【技术实现步骤摘要】
一种联合空间稀疏与相关性的高光谱目标检测算法
本专利技术属于数字图像处理领域，具体涉及一种联合空间稀疏与相关性的高光谱目标检测算法。
技术介绍
高光谱图像数据包含有关场景中材料特性的空间和光谱信息，可用于检测和识别图像中感兴趣的目标。目标检测是高光谱图像分析的重要任务之一。现有目标检测方法大多侧重于利用光谱信息，而忽略了高光谱空间中可用的空间信息。约束能量最小化(CEM)算法在高光谱图像目标检测中得到了广泛的应用。该方法与大多数目标检测算法一样，侧重于光谱信息的利用，忽略了图像中嵌入的空间信息。光谱变异性和混合像素干扰是高光谱图像数据开发算法需要解决和克服的主要障碍。光谱变异性会导致同一物体呈现出不同光谱。受此影响，现有的仅依赖光谱信息的检测器在检测结果中往往会出现许多噪声。空间信息的使用有助于减少光谱变异性的影响。然而，对于检测任务而言，空间信息的使用并不容易，其难点在于：首先，如何提取合理适用的空间特征(例如，当目标被部分遮挡或形状未知时，形状的空间信息不可用)；其次，如何在数据处理过程中整合光谱信息和多种空间信息；由于这些困难，现有目标检测方法基本上都没有有...
【技术保护点】
1.一种联合空间稀疏与相关性的高光谱目标检测算法，其特征在于：包括如下步骤：步骤一：对检测器的输出加入空间稀疏性约束与空间相关性约束；步骤二：将步骤一中两个约束所形成的空间稀疏正则项和空间相关正则项引入到经典的CEM算法目标函数中，形成通用处理框架的最优化问题目标函数；步骤三：对步骤二所形成的目标函数中的正则项参数进行设置，形成最终选择的最优化问题目标函数；步骤四：针对待检测的高光谱图像，用交替方向乘子法(ADMM)方法求解步骤三的最优化问题；步骤五：设置门限，将步骤四中所得到的输出结果逐像元与门限对比，判定待检测高光谱图像的像元是否为检测目标，如果大于门限，判断为目标。
【技术特征摘要】
1.一种联合空间稀疏与相关性的高光谱目标检测算法，其特征在于：包括如下步骤：步骤一：对检测器的输出加入空间稀疏性约束与空间相关性约束；步骤二：将步骤一中两个约束所形成的空间稀疏正则项和空间相关正则项引入到经典的CEM算法目标函数中，形成通用处理框架的最优化问题目标函数；步骤三：对步骤二所形成的目标函数中的正则项参数进行设置，形成最终选择的最优化问题目标函数；步骤四：针对待检测的高光谱图像，用交替方向乘子法(ADMM)方法求解步骤三的最优化问题；步骤五：设置门限，将步骤四中所得到的输出结果逐像元与门限对比，判定待检测高光谱图像的像元是否为检测目标，如果大于门限，判断为目标。2.根据权利要求1所述的一种联合空间稀疏与相关性的高光谱目标检测算法，其特征在于：所述步骤二中的空间稀疏正则项使用向量的1范数对检测器输出直接施加稀疏正则，空间相关正则项使用TV正则，得到的通用处理框架的最优化问题目标函数为：式(1)中，X为待检测的高光谱图像，d为感兴趣的目标光谱，w为检测器的系数，是优化变量，wTX即为检测器的输出，是经典CEM方法的目标函数，是高光谱图像X的自相关矩阵的估计值，||wTX||1是对输出的空间稀疏正则，Jsp(wTX)是对输出的空间相关正则，μ和γ是控制目标函数中各个正则项的强度的参数，式(2)是所使用的TV型空间正则，N是高光谱图像中包含像元的总数，n∈{1，…，N}是图像中像元的索引序号，xn是高光谱图像中像元n的光谱向量，表示像元n的相邻像元集合。3.根据权利要求2所述的一种联合空间稀疏与相关性的高光谱目标检测算法，其特征在于：所述式(2)也可以写成矩阵形式：Jsp(wTX)＝||wTXH||1(3)H＝[H←，H↑]是一个(N×2N)的二维矩阵，H←计算每个像元和它左邻像元的差，H↑计算每个像元和它上邻像元的差。4.根据权利要求2所述的一种联合空间稀疏与相关...
【专利技术属性】
技术研发人员：杨小丽，陈捷，张毅，
申请(专利权)人：西安航空学院，
类型：发明
国别省市：陕西,61
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。