The invention provides a hyperspectral image target detection method and system based on maximum edge measure learning. The method first obtains hyperspectral remote sensing images and training samples, constructs the target function of hyperspectral target detection based on maximum edge measure learning, calculates the measure matrix, calculates the eigenvalues and eigenvectors of the measure matrix, and converts the original data projection into low-dimensional measure space. The method can transform the data from the original feature space to the Markov dimension reduction subspace, effectively deal with the problem of high-dimensional data, and is suitable for target detection of hyperspectral remote sensing images, and for the eyes of high-dimensional and small samples. The problem of target detection has good robustness and greatly improves the accuracy of target detection.
【技术实现步骤摘要】
一种最大边缘测度学习的高光谱影像目标探测方法及系统
本专利技术属于遥感影像处理
,尤其涉及一种最大边缘测度学习的高光谱影像目标探测方法及系统。
技术介绍
高光谱遥感影像所具有的光谱分辨率高、图谱合一的特点,使得高光谱遥感影像承载着丰富的地物信息。其中高光谱影像目标探测问题是其中的一个主要工作,在民用、军事等领域,如重大自然灾害灾情的动态监测和评估、农作物估产、地质矿产资源调查、复杂背景下军事目标侦查、战场打击效果评估等,都有重大的研究意义(Manolakis,Siracusaetal.,2001;ManolakisandShaw,2002;Nasrabadi,N.M.,2014)。高光谱目标探测的主要任务是通过利用一定的光谱信息来判断感兴趣目标是否存在在每一个像元中(Manolakis,2003;Bioucas-Dias,Plazaetal.,2013)。目前,国内外学者提出了许多用于高光谱影像的目标探测方法,包括约束能量最小化方法(constrainedenergyminimization,CEM)、正交子空间投影方法(orthogonalsubspaceprojection,OSP)。其中,CEM方法是在1993年由Harsanyi提出的,主要是通过滤波器约束输出能量最小达到抑制背景、突出目标的目的,它比较适合复杂地物背景的情况,因为其输入只需要目标光谱。OSP方法则是将像元投影到与各个背景端元正交的方向上,来实现消除背景端元同时信噪比最大,且能满足目标探测和降低维数的目的。除此之外,还有一种经典目标探测算法是根据统计假设检验方法,从像元中包含的 ...
【技术保护点】
1.一种最大边缘测度学习的高光谱目标探测方法,其特征在于,包含以下步骤:S1、获取一帧高光谱遥感影像与n个训练样本{x1,x2,…,xn}∈RL×n,其中所述任意一个训练样本为所述遥感影像中的一个L维的像元光谱,通过遥感影像读取函数将高光谱遥感影像读入L×N的矩阵,其中L为遥感影像的波段数,N为遥感影像的像素数,矩阵中各列元素分别为遥感影像各波段对应的像素辐射值;其中L>1,N>1,n>1;S2、构造最大边缘测度学习的高光谱目标探测的目标函数,其表达式为:
【技术特征摘要】
1.一种最大边缘测度学习的高光谱目标探测方法,其特征在于,包含以下步骤:S1、获取一帧高光谱遥感影像与n个训练样本{x1,x2,…,xn}∈RL×n,其中所述任意一个训练样本为所述遥感影像中的一个L维的像元光谱,通过遥感影像读取函数将高光谱遥感影像读入L×N的矩阵,其中L为遥感影像的波段数,N为遥感影像的像素数,矩阵中各列元素分别为遥感影像各波段对应的像素辐射值;其中L>1,N>1,n>1;S2、构造最大边缘测度学习的高光谱目标探测的目标函数,其表达式为:约束条件为M≥0,ω=[b;M]其中τk是训练误差组分;定义向量矩阵Τ=(τ1,τ2,…,τn)∈{0,1}n;是F–范内积,定义一组点其中k1、k2分别是输入数据集(输入训练样本)的点的索引;b为预设的距离阈值;S3、从k=1开始计算将T∪{τk}的结果更新为T直至计算到k=n;S4、通过拉格朗日乘子f(ω)的梯度表达式求解出ω,根据ω=[b;M]得到ω对应的测度矩阵M;S5、判断是否小于预设收敛阈值P,如果是,则进行步骤S6,如果否,则返回到步骤S2直至满足判定条件;其中P为预设的值且小于1;S6、采用光谱分解将S5得到的测度矩阵M映射到半正定矩阵锥中,求解所述测度矩阵M的广义特征值及广义特征值对应的特征向量;得到新的测度矩阵M,保证半正定约束;更新ω=[b;M]中的M从而得到最终的测度矩阵M;S7、由步骤S6得出的最终的测度矩阵M,根据M=WWΤ,得到线性降维投影矩阵W∈RL×D(D≤L),其中D为降维后的维数且D>1;对于每一个输入向量xi∈RL×n,通过公式x′=WΤx在最终的低维测度空间中计算降维特征表达,从而将原始数据投影转换到低维测度空间中,得到测度学习之后的数据x′,新的低维空间应用探测器得到探测结果。2.根据权利要求1所述一种最大边缘测度学习的高光谱目标探测方法,其特征在于,如果任意两个样本的距离小于b,则判定(xi,xj)相似;如果任意两个样本的距离大于b,则(xi,xj)不相似。3.根据权利要求1所述一种最大边缘测度学习的高光谱目标探测方法,其特征在于,S2中的所述的两个样本点之间的距离为:其中||·||2是F–范内积,d是马氏距离。4.根据权利要求1所述一种最大边缘测度学习的高光谱目标探测方法,其特征在于,步骤S6具体为:将测度矩阵M的负特征值设置为0,则有:通过用剩余正特征值和相关特征向量ν,可以得到新的测度矩阵M,保证半正定约束;更新ω=[b;M]中的M从而得到新的测度矩阵M。5.一种最大边缘测度学习的高光谱目标探测系统,其特征在于,包含以下子模块:获取高光谱遥感影像和训练样本模块,用于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。