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方案

本发明专利技术提供了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，所述方法首先获取高光谱遥感影像和训练样本，构造最大边缘测度学习的高光谱目标探测的目标函数，计算测度矩阵，并计算测度矩阵的特征值和特征向量，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从而得到探测结果，保证了在学习得到的测度子空间能最大程度地区分目标和背景样本；本发明专利技术可以将数据从原始特征空间转换到马氏降维子空间中，有效地处理高维数据问题，适用于高光谱遥感影像目标探测，对高维、小样本的目标探测问题有很好的鲁棒性，大大提高目标探测精度。

A Method and System for Target Detection in Hyperspectral Images Based on Maximum Edge Measure Learning

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，从像元中包含的背景光谱中区分出感兴趣的目标，这种方法的两个典型例子是自适应子空间探测器(adaptivematchedsubspacedetector，AMSD)和自适应余弦估计方法(adaptivecosine/coherenceestimator，ACE)。其中，AMSD方法是在噪声协方差矩阵未知、背景光谱和目标光谱已知的情况下，利用样本数据对噪声协方差矩阵进行估计，然后利用广义似然比构造匹配目标子空间的探测器。ACE方法则是假设噪声已经包含在背景中，是一种非结构化的基于广义似然比构造的探测算子，也是目标探测最优的方法之一。上述目标探测方法大多基于信号理论，依赖一定的统计假设，因此仅在符合条件的情况下取得较好的目标探测结果。除了经典的基于信号检测的目标探测方法外，近年来，高光谱目标探测中出现了一些基于机器学习理论的方法。例如，基于核方法，一些非线性版本的目标探测器能够有效的用于高光谱目标探测，如核子空间匹配探测器、核正交子空间投影等方法。机器学习中的测度学习也已经被成功用于高光谱影像处理中，例如分类、识别等领域(Weinberger,Blitzeretal.,2005；Jiao,Liuetal.,2012)。而就我们所知，目标探测实质是一个二分类问题，但是又与分类有很大区别，主要表现在：目标探测的训练样本尤其是目标样本信息是十分有限的，不足以用于测度学习，因此我们需要通过引入约束来用有限的训练样本将目标和背景最大程度地分离。
技术实现思路
本专利技术针对现有技术存在的不足，本专利技术提供了一种最大边缘测度学习的高光谱影像目标探测方法，该方法不需要特定的先验假设，能有效地利用少量先验样本，很好地处理高维的高光谱数据问题，保证目标和背景最大程度的分离，实现更高精度目标探测的目的。本专利技术的一种最大边缘测度学习的高光谱目标探测方法，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。优选的，在本专利技术的一种最大边缘测度学习的高光谱目标探测方法中，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。优选的，在本专利技术的一种最大边缘测度学习的高光谱目标探测方法中，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。优选的，在本专利技术的一种最大边缘测度学习的高光谱目标探测方法中，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。本专利技术还提供了一种最大边缘测度学习的高光谱目标探测系统，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；L＞1，N＞1，n＞1；目标函数构建模块，用于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；向量矩阵更新模块，用于从k＝1开始计算将T∪{τk}的结果更新为T直至计算到k＝n；测度矩阵M求解模块，用于通过拉格朗日乘子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；判断模块，用于判断是否小于预设收敛阈值P，如果是，则进行特征值与特征向量求解模块，如果否，则返回到目标函数构建模块直至满足判定条件；其中P为预设的值且小于1；特征值与特征向量求解模块，用于采本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：董燕妮，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42