【技术实现步骤摘要】
基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法
本专利技术属于遥感图像处理
,特别是一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法。
技术介绍
高光谱遥感异常目标检测是高光谱遥感的一个重要的应用方向。高光谱异常检测的目的是为了确定感兴趣目标的位置和类别,其本质是一个二分类问题,高分辨率为辨识不同地物目标提供了可能,不同物质的光谱差异使得高光谱图像中目标像元与背景像元存在差异,利用像元差异可以实现高光谱目标检测。传统目标检测方法一般需要先验光谱知识以及数据光谱校正,完备的光谱库现实中是不存在的,然而“同物异谱”和“同谱异物”现象的存在,使得很难获取特定成像条件下感兴趣目标准确的光谱信息。高光谱异常目标智能检测方法不依赖于目标先验知识,根据光谱像元是否符合背景统计特性从而将异常目标检测出来,因此研究具有较强实用性和普适性的高光谱异常目标智能检测方法是国内外的研究热点之一。传统的异常目标检测方法往往采用传统的向量和矩阵等数据表示形式,以光谱向量为处理单位的,即将像元中各波段灰度值排列为光谱特征向量,把整个图像张成二维矩阵。这种方法能够有效刻画像元的光谱特性,但弱化了影响局部区域的结构、纹理征等空间特征,破坏了高光谱原始数据的“图谱合一”结构,在处理过程中,高光谱数据的本质没有得到很好描述和充分挖掘潜在特性。张量是向量和矩阵的更高阶推广,张量表示的优点在于它能够保留不同维度的空间几何信息,如图像的大小、面积、方向、位置、形状、曲率等。张量表示所提供的分解和运算机制有益于大规模数据样本的处理与 ...
【技术保护点】
1.一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,包括如下步骤:/n步骤1,根据高阶奇异值分解构建空间维因子矩阵,提取高光谱图像的空间维度信息;具体为:/n
【技术特征摘要】
1.一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,包括如下步骤:
步骤1,根据高阶奇异值分解构建空间维因子矩阵,提取高光谱图像的空间维度信息;具体为:
N阶张量高阶奇异值分解是将张量分解成一个大小保持不变的核心张量与N个因子矩阵在各个模态乘积的形式;对于高光谱张量数据x,它的高阶奇异值分解形式:
其中为核心张量,核心张量的维数与原始张量x的维度是相同的,、分别为mode-1、mode-2的空间维因子矩阵,为mode-3光谱维因子矩阵;
构造空间维因子矩阵、:
其中表示对矩阵的奇异值分解,U,V为正交矩阵,S为对角矩阵,为高光谱数据x在第i个模态的矩阵展开形式;
步骤2,用聚类算法对高光谱数据的所有像元进行k个类别归类,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元,剩下的像元按每一簇进行计算其核空间异常指标,从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子;
步骤3,建立基于鲁棒光谱协方差距离正则化的高光谱图像异常目标检测模型,构造拉格朗日方程,逐步迭代求解某一个变量同时固定其余变量,求解异常目标检测模型,根据所求得的解得到异常目标。
2.根据权利要求1所述的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,用聚类算法对高光谱数据的所有像元进行k个类别归类,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元,剩下的像元按每一簇进行计算其核空间异常指标,从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子;具体过程如下:
对于任意两个高光谱图像的像元x和y,其核光谱角余弦表达式为:
其中是高斯径向核的宽度,为高斯核函数;
利用聚类算法对高光谱数据的所有像元进行k个类别归类,提取出最主要地物的所有像元,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元;接下来使用核光谱角余弦值算法,去除像元数小于P的类别后剩下的像元按每一簇进行计算其核空间异常指标,其计算方法为:对于一个待测像元y和同一类别内的像元集,将分别与同一类别的其他像元计算得到的核光谱角余弦值进行叠加,则y的核空间异常指标为:
最终选取叠加和最大的前P个像元作为的组成原子。
3.根据权利要求2所述的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,。
4.根...
【专利技术属性】
技术研发人员:李恒,魏洁,吴泽彬,覃富和,徐洋,韦志辉,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏;32
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。