高光谱图像的目标检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及一种高光谱图像的目标检测方法、装置、设备及存储介质。该方法包括：获取待检测的高光谱图像数据；利用分数傅里叶变换及约束能量最小化对高光谱图像数据进行粗搜索，得到初级阶次；在初级阶次的基础上，利用利用分数傅里叶变换及约束能量最小化进行精搜索，得到最优阶次；在最优阶次的范围内进行高光谱目标检测。采用上述方法或装置或设备通过基于分数阶傅里叶变换约束能量最小化算法进行粗搜索和精搜索，极大地提高了目标检测效率及准确率。

【技术实现步骤摘要】
高光谱图像的目标检测方法、装置、设备及存储介质
本专利技术涉及高光谱图像处理
，具体涉及一种高光谱图像的目标检测方法、装置、设备及存储介质。
技术介绍
近年来随着人们生活水平的提高、人类社会的进步，空中、地面、涉海、用海等活动越来越多，在这些领域的目标搜救任务也已成为国家应急救援体系的重要组成部分，是国家快速发展的重要保障。搜救具有更多的不可预见性，导致搜救难度的加大。随着传感器技术和光学设计技术等的发展，航空成像技术进入到能快速、动态、准确描述多类型观测数据的新阶段。将上述技术应用到搜救领域，可降低搜救难度。目前的搜救设备主要有雷达、机载光电成像系统等，机载光电成像系统作为获取航空图像的重要手段，越来越受到人们的重视。但以上成像设备存在局限性，对比度较差，且细节表现不丰富。因此近年来，国内外学者多年的研究，提出了许多高光谱目标检测算法。高光谱目标检测算法又分为无先验信息的目标检测和有先验信息的目标检测。其中，无先验信息的目标检测主要包括两种算法：RX(Reed-Xiaoli，RX)探测方法和核RX(kernelRX，KRX)探测方法。RX使用整个高光谱影像来估计背景协方差矩阵。KRX将原始RX模型表示在高维特征空间中，新特征空间中的决策区域比原始输入空间更为复杂。有先验信息的目标检测的检测算法有匹配滤波器、光谱匹配滤波器、自适应余弦估计、约束能量最小化(constrainedenergyminimization，CEM)。这些方法假设背景像素具有相同的协方差结构，但在两个假设下的均值不同，并采用极大似然比检测(generalizedlikelihoodratiotest，GLRT)。基于非线性光谱的目标检测算法主要有核方法和流形学习等，这些方法计算复杂度较高，检测效率低。总之，以上基于原始光谱特征的检测算法缺乏对目标信号的增强和背景抑制能力，目标检测性能还需改进。
技术实现思路
有鉴于此，本专利技术的目的在于克服现有技术的不足，提供一种高光谱图像的目标检测方法、装置、设备及存储介质。为实现以上目的，本专利技术采用如下技术方案：一种高光谱图像的目标检测方法，包括：获取待检测的高光谱图像数据；利用分数傅里叶变换及约束能量最小化对所述高光谱图像数据进行粗搜索，得到初级阶次；在所述初级阶次的基础上，利用利用分数傅里叶变换及约束能量最小化进行精搜索，得到最优阶次；在所述最优阶次的范围内进行高光谱目标检测。可选的，所述利用分数傅里叶变换及约束能量最小化对所述高光谱图像数据进行粗搜索，得到初级阶次，包括：利用所述分数傅里叶变换对所述高光谱图形数据进行处理，得到变换域；在所述变换域的基础上进行约束能量最小化处理，得到目标图像；对所述目标图像结合ROC曲线下面积大小进行计算，得到所述初级阶次。可选的，所述在所述变换域的基础上进行约束能量最小化处理，得到目标图像，包括：根据所述高光谱图像数据计算对应的相关矩阵；根据所述相关矩阵计算滤波系数；利用所述滤波系数结合所述高光谱图像数据和预设目标光谱计算，得到目标图像。可选的，所述对所述目标图像结合ROC曲线下面积大小进行计算，得到所述初级阶次，包括：根据公式计算所述初级阶次P，其中，AUC为ROC曲线下面积。可选的，所述获取待检测的高光谱图像数据，包括：获取原始高光谱图像数据；对所述原始高光谱图像数据进行预处理，得到所述待检测的高光谱图像数据。可选的，还包括：将所述待检测的高光谱图像数据由三维数据转为二维数据，得到最终的所述高光谱图像数据。一种高光谱图像的目标检测装置，包括：图像数据获取模块，用于获取待检测的高光谱图像数据；粗搜索模块，用于利用分数傅里叶变换及约束能量最小化对所述高光谱图像数据进行粗搜索，得到初级阶次；精搜索模块，用于在所述初级阶次的基础上，利用利用分数傅里叶变换及约束能量最小化进行精搜索，得到最优阶次；目标检测模块，用于在所述最优阶次的范围内进行高光谱目标检测。可选的，所述粗搜索模块，包括：分数傅里叶变换单元，用于利用所述分数傅里叶变换对所述高光谱图形数据进行处理，得到变换域；约束能量最小化处理单元，用于在所述变换域的基础上进行约束能量最小化处理，得到目标图像；初级阶次计算单元，用于对所述目标图像结合ROC曲线下面积大小进行计算，得到所述初级阶次。一种高光谱图像的目标检测设备，包括：处理器，及与所述处理器相连接的存储器；所述存储器用于存储计算机程序，所述计算机程序至少用于执行上述所述的高光谱图像的目标检测方法；所述处理器用于调用并执行所述存储器中的所述计算机程序。一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如上述所述的高光谱图像的目标检测方法中各个步骤。本申请提供的技术方案可以包括以下有益效果：本申请中公开了一种高光谱图像的目标检测方法，包括：获取高光谱图像数据，对高光谱图像数据利用分数傅里叶变换(FractionalFouriertransform，FrFT)及约束能量最小化(Constrainedenergyminimization，CEM)进行粗搜索，得到初级阶次，然后在初级阶次的基础上，再利用FrFT和CEM进行精搜索，得到最优阶次，然后结合最优阶次在对应范围内进行高光谱目标检测。上述方法中采用了基于分数傅里叶变换结合约束能量最小化的高光谱目标检测，同时在此过程中还分别进行粗搜索和精搜索，引入分级搜索最优次的方法，极大地提高了分数阶次的最优性，使抑制背景突出目标的效果显著，增大了搜索精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例提供的高光谱图像的目标检测方法的流程图；图2是本专利技术一实施例提供的高光谱图像的目标检测装置的模块图；图3是本专利技术一实施例提供的高光谱图像的目标检测设备的结构图；图4是本专利技术一实施例提供的不同检测方法在HyMap数据集上的ROC曲线图；图5是本专利技术一实施例提供的不同检测方法在SanDiego数据集上的ROC曲线图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行详细的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本专利技术所保护的范围。图1是本专利技术实施例一提供的高光谱图像的目标检测方法的流程图。参见图1，一种高光谱图像的目标检测方法，包括：...

【技术保护点】
1.一种高光谱图像的目标检测方法，其特征在于，包括：/n获取待检测的高光谱图像数据；/n利用分数傅里叶变换及约束能量最小化对所述高光谱图像数据进行粗搜索，得到初级阶次；/n在所述初级阶次的基础上，利用利用分数傅里叶变换及约束能量最小化进行精搜索，得到最优阶次；/n在所述最优阶次的范围内进行高光谱目标检测。/n

【技术特征摘要】
1.一种高光谱图像的目标检测方法，其特征在于，包括：
获取待检测的高光谱图像数据；
利用分数傅里叶变换及约束能量最小化对所述高光谱图像数据进行粗搜索，得到初级阶次；
在所述初级阶次的基础上，利用利用分数傅里叶变换及约束能量最小化进行精搜索，得到最优阶次；
在所述最优阶次的范围内进行高光谱目标检测。


2.根据权利要求1所述的方法，其特征在于，所述利用分数傅里叶变换及约束能量最小化对所述高光谱图像数据进行粗搜索，得到初级阶次，包括：
利用所述分数傅里叶变换对所述高光谱图形数据进行处理，得到变换域；
在所述变换域的基础上进行约束能量最小化处理，得到目标图像；
对所述目标图像结合ROC曲线下面积大小进行计算，得到所述初级阶次。


3.根据权利要求2所述的方法，其特征在于，所述在所述变换域的基础上进行约束能量最小化处理，得到目标图像，包括：
根据所述高光谱图像数据计算对应的相关矩阵；
根据所述相关矩阵计算滤波系数；
利用所述滤波系数结合所述高光谱图像数据和预设目标光谱计算，得到目标图像。


4.根据权利要求2所述的方法，其特征在于，所述对所述目标图像结合ROC曲线下面积大小进行计算，得到所述初级阶次，包括：
根据公式计算所述初级阶次P，其中，AUC为ROC曲线下面积。


5.根据权利要求1所述的方法，其特征在于，所述获取待检测的高光谱图像数据，包括：
获取原始高光谱图像数据；
对所述原始高光谱图像数据进行预处理，得到所述待检测的高光谱图像数据。

【专利技术属性】
技术研发人员：陶然，李伟，赵晓彬，马鹏阁，李玲玲，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11