多超谱遥感图像的亚像元目标识别和检索方法与流程

本发明涉及多超谱遥感图像处理技术领域，尤其涉及一种多超谱遥感图像的亚像元目标识别和检索方法。

背景技术：

传统的遥感图像亚像元解译是一项繁琐的工作，没有一个统一的框架；并且，由于低分辨率的限制，多光谱、超光谱谱遥感图像(可简称为“多超谱遥感图像”)中会出现混合像元，这给地物的分类识别带来很大难度。

随着遥感技术的发展，海量的多超谱遥感数据没有得到充分的应用，实现多超谱遥感数据的高效检索势在必行，如何从这些海量数据中检索出目标图像，是亟待解决的难题，但是，目前还没有较为有效的方案。

技术实现要素：

本发明的目的是提供一种多超谱遥感图像的亚像元目标识别和检索方法，能够准确实现目标识别与高效的匹配检索。

本发明的目的是通过以下技术方案实现的：

一种多超谱遥感图像的亚像元目标识别和检索方法，包括：

采用字典学习算法，计算输入的多超谱遥感图像谱段矢量在字典矢量集上的投影，得到字典矢量的线性表示；

将字典矢量的线性表示中的系数矢量作为特征矢量，进行目标地物的识别；

对于待检索的多超谱遥感图像库的每一图像，通过谱段矢量训练出字典矢量的线性表示，从而利用从输入的多超谱遥感图像中得到的字典矢量的线性表示中的系数矢量进行匹配检索。

由上述本发明提供的技术方案可以看出，一方面，采用谱段矢量在字典矢量集上的投影，也即字典矢量的线性表示(谱段矢量的稀疏表示)，实现混合像元的亚像素分解，从而实现精确解译和目标识别；利用谱段矢量的稀疏表示，同时通过快速的字典学习算法和谱段选择方法，实现多超谱图像的高效检索，本方案解决了由低分辨率带来的空间几何特征提取难题，同时保证了检索结果具有明确的物理意义。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种多超谱遥感图像的亚像元目标识别和检索方法的示意图；

图2为本发明实施例提供的谱段矢量示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供一种多超谱遥感图像的亚像元目标识别和检索方法，如图1所示，主要包括：

1、采用字典学习算法，计算输入的多超谱遥感图像谱段矢量在字典矢量集上的投影，得到字典矢量的线性表示。

本领域技术人员可以理解，谱段矢量是专用名词，指对应一个空间像素位置(像元)，在不同谱段的像素值构成的矢量。但是，如背景技术中所述，由于低分辨率的限制，混合像元的存在将增大分类识别的难度，因此，本发明实施例通过字典学习算法得到谱段矢量的字典矢量的线性表示，即将谱段矢量的分解为若干字典矢量的加权(系数)组合，实现多超谱遥感图像的高精度解译，之后再进行分类识别。

本发明实施例中，字典学习算法可通过现有方案实现，主要通过迭代运算，得到字典表示中的字典矢量的线性表示的系数矢量，这些系数矢量表示相应矢量所占比重。

本发明实施例中，需要对输入的多超谱遥感图像进行目标识别，以及在通过线性表示的系数矢量在多超谱遥感图像库进行匹配检索。

本发明实施例中，以光谱矢量字典学习为基础，通过，建立一个多超谱遥感图像亚像元解译的统一的数学模型，以高效的字典学习算法为手段，实现多超谱遥感图像的高精度解译和其中的模糊微小目标的识别。

所述多超谱遥感图像亚像元解译的统一的数学模型涵盖了：1)通过字典学习算法得到字典矢量的线性表示。2)字典矢量的线性表示的系数矢量可能代表一类地物。3)字典及构造算法(可以通过常规技术实现)。4)和传统的人工标注解译不同。

2、将字典矢量的线性表示的系数矢量作为特征矢量，进行目标地物的识别。

本发明实施例中，字典矢量的线性表示的系数矢量准确对应某类地物(也即目标地物)，则线性表示的系数矢量表示此类地物在混合像元所占的比例，因此系数矢量可作为目标识别特征，从而识别出图像中地物的类别。在实际应用中，上述物理意义无需非常明确，也会取得同样的应用效果。

记：b为谱段矢量(混合像元谱段矢量)；ai为字典矢量，可能会明确对应具体的地物，ai为字典矢量的线性表示的系数(是实数)识别和检索的特征；i＝1,2,...,n，n表示字典矢量的总数目；则有：

[b]＝a1[a1]+a2[a2]+...+an[an]。

上式中的括号表示括号中的信息为矢量，aiai为字典矢量的线性表示。

本领域技术人员可以理解，不同的地物其反射特性不同，谱段矢量反映的是不同地物的反射特性。通过字典学习算法得到的系数矢量a1,a2,...,an为稀疏表示，其包含数值为0的项与非0项，通过非0项可以直接完成目标识别。通常情况下，对于高分辨率图像，一个谱段矢量可能只对应一类地物(比如，水、土等)；但是，低分辨图像，由于混合像元情况，使得一个谱段矢量可能包含多类地物(同时包含水泥、铁等)。

3、对于待检索的多超谱遥感图像库的每一图像，通过谱段矢量训练出字典矢量的线性表示，从而利用从输入的多超谱遥感图像中得到的字典矢量的线性表示中的系数矢量进行匹配检索。

由于多超谱遥感图像库中图像数据量巨大，因此，对于待检索的多超谱遥感图像库，预先基于像元数值方差大小在谱段矢量中选取最大可分谱段。通常可选择像元数值方差较大(即变化量超过设定值)的谱段矢量参与解译、识别和高效检索。方差大小一定程度上反应熵值和信息量，选择谱段矢量的子矢量可大大减小计算复杂度，显著提高检索效率。

选取的最大可分谱段矢量b^*表示为：

上式中，每一项底部表示其上方相应项所属矢量，例如，b^*包含b¹...b^s，右侧的包含了为字典学习之前的字典矢量，为字典学习之前字典矢量的线性表示的系数，k＝1,2,...,k，k表示字典学习之前字典矢量的线性表示的总数目。

上述显示了最大可分谱段矢量的子矢量的分段截取方式，然后再组合起来，每一项中上标数字1～s表示选出的第1～第s个最大可分谱段，s为选出的最大可分谱段的子分段数目。例如，s＝3，共有100个谱段，1可以表示选出的第1个最大可分谱段，包含第1～第20个谱段；2表示选出的第2个最大可分谱段，包含第30个～50个谱段；3表示选出的第3个最大可分谱段，包含第70个～第90个谱段。

通过字典学习算法的迭代学习后，线性表示则可通过m项准确的表示b^*，通常情况下m<k。

如图2所示为谱段矢量的示意图；其中，矢量1、矢量2、矢量3是三个不同的谱段矢量，通过像元数值方差大小(也即像素幅值)可将4、5、6三个谱段取为上述三个矢量的一个最大可分谱段，用于匹配检索。

之后，基于选出的最大可分谱段矢量，利用压缩感知中的快速字典学习算法实现字典表示(与前述步骤1方式相同)：

其中，b'为多超谱遥感图像库中，通过字典学习算法的迭代学习后得到的任意图像的最大可分谱段矢量；aj'为字典学习后字典矢量，aj'为字典学习后字典矢量的线性表示的系数；j＝1,2,...,m，m表示字典矢量的总数目，即通过字典学习后的字典矢量总数目。

最后，基于字典矢量的线性表示的系数矢量实现匹配检索；具体而言，利用输入的多超谱遥感图像对应的系数矢量a1,a2,...,an与多超谱遥感图像库中图像对应的系数矢量a1',a2',...,am'进行匹配，从而选出目标图像。具体匹配算法可选择常规方式来实现，本发明不做限制；示例性的，可以计算两个系数矢量内积，再通过设定的阈值来筛选，将矢量内积超过阈值的系数矢量a1',a2',...,am'对应的图像选为目标图像。

此外，在实际应用中，可以通过上述方式预先计算出多超谱遥感图像库中所有图像的系数矢量并保存，从而直接利用输入图像对应的系数矢量进行匹配检索。

本发明实施例上述方案，相对于现有技术而言主要具有如下优点：

1)构造出统一的亚像元多谱段遥感图像亚像元解译的数学模型。

2)通过对混合像元的亚像素分解，而亚像素不需要在二维图像的几何特征中反映出来，因此解决由于低分辨率造成的空间几何特征提取难题。

3)选择部分最大可分谱段矢量检索，提高检索效率和准确度。

4)使得检索结果具有明确的物理意义，例如，像素对应的矢量具体的物质类别，如是水、土等；或者，像素对应的矢量可能包含的混合物质，如同时包含水泥、铁等。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。