基于稳健背景回归的高光谱遥感影像异常目标探测方法技术

本发明专利技术公开了一种基于稳健背景回归的高光谱遥感影像异常目标探测方法，运用核扩张技术，高光谱遥感数据非线性分布关系，获取高光谱遥感影像数据伪密度。通过设置稳健背景和潜在异常目标正负软标签，在高光谱遥感影像伪密度值与软标签之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构，以及通过联合稳健背景均值最大偏置项，最大程度地在稳健背景集合中排除潜在异常目标，使迭代回归可得到最优化的稳健背景集合。根据稳健背景集合获取影像数据中各像元异常度积分。具有适应度高、深入挖掘数据关系结构的特点，同时突出异常目标，异常目标探测精度较高，适合高光谱遥感影像的数据特点，适用于高光谱遥感影像异常目标检测。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，运用核扩张技术，高光谱遥感数据非线性分布关系，获取高光谱遥感影像数据伪密度。通过设置稳健背景和潜在异常目标正负软标签，在高光谱遥感影像伪密度值与软标签之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构，以及通过联合稳健背景均值最大偏置项，最大程度地在稳健背景集合中排除潜在异常目标，使迭代回归可得到最优化的稳健背景集合。根据稳健背景集合获取影像数据中各像元异常度积分。具有适应度高、深入挖掘数据关系结构的特点，同时突出异常目标，异常目标探测精度较高，适合高光谱遥感影像的数据特点，适用于高光谱遥感影像异常目标检测。【专利说明】
本专利技术属于遥感影像处理
，尤其设及一种基于稳健背景回归的高光谱遥 感影像异常目标探测方法。
技术介绍
高光谱遥感的兴起是20世纪80年代遥感技术发展的主要成就之一，是当前遥感的 前沿技术。随着遥感技术的发展和传感器硬件的升级，所获取的遥感影像从单波段全色影 像到多波段影像，再到高光谱遥感影像，光谱分辨率逐步提高，高光谱遥感在光谱分辨率上 具有巨大优势。对地观测技术及其应用的飞速发展在很大程度上改变了人们认识世界的模 式。随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛(文献)。 较之全色影像和多光谱遥感影像，高光谱遥感影像对于目标探测技术来讲具有显 著优势。高光谱遥感影像高光谱分辨率的优势，使地物目标的探测能力有所增强。异常目标 是指光谱与大部分背景地物有很大差异的目标像元，高光谱遥感影像异常目标探测技术可 W通过统计分析的方式检测影像中的异常目标，无需目标和背景地物的先验光谱信息（文 献)。地物光谱多变性、同物异谱W及同谱异物现象使需要已知先验光谱的目标探测技 术面临困扰(文献)。再者，对于很多应用领域，通常很难获得影像覆盖地区中的地物光 谱。同时，由于大气传输过程中，大气吸收、散射W及潜在的光照和传感器光谱信号响应的 影响，高光谱遥感影像所获取的像元地物光谱可能产生较大形变，使其与实验室测定光谱 有很大差异。在探测过程中，异常探测技术不需要目标和背景地物的先验光谱信息运一特 点使其具有重要的研究和应用价值。近年来，高光谱遥感影像异常目标探测技术在很多领 域中得到成功应用，如矿物勘测、边境监察、捜索营救等，成为高光谱遥感影像处理与应用 的一个研究热点(文献)。 目前国内外学者对高光谱遥感影像异常目标探测技术做了很多研究。RX异常目标 探测方法是异常目标探测技术中经典的基于马氏距离统计的探测器，Subspace-RX将子空 间分析技术引入到高光谱异常目标探测中，在子空间中进行探测统计实现对背景的抑制， Kernel-RX就核机器学习技术运用于高光谱异常目标探测，通过核技术构造非线性RX异常 目标探测器，在高维空间中异常目标探测统计的性能显著提高，已被广泛应用于多光谱和 高光谱遥感影像，CBAD异常目标探测方法将影像中的类别信息考虑到探测统计中，BACON异 常目标探测方法运用迭代统计方法使异常目标探测器具有更强的鲁棒性，RSAD运用随机选 择方法构造伪随机的背景统计方式W提高背景抑制的稳健性，SVD明尋支持向量数据表达方 法引入高光谱异常目标探测并取得了成功，Selective-KPCA通过核主分量分析后结合LS值 选择背景抑制较好的核主分量进行高光谱异常目标探测，降低了干扰地物的探测虚警率。 稳健背景回归方法采用核扩张技术(文献)、流型结构分析(文献6])和稳健背 景均值最大偏置可W最大程度地在稳健背景集合中排除潜在异常目标，使迭代回归得到最 优化的。运用核扩张技术，高光谱遥感数据非线性分布关系，获取高光谱遥感影像数据伪密 度。通过设置稳健背景和潜在异常目标正负软标签，在高光谱遥感影像伪密度值与软标签 之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构，w及通过联 合稳健背景均值最大偏置项，最大程度地在稳健背景集合中排除潜在异常目标，使迭代回 归可得到最优化的稳健背景集合。根据稳健背景集合获取影像数据中各像元异常度积分。 通过将核扩张技术、流型结构分析和稳健背景均值最大偏置联合构造稳健背景回归过程影 像中的背景进行很好地抑制，同时突出异常目标。 Goetz A F Η,Vane G,Solomon J E,et al.''Imaging spectrometry for ea;rth remote sensing."Science,1985,228(4704):1147-1153. Stein D W J'Beaven S G,Hoff L E,et al. "Anomaly detection from hyperspectral imagerySignal Processing Magazine, IEEE,2002,19(1):58-69.Keshava , N . and J . F . Mustard . "Spectral unmixing . " Signal Processing Magazine, ]?ΕΕ,2002,19(1):44-57. Matteoli S,Diani M,Corsini G."A tutorial overview of anomaly detection in hyperspectral images.''Aerospace and Electronic Systems Magazine, I邸E,2010,25(7):5-28. B.Scholkopf and A.J.Smola丄earnin邑 with Kernels:Support Vector Machines,Regularization,Optimization,and Beyond.MIT Press,2002. S.Yan,D.Xu et al. , "Graph embedding and extensions :a general framework for dimensionality reduction,''IEEE Trans.Pattern Anal.Mach.Intell., vol.29,no.1,卵.40-51,2007.
技术实现思路
针对现有技术少有对高光谱遥感影像内在非线性分布关系进行分析的不足，本发 明提供了一种解析高光谱遥感数据非线性分布关系及其内在流型结构的基于稳健背景回 归的高光谱遥感影像异常目标探测方法。 本专利技术所采用的技术方案是:一种基于稳健背景回归的高光谱遥感影像异常目标 探测方法，其特征在于:将高光谱遥感影像X读入大小为P X N的矩阵R中，矩阵中各元素为各 波段对应的像素福射值，P为高光谱遥感影像的波段数，N为高光谱遥感影像的像素数，基于 矩阵R对高光谱遥感影像进行如下操作： 步骤1:对高光谱遥感影像X获取影像数据核矩阵K和拉普拉斯矩阵L，给定流型控 制项和稳健背景控制项权衡参数丫 1和丫 2 ; 步骤2:初始化核扩张系数α〇; 步骤3:根据α〇生成初始化稳健背景和潜在异常目标标签集扔； 步骤4:迭代回归获取收敛后的标签集 步骤5:根据标签集进行积分检测，获得高光谱遥感影像X的异常目标探测结 果。 作为优选，步骤1的实现过程是，采用公式本文档来自技高网...

【技术保护点】
一种基于稳健背景回归的高光谱遥感影像异常目标探测方法，其特征在于：将高光谱遥感影像X读入大小为P×N的矩阵R中，矩阵中各元素为各波段对应的像素辐射值，P为高光谱遥感影像的波段数，N为高光谱遥感影像的像素数，基于矩阵R对高光谱遥感影像进行如下操作：步骤1：对高光谱遥感影像X获取影像数据核矩阵K和拉普拉斯矩阵L，给定流型控制项和稳健背景控制项权衡参数γ1和γ2；步骤2：初始化核扩张系数α0；步骤3：根据α0生成初始化稳健背景和潜在异常目标标签集步骤4：迭代回归获取收敛后的标签集y*；步骤5：根据标签集y*，进行积分检测，获得高光谱遥感影像X的异常目标探测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵锐，杜博，张良培，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42