;图5c为两种检测方法得到的检测结果对应的roc曲线;从图5c可得出虚警率为0.2时,现有匹配子空间检测方法发现概率为0.56,本发明张量主成分分析降维检测方法发现概率为0.64;虚警率为0.4时,现有匹配子空间检测方法发现概率为0.64,本发明张量主成分分析降维检测方法发现概率为0.95;
从检测结果可以及roc曲线可以看出,本发明相比于匹配子空间目标检测,能够在虚警概率相同的情况下有更高的检测概率,证明了本发明方法的有效性。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。