一种基于条件随机投影的高光谱目标检测方法技术

本发明专利技术提供了一种基于条件随机投影特征的高光谱目标检测方法，能够实现目标的准确、快速检测，并且能够提高对训练样本数量的敏感度。在高光谱影像光谱数据的表征方面提出一种基于条件随机投影的有监督特征选择与特征提取方法。获得与数据和标签有关的投影参数矩阵，通过该投影参数矩阵获得条件随机特征，所以提高了目标检测的准确度；同时整个运算求取过程中增加了筛选估计和采样，筛选估计和采样的运算所用时间不多，训练时间短，并且筛选估计和采样的运算是在离线阶段完成，实际运行时直接使用训练获得的结果，因此该方法具有检测的准确度、测试运行效率高的优点。

A Hyperspectral Target Detection Method Based on Conditional Random Projection

The invention provides a hyperspectral target detection method based on conditional random projection features, which can realize accurate and fast target detection, and can improve the sensitivity to the number of training samples. A supervised feature selection and feature extraction method based on conditional random projection is proposed for the characterization of spectral data of hyperspectral images. The projection parameter matrix related to data and labels is obtained, and the conditional random features are obtained through the projection parameter matrix, so the accuracy of target detection is improved. At the same time, screening estimation and sampling are added in the whole calculation process. The operation of screening estimation and sampling takes less time, and the training time is short. The operation of screening estimation and sampling is completed in the off-line stage. The results obtained from training are directly used in actual operation, so this method has the advantages of high detection accuracy and high test running efficiency.

【技术实现步骤摘要】
一种基于条件随机投影的高光谱目标检测方法
本专利技术属于遥感图像处理
，涉及一种基于条件随机投影特征提取策略的高光谱遥感目标快速检测方法。
技术介绍
随着高光谱遥感技术的迅速发展，高光谱在军事、民生方面的应用越来越广泛，由此引发针对具体应用环境的高光谱数据处理要求也越来越高。其中，高光谱遥感图像典型地物目标检测是一个重要的研究方向，其在城市配置科学性，农业种植分布规划以及军事敏感目标分类提取均有重要意义。当前，在高光谱地物典型目标检测领域里，主要将检测问题转化为数据分类问题，并依赖以下两类主流的分类方法：一、非监督的方法：高光谱遥感图像较高的高分辨率光谱信息意味着光谱数据包含更多的细节信息，这些细节信息可以作为确定地物类别的依据。通过在高光谱观测数据的目标表面材质特征性谱段(如飞机、舰船表面钢材在近红外谱段特征明显)采用阈值分割的思想来实现，包括Otsu等自适应阈值分割等方法。但是由于成像角度、大气环境等因素的影响，复杂地物背景的光谱可能与目标光谱近似(如目标阴影、建筑屋顶沥青等地物在近红外谱段与目标具有较为相似的光谱性质，即“异物同谱”)，从而导致基于阈值分割的方法极易出现虚警过高的问题；此外，仅利用特定谱段的数据也是对高光谱观测数据的严重浪费。二、有监督方法：该方法是现在高光谱遥感图像处理领域普遍使用的分类方法。为了解决“异物同谱”、“同物异谱”等问题，采用有监督样本学习与训练的思想，直接拟合出目标光谱信息与目标标签间的函数映射关系，完成目标辨识任务。典型的有监督模型有神经网络、支持向量机等。当前广泛应用的基于深度学习模型的高光谱地物目标检测方法属于有监督方法的一种，其在目标检测性能方面已经有了长足的进步。但是现有的基于深度学习模型的目标检测方法存在固有缺陷，主要表现在以下几方面：首先，就深度学习模型自身而言，训练时间极为冗长繁琐，需要消耗海量的训练样本以及依赖大规模并行计算资源，在理论上也未得到充分的证明，黑箱属性依然明显。具体而言，深度模型目标检测的鲁棒性提升是以提高模型容量(Capacity)为代价。模型结构复杂庞大，参数繁多，模型的训练与实际运行计算量巨大，依赖如FPGA、GPU等集群并行计算平台。在此基础上，以高容量、参数多为特点的特征学习模型需要基于大量样本训练进而防止过拟合现象。其次，直接套用深度学习技术来解决目标检测问题具有局限性。深度学习技术在本质上解决了数据分类问题。分类任务中每个类别均为“闭集”，其模型的代价函数无区别对待各类数据，使不同类别数据在所构建的特征空间以及输出空间中内具有聚类结构(Cluster)；而模式识别任务中正样本集合为“闭集”，负样本集合为“开集”，其代价函数应减少正样本(目标)数据的特征距离、增大正负样本之间的特征距离。高光谱目标光谱检测任务中，目标光谱数据明确，但负样本范畴太广，深度学习模型无差别对待“正/负样”的特征提取、匹配过程并不合理。因此，如何结合数据分类与目标检测任务之间的本质区别与联系，充分发挥各自优点，在训练样本数量并不充裕，在保证检测准确度的条件下，如何快速、有效地实现对目标的检测，是现在高光谱图像处理领域中的一个重点问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于条件随机投影特征的高光谱目标检测方法，能够实现目标的准确、快速检测，并且能够提高对训练样本数量的敏感度。为了达到上述目的，本专利技术提供了一种基于条件随机投影的高光谱目标检测方法，包括如下步骤：步骤1、搜集随机生成的光谱向量形成训练集并归一化，得到样本光谱数据及其对应的标签；所述样本光谱数据包括正样本数据以及负样本数据；步骤2、利用随机生成的投影参数矩阵对样本光谱数据进行投影，得到随机特征向量；步骤3、根据光谱数据的标签信息，对所述随机特征向量进行特征维度筛查，使得筛查后的随机特征向量在特征空间中的几何位置关系与对应标签在输出空间中的几何位置关系一致；步骤4、搜集筛查后的随机特征向量在投影参数矩阵中对应的列向量，并估计所述列向量的概率分布；步骤5、根据步骤4得到的概率分布对所述列向量进行采样，将采样结果作为变换参数，利用变换参数对所述样本光谱数据和待测光谱向量分别进行投影，得到样本光谱数据和待测光谱向量各自的条件随机特征；步骤6、基于样本数据的条件随机特征，构建待测光谱向量的条件随机特征的概率密度分布函数；基于该概率密度分布函数，获得待测光谱向量的条件随机特征的概率，将待测光谱向量的条件随机特征的概率高于设定阈值对应的待测光谱向量判定为目标，实现高光谱目标检测。其中，所述步骤6中，只基于正样本数据的条件随机特征，构建待测光谱向量的条件随机特征的概率密度分布函数。其中，所述步骤2中基于沃什-哈达玛变换的广义傅里叶变换方法得到随机特征向量。其中，所述步骤3中，通过最大化目标函数实现特征维度筛查，所述目标函数为：s.t.q＞0,qT1＝1其中，上标T表示转置；向量q用于衡量随机特征向量中与标签信息相关性强弱；向量y为输入样本对应的标签向量，向量y-为负样本对应的标签向量，随机特征向量φ为样本数据的特征映射向量，向量为负样本数据的特征映射向量；(||q-qref||2-ρ)为正则项，其中向量qref为向量q的先验估计，其中的每个列向量均为1/k，k为向量q的长度，ρ为向量qref与向量q的误差上限；λ为正则项权重；特征维度筛查方式为：通过调整向量q，使得所述目标函数最大化，目标函数最大化时，向量q中的非零项列向量对应的随机特征维度即为需要保留的特征维度。其中，令筛选后保留的特征维度对应的投影参数服从组成成分为2的混合高斯分布，使用期望最大化算法，通过迭代逼近的方式，估计混合高斯分布的均值、协方差与组份概率，由此得出投影参数的条件概率分布。其中，所述步骤5中采用马尔科夫方法对随机变量进行采样。其中，所述步骤6中，采用高斯核函数K加窗，基于条件随机特征构建待测光谱向量的条件随机特征的概率密度分布函数：其中，x是待测光谱向量的条件随机特征，xi是第i个正样本光谱向量的条件随机特征，i＝1,2,3…Np,Np为正样本总个数。其中，所述步骤6中，所述设定阈值为将训练样本中各个正样本作为待测光谱向量带入所述概率密度分布函数所得概率密度值中的最小值。有益效果：1、本方法在高光谱影像光谱数据的表征方面提出一种基于条件随机投影的有监督特征选择与特征提取方法。获得与数据和标签有关的投影参数矩阵，通过该投影参数矩阵获得条件随机特征，所以提高了目标检测的准确度；同时整个运算求取过程中增加了筛选估计和采样，筛选估计和采样的运算所用时间不多，训练时间短，并且筛选估计和采样的运算是在离线阶段完成，实际运行时直接使用训练获得的结果，因此该方法具有检测的准确度、测试运行效率高的优点。2、本方法充分考虑了目标检测问题与数据分类问题的不同之处，利用正负样本间的数据差异构建有别于深度学习技术的优化模型，可在理论上构建正样本的特征空间，通过正样本的特征空间对待测样本直接与正样本进行相似度判定，判定出待测目标是否为目标，提高对训练样本数量的敏感度，这种辨识方式更加符合人类智能系统对目标数据的学习与认知习惯。附图说明图1为本专利技术的实施流程图。图2为本专利技术的正样本生成式特征描述与特征匹配方法示意图。具体实施方式下面结合本文档来自技高网...

【技术保护点】
1.一种基于条件随机投影的高光谱目标检测方法，其特征在于，包括如下步骤：步骤1、搜集随机生成的光谱向量形成训练集并归一化，得到样本光谱数据及其对应的标签；所述样本光谱数据包括正样本数据以及负样本数据；步骤2、利用随机生成的投影参数矩阵对样本光谱数据进行投影，得到随机特征向量；步骤3、根据光谱数据的标签信息，对所述随机特征向量进行特征维度筛查，使得筛查后的随机特征向量在特征空间中的几何位置关系与对应标签在输出空间中的几何位置关系一致；步骤4、搜集筛查后的随机特征向量在投影参数矩阵中对应的列向量，并估计所述列向量的概率分布；步骤5、根据步骤4得到的概率分布对所述列向量进行采样，将采样结果作为变换参数，利用变换参数对所述样本光谱数据和待测光谱向量分别进行投影，得到样本光谱数据和待测光谱向量各自的条件随机特征；步骤6、基于样本数据的条件随机特征，构建待测光谱向量的条件随机特征的概率密度分布函数；基于该概率密度分布函数，获得待测光谱向量的条件随机特征的概率，将待测光谱向量的条件随机特征的概率高于设定阈值对应的待测光谱向量判定为目标，实现高光谱目标检测。

【技术特征摘要】
1.一种基于条件随机投影的高光谱目标检测方法，其特征在于，包括如下步骤：步骤1、搜集随机生成的光谱向量形成训练集并归一化，得到样本光谱数据及其对应的标签；所述样本光谱数据包括正样本数据以及负样本数据；步骤2、利用随机生成的投影参数矩阵对样本光谱数据进行投影，得到随机特征向量；步骤3、根据光谱数据的标签信息，对所述随机特征向量进行特征维度筛查，使得筛查后的随机特征向量在特征空间中的几何位置关系与对应标签在输出空间中的几何位置关系一致；步骤4、搜集筛查后的随机特征向量在投影参数矩阵中对应的列向量，并估计所述列向量的概率分布；步骤5、根据步骤4得到的概率分布对所述列向量进行采样，将采样结果作为变换参数，利用变换参数对所述样本光谱数据和待测光谱向量分别进行投影，得到样本光谱数据和待测光谱向量各自的条件随机特征；步骤6、基于样本数据的条件随机特征，构建待测光谱向量的条件随机特征的概率密度分布函数；基于该概率密度分布函数，获得待测光谱向量的条件随机特征的概率，将待测光谱向量的条件随机特征的概率高于设定阈值对应的待测光谱向量判定为目标，实现高光谱目标检测。2.如权利要求1所述的一种基于条件随机投影的高光谱目标检测方法，其特征在于，所述步骤6中，只基于正样本数据的条件随机特征，构建待测光谱向量的条件随机特征的概率密度分布函数。3.如权利要求1或2所述的一种基于条件随机投影的高光谱目标检测方法，其特征在于，所述步骤2中基于沃什-哈达玛变换的广义傅里叶变换方法得到随机特征向量。4.如权利要求1或2所述的一种基于条件随机投影的高光谱目标检测方法，其特征在于，所述步骤3中，通过最大化目标函数实现特征维度筛查，所述目标函数为：s....

【专利技术属性】
技术研发人员：唐林波，周士超，邓宸伟，王文正，赵保军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11