【技术实现步骤摘要】
基于随机森林测度学习的高光谱图像目标探测方法及系统
本专利技术涉及遥感图像处理领域，尤其涉及一种基于随机森林测度学习的高光谱图像目标探测方法及系统。
技术介绍
光谱遥感图像处理在物质信息探测方面有着重要的地位，是遥感领域的重要课题。高光谱遥感图像能提供连续的辐射光谱波段，承载着丰富的地物信息，能用于处理不同的应用领域，如房屋的变化检测、农作物评估、地质矿产资源调查等。高光谱遥感图像处理领域中，目标探测问题是其中的一个主要任务，所谓目标探测即将感兴趣的像元与非目标像元分离的过程，其本质是一个二分类的问题。现有目标探测方法主要是基于线性光谱混合模型的方法研究，即将图像中的像元视为由包括目标端元、背景端元在内的多种端元，并按其在像元内组分线性加和而成，目标探测问题就转换为寻找各个像元内目标端元的存在性问题。随机森林作为一种分类器，已经被成功地运用到高光谱遥感图像分类中，基于随机森林的分类方法能处理高维数据并对样本噪声有很好的鲁棒性，但是需要大量的先验训练样本，才能取得比较好的效果。但是，在目标探测应用中，高光谱遥感图像往往具有光谱可变性的特点，会导致目标训练样本极其有限...
【技术保护点】
1.一种基于随机森林测度学习的高光谱图像目标探测方法，其特征在于：包括以下步骤：S101：从待探测的高光谱遥感图像X上选择n个训练样本；所述高光谱遥感图像X为L×N的矩阵，L为所述遥感图像X的波段数，N为所述遥感图像X的像元数；其中，N个像元包括若干个目标像元和若干个背景像元；所述目标像元为高光谱遥感图像X上待探测部分的像元，所述背景像元为除去目标像元后剩下的其它像元；所述n个训练样本为随机从所述目标像元和所述背景像元中共同选择的n个像元组成，且n小于N；S102：根据所述n个训练样本，通过融合标准相对位置和绝对成对位置信息构成映射函数，并将构成的映射函数作为随机森林的决策...
【技术特征摘要】
1.一种基于随机森林测度学习的高光谱图像目标探测方法，其特征在于：包括以下步骤：S101：从待探测的高光谱遥感图像X上选择n个训练样本；所述高光谱遥感图像X为L×N的矩阵，L为所述遥感图像X的波段数，N为所述遥感图像X的像元数；其中，N个像元包括若干个目标像元和若干个背景像元；所述目标像元为高光谱遥感图像X上待探测部分的像元，所述背景像元为除去目标像元后剩下的其它像元；所述n个训练样本为随机从所述目标像元和所述背景像元中共同选择的n个像元组成，且n小于N；S102：根据所述n个训练样本，通过融合标准相对位置和绝对成对位置信息构成映射函数，并将构成的映射函数作为随机森林的决策树的输入，进而构成随机森林；S103：对所述随机森林中的所有决策树进行平均运算，得到最终的测度距离函数模型；S104：采用所述测度距离函数模型对所述待探测的高光谱遥感图像X上的各像元和训练样本中的任意某个目标像元之间的测度距离分别进行计算，得到X上所有像元和训练样本中的任意某个目标像元之间的测度距离探测统计值；所述探测统计值为一个包含有N个元素的向量，且各元素对应的值为X上各像元和训练样本中的任意某个目标像元之间的测度距离；S105：根据所述探测统计值，对所述待探测的高光谱遥感图像X上的目标像元进行探测，得到探测结果。2.如权利要求1所述的一种基于随机森林测度学习的高光谱图像目标探测方法，其特征在于：步骤S102中，所述映射函数的表达式如公式(1)所示：上式中，xi和xj为所述n个训练样本中任意两个成对出现的样本，即样本对；其中i和j的取值范围均为[1,n]；u(xi,xj)为xi和xj样本对的相对位置；v(xi,xj)为xi和xj样本对的绝对成对位置。3.如权利要求2所述的一种基于随机森林测度学习的高光谱图像目标探测方法，其特征在于：步骤S102中，所述随机森林是T个决策树的组合，每一棵决策树独立地对训练数据进行分类；其中，T为决策树的总数目，f(·)是决策树的目标输出，θt为第t个决策树中待训练的参数，x表示所述训练样本中的某个像元。4.如权利要求3所述的一种基于随机森林测度学习的高光谱图像目标探测方法，其特征在于：步骤S103中，所述测度距离函数模型如公式(2)所示：上式中，xi和xj为所述n个训练样本中任意两个成对出现的样本；其中i和j的取值范围均为[1,n]。5.如权利要求4所述的一种基于随机森林测度学习的高光谱图像目标探测方法...
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。