基于光谱解混合的目标检测方法

：
1.本发明属于目标检测技术领域，涉及一种基于光谱解混合的目标检测方法。


背景技术：

2.高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术，同时探测目标区域的二维几何空间信息与一维光谱信息，能够获取高光谱分辨率、连续、窄波段的光谱图像。
3.对于大部分目标检测应用，目标是确定的，而背景是变化且难以估计目标所在的背景地物分布的，因此目标的光谱特性较容易获取，但难以确定背景光谱特性，即已知目标光谱、未知背景光谱。对于这种情况，目前常见的相关目标检测方法都是假设在统计背景信息的时候不包括目标信息，然而实际情况中统计背景信息的时候很难剔除目标。如经典的目标检测方法约束能量最小化方法(constrained energy minimization,cem)在统计背景的自相关矩阵时直接统计全图的自相关矩阵近似为背景的自相关矩阵，即背景的统计信息包含了目标信息，这与前述的假设相冲突，算法在抑制背景的同时也会抑制目标，进而影响目标检测精度，且随着目标像元数目的增多，检测效果显著下降，尤其对于大目标，几乎没什么效果。因此背景信息的准确统计是影响目标检测精度的关键和难点。
4.针对背景信息统计问题，近些年国内外学者们也提出了相应的改进方法，如加权cem算法，是在统计背景自相关矩阵时对每个像元乘了相应的加权系数，尽可能剔除目标信息对背景统计信息的干扰。其中加权系数是根据每个像元与目标光谱之间的距离、角度或像元在目标正交子空间上的投影长度计算，对于与目标光谱十分接近或者与目标光谱差异较大的像元，这种计算方法的得到的加权系数较为可靠，而对于混合像元(一个像元不止包含多种地物类型)，其光谱特性中有可能包含目标的部分光谱特性，这种计算方法得到的加权系数准确性较低。而高光谱成像中往往存在大量的混合像元，加权系数的准确性直接决定背景统计信息的准确性，进而影响目标检测精度。针对高光谱成像中混合像元问题，另有一些学者们提出利用光谱解混合进行目标检测，即对光谱图像进行解混合，获取目标对应端元，并计算该端元的丰度系数矩阵作为目标检测结果，或者将该结果与传统方法获取的目标检测结果相融合。这类方法中存在的问题是光谱解混合后往往找不到目标对应端元，进而也不能获取可靠的丰度系数矩阵，导致降低了目标检测的精度。


技术实现要素：

5.本发明的目的在于提供一种基于光谱解混合的目标检测方法，其克服了现有技术中存在的背景信息的准确统计影响目标检测精度的问题。
6.为实现上述目的，本发明采用的技术方案为：
7.一种基于光谱解混合的目标检测方法，其特征在于：包括以下步骤：
8.步骤1：根据正交投影原理，获取高光谱图像中各个像元xi在目标子空间上的正交投影长度tdi，并选取其中最大投影长度值对应像元确定为目标端元；
9.步骤2：将步骤1获取的目标端元作为初始端元e1，利用顺序最大角凸锥法进行光谱解混合，迭代获取高光谱图像中所有端元和各端元在每个像元中的丰度系数，其中初始端元e1在像元xi中丰度系数为a
i1
；
10.步骤3：对步骤2获取的初始端元e1对应丰度系数a
i1
进行归一化、并从1减去，得到每个像元成为背景的概率pi；
11.步骤4：将步骤3获取的每个像元成为背景的概率pi作为各像元的加权系数，统计背景的加权自相关矩阵r
*
；
12.步骤5：根据步骤4获取的背景加权自相关矩阵r
*
，确定约束最小能量算子，进而完成高光谱图像目标检测。
13.步骤1包括以下步骤：
14.根据公式6获取高光谱图像中各个像元xi在目标子空间上的正交投影长度tdi，并选取其中最大投影长度值对应像元确定为目标端元；
[0015][0016]d#
＝(d
t
d)-1dt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0017]
其中，d表示目标子空间，d
#
为d的广义逆矩阵，d
t
为d的转置矩阵。
[0018]
步骤2中，顺序最大角凸锥法包括以下步骤
[0019]
首先从图像中选取向量模最大的像元作为初始端元e1，
[0020][0021]
其中xi是指图像中第i个像元的光谱。然后，以初始端元e1为基础，通过迭代依次提取剩余端元。对于每次提取的端元ek，k≥1，所对应的像元序号记为n，先获取端元ek在每个像元中的比例系数a
ik
，
[0022]aik
＝b
ik
t
ik
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0023][0024]
其中t
ik
为投影系数，b
ik
为调整系数。若t
ik
≤0，则b
ik
＝0；否则，根据前k-1个端元中的最小值min，如果min＞1，则b
ik
＝1，否则b
ik
＝min。之后，调整之前提取的k-1个端元在每个像元中的比例系数，
[0025]aij
＝a
ij-a
njaik j＝1,2,l,k-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0026]
然后利用投影变换从每个像元中去除该端元的影响，
[0027]
xi＝x
i-a
ikek
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0028]
然后接着提取下一个端元和对应的丰度系数矩阵，直到提取所有的端元后结束。
[0029]
步骤3包括以下步骤：
[0030]
根据公式8将丰度系数a
i1
归一化到0～1范围内，并根据公式9确定各像元的加权系数pi。
[0031][0032]
pi＝1-a
i1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0033]
步骤4包括以下步骤：
[0034]
利用加权系数pi，根据公式10确定背景的加权自相关矩阵r
*
。
[0035][0036]
其中m为全图像中像元数量，x
it
为xi的转置向量。
[0037]
步骤5包括以下步骤：
[0038]
根据背景加权自相关矩阵r
*
确定约束最小能量算子，进而获取高光谱图像中每个像元的目标检测结果yi[0039][0040]
其中，d为目标光谱d即目标子空间《d》中各基向量的平均向量，d
t
为d的转置向量。
[0041]
与现有技术相比，本发明具有的优点和效果如下：
[0042]
1、本发明通过有效结合光谱解混合和现有的经典目标检测方法，给出了实现高光谱目标检测的新方法。为了准确统计背景信息、显著降低目标像元对背景统计信息的干扰，本发明先结合正交投影和光谱解混合，准确获取目标对应端元、并给出相应的丰度系数矩阵，然后结合光谱解混合和加权cem目标检测方法，利用光谱解混合得到的丰度系数矩阵确定加权系数，为加权cem目标检测方法提供可靠的加权系数，从而有效地提高了目标检测精度。
[0043]
2、本发明通过在目标子空间上的正交投影确定目标对应端元，并以该端元为初始端元进行光谱解混合，不仅能够确保光谱解混合准确提取目标对应端元，且由于更加准确的初始端元，后续提取的端元及各端元对应的丰度系数也更加准确、可靠。
[0044]
3、本发明由于目标端元对应丰度系数充分考虑了高光谱图像中混合像元问题，能够更准确反映每个像元成为目标或背景的概率，因此以此确定各像元的背景加权系数、并统计得到的背景自相关矩阵能够更准确剔除背景统计信息中目标信息的干扰，进而有助于提高最终的目标检测精度。
[0045]
4、适用范围广：本发明很好地结合了正交投影、光谱解混合、加权cem目标检测方法，充分发挥了这三个方法各自的优点，并弥补了各自的缺点，进而能够有效提高目标检测精度，且不仅适用于大目标检测，也适用于小目标检测。
附图说明：
[0046]
图1为本发明的整体流程图。
具体实施方式：
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
[0048]
参见图1，本发明提供的基于光谱解混合的目标检测方法具体步骤如下：
[0049]
步骤1：根据正交投影原理，根据下面的公式(6)获取高光谱图像中各个像元xi在目标子空间上的正交投影长度tdi，并选取其中最大投影长度值对应像元确定为目标端元：
[0050]
由于瞬时视场角较大的原因，在高光谱成像中往往存在大量的混合像元，因此高光谱图像的分析需要在亚像元级别进行。根据线性混合模型，每个像元是由多个端元按照一定比例混合而成，其中端元是指一个像元对应地面空间内只包含一种地物的纯像元，通常用图像中包含某种比例很高地物的像元近似，而每个端元在该像元中所占比例就是该端元在该像元中的丰度系数；
[0051]
正交投影是指像空间和零空间相互正交子空间的投影，对于与目标光谱十分接近的像元来说，其在目标子空间上的正交投影能可靠地反映该像元的纯度，即投影长度越长，其像元纯度越高，且成为目标对应端元的概率也越大。若目标子空间表示为《d》，则根据正交投影原理，第i个像元xi正交投影到目标子空间的投影长度tdi可表示为，
[0052][0053]d#
＝(d
t
d)-1dt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0054]
其中d
#
为d的广义逆矩阵。全图像中在目标子空间上投影长度最长的像元，明显最接近目标光谱，成为目标对应端元的概率也最大。因此，本发明先获取图像中所有像元在目标子空间上的投影长度，并选取投影长度最大的像元作为目标对应端元，同时用该像元替代上述smacc光谱解混合方法中的初始端元e1。
[0055]
这样能够确保光谱解混合准确提取目标端元，且由于准确的初始端元，使得后续提取的端元和各丰度系数矩阵更加可靠有效。由于初始端元e1是目标端元，a
i1
则是各像元中目标端元对应的丰度系数，也就是各像元中目标光谱所占的比例。
[0056]
步骤2：将步骤1获取的目标端元作为初始端元e1，利用顺序最大角凸锥法进行光谱解混合，迭代获取高光谱图像中所有端元和各端元在每个像元中的丰度系数，其中初始端元e1在像元xi中丰度系数为a
i1
：
[0057]
顺序最大角凸锥法(sequential maximum angle convex cone,smacc)是在提取端元的同时能够同时获取丰度系数矩阵的经典光谱解混合方法。smacc方法首先从图像中选取向量模最大的像元作为初始端元e1，
[0058][0059]
其中xi是指图像中第i个像元的光谱。然后，以初始端元e1为基础，通过迭代依次提取剩余端元。对于每次提取的端元ek(k≥1，所对应的像元序号记为n)，先获取端元ek在每个像元中的比例系数a
ik
，
[0060]aik
＝b
ik
t
ik
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0061][0062]
其中t
ik
为投影系数，b
ik
为调整系数。若t
ik
≤0，则b
ik
＝0；否则，根据前k-1个端元中的最小值min，如果min＞1，则b
ik
＝1，否则b
ik
＝min。之后，调整之前提取的k-1个端元在每个像元中的比例系数，
[0063]aij
＝a
ij-a
njaik j＝1,2,l,k-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0064]
然后利用投影变换从每个像元中去除该端元的影响，
[0065]
xi＝x
i-a
ikek
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0066]
然后接着提取下一个端元和对应的丰度系数矩阵，直到提取所有的端元后结束。
[0067]
步骤3：对步骤2获取的初始端元e1对应丰度系数a
i1
进行归一化、并从1减去，得到每个像元成为背景的概率pi：
[0068]
加权cem目标检测方法往往以每个像元与目标光谱之间的距离、角度或像元在目标正交子空间上的投影长度作为加权系数，统计背景的加权自相关矩阵。为了统计背景信息时准确剔除目标信息的干扰，本发明将利用上述光谱解混合所获取的目标端元对应的丰度系数a
i1
确定各像元的加权系数。对获取的目标端元对应丰度系数a
i1
进行归一化处理，可近似表示各像元成为目标的概率，
[0069][0070]
进而各像元成为背景的概率pi可表示为，
[0071]
pi＝1-a
i1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)。
[0072]
步骤4：将步骤3获取的每个像元成为背景的概率pi作为各像元的加权系数，统计背景的加权自相关矩阵r
*
。
[0073]
具体的说，就是利用加权系数pi，根据公式(10)确定背景的加权自相关矩阵r
*
。
[0074]
将pi作为各像元的背景加权系数，统计背景的加权自相关矩阵r*，
[0075][0076]
其中m为全图像中像元数量。
[0077]
步骤5：根据步骤4获取的背景加权自相关矩阵r
*
，确定约束最小能量算子，进而完成高光谱图像目标检测，也就是说，要根据背景加权自相关矩阵r
*
确定约束最小能量算子，进而获取高光谱图像中每个像元的目标检测结果yi：
[0078]
具体地说，就是在获取的加权自相关矩阵基础上，进一步确定cem算子，并实现对目标光谱d(目标子空间《d》中各基向量的平均向量)的探测，
[0079][0080]
yi是高光谱图像中像元xi的目标探测结果。
[0081]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，凡是利用本发明的说明书及附图内容所做的变化，均包含在发明的专利保护范围内。