一种基于自监督光谱匹配框架的高光谱目标检测方法技术

本发明专利技术公开了一种基于自监督光谱匹配框架的高光谱目标检测方法，首先，通过预检测器对目标和背景进行粗糙分类；根据预检测器的检测结果得分，进一步对目标和背景数据进行聚类，将整个数据分为不同的子类别，降低目标和背景的类内差异；其次，选取聚类中心作为类别代表性样本，并通过不同的权重线性组合生成大量的训练数据，采用训练数据通过有监督方式对光谱匹配网络进行训练；最后，通过基于样本对的损训练光谱匹配网络，使目标像素之间的距离最小，使目标与背景之间的距离最大化，完成目标检测。本发明专利技术通过由粗到细的检测方式，实现对复杂背景像素进行建模，可以提升特征的鉴别能力，提高检测精度。

【技术实现步骤摘要】
一种基于自监督光谱匹配框架的高光谱目标检测方法
本专利技术属于计算机视觉
，具体涉及一种高光谱目标检测方法。
技术介绍
高光谱目标检测是一个像素级的目标识别问题，给予少量的先验目标像素，它旨在识别整个图像中所有目标像素。不同于普通的RGB图像，高光谱图像同时包含了空间以及成百上千个波段的光谱信息。由于丰富的光谱信息，高光谱图像直接可以通过光谱差异检测地面中像素较少的目标，但这仍然是一个相当具有挑战性的任务。因为目标通常很小，背景占据了大部分图像，目标数据在图像中往往占据很少比例，这导致了目标和背景样本的极度不均衡。同时背景数据复杂而多样，存在一些与目标像素非常相似的背景。更糟糕的是，该任务为弱标注任务，只给出了少量的目标像素。目前，高光谱目标检测方法主要包括信号处理、稀疏表示和深度学习三类：首先是信号处理算法。它是一种在特定情况下简单有效的方法，但是无法处理复杂场景。如Farrand等人在文献“W.H.FarrandandJ.C.Harsanyi,MappingthedistributionofminetailingsintheCoeurd’AleneRiverValley,Idaho,throughtheuseofaconstrainedenergyminimizationtechnique.RemoteSensingofEnvironment,vol.59,no.1,pp.64–76,1997”中提出通过脉冲响应滤波抑制背景像素的响应值，并优化整体能量最小化，从而将目标样本与背景分离。如果背景很复杂，图像中包含与目标非常相似的光谱，这种方法往往不能较好的分离目标和背景像素。此外，类内样本差异过大也可能导致方法不可靠。其次是稀疏表示方法。高光谱像素可以稀疏地表示为过完备光谱字典里几个元素的线性组合，其中光谱字典一些是目标光谱，另一些属于背景光谱。稀疏约束优化问题通过正交匹配追踪算法来解决。如Chen等人在文献“Y.Chen,N.M.Nasrabadi,andT.D.Tran,Sparserepresentationfortargetdetectioninhyperspectralimagery.IEEEJournalofSelectedTopicsinSignalProcessing,vol.5,no.3,pp.629–640,2011.”中采用了双窗口的方式，能够有效利用局部空间信息。最终待测样本可由周围环境共同代表背景像素和给定的目标像素作为字典，同时分别计算目标和背景光谱的重建误差，最后通过比较目标和背景重建差异判断像素类别。然而，基于稀疏的方法直接采用像素的原始光谱作为稀疏字典，原始像素包含冗余信息，会导致特征区分性不够。最后一种是深度学习方法。深度学习在许多高光谱和遥感任务中取得了巨大成功。受益于大量的训练数据和强大的特征提取能力，深层网络可以学习到更好的特征表示。然而在高光谱目标检测任务中，训练数据和标注很少。因此，直接采用常用的深度学习模式训练容易发生过拟合问题。为了解决这个问题，数据扩充和设计良好的模型是必要的。如Du等人在文献“W.Xie,J.Yang,J.Lei,Q.Du,andY.Li,SRUN:spectralregularizedunsupervisednetworksforhyperspectraltargetdetection.IEEETransactionsonGeoscienceandRemoteSensing,vol.58,no.2,pp.1463-1474.”提出了一种基于谱正则的变分自编码机(VAE)框架。该方法通过编码解码网络结构以及重构损失进行训练，能够从大量无标注数据中学习到有效信息，获取良好的光谱特征表示。
技术实现思路
为了克服现有技术的不足，本专利技术提供了一种基于自监督光谱匹配框架的高光谱目标检测方法，首先，通过预检测器对目标和背景进行粗糙分类；根据预检测器的检测结果得分，进一步对目标和背景数据进行聚类，将整个数据分为不同的子类别，降低目标和背景的类内差异；其次，选取聚类中心作为类别代表性样本，并通过不同的权重线性组合生成大量的训练数据，采用训练数据通过有监督方式对光谱匹配网络进行训练；最后，通过基于样本对的损训练光谱匹配网络，使目标像素之间的距离最小，使目标与背景之间的距离最大化，完成目标检测。本专利技术通过由粗到细的检测方式，实现对复杂背景像素进行建模，可以提升特征的鉴别能力，提高检测精度。本专利技术解决其技术问题所采用的技术方案包括以下步骤：步骤1：高光谱图像数据预处理；采用最大最小归一化法对高光谱图像进行归一化处理：计算高光谱图像的像素最大值M1和最小值M2，对高光谱图像中的每个像素x，按照式(1)进行归一化，归一化的结果为x′：x′＝(x-M2)/(M1-M2)(1)步骤2：构造CEM检测器；采用CEM算法，通过脉冲响应滤波使高光谱图像总体能量最小化，通过最小化目标函数式(2)得到CEM检测器；其中w为脉冲响应滤波，R为协方差矩阵，d为先验目标光谱；其中，h为待测高光谱图像样本；步骤3：聚类与代表性样本选取；将高光谱图像输入CEM检测器，高光谱图像的像素被分为背景集Hb和目标集Ht；通过k-means聚类方法分别对背景集Hb和目标集Ht进行聚类，背景集Hb被聚类为N1个类别，目标集Ht被聚类为N2个类别，令N＝N1+N2；选取N个类别的聚类中心作为类别代表性样本，记为C＝[c1,c2,c3,…,cN]；步骤4：仿真训练样本生成；根据光谱混合特性，对于N个类别代表性样本C＝[c1,c2,c3,…,cN]，通过生成权重对样本进行线性组合产生样本；线性组合的权重计算公式为：其中T为温度参数，控制生成权重的分布，zi和zj为从0到1之间采样的随机数；生成的新样本数据集为H′＝α·C，α＝[α1,α2,α3,…,αN]；每个新样本数据对应的类别标签为计算该新样本数据时最大权重对应的类别代表性样本；步骤5：构造和训练光谱匹配网络；构造光谱匹配网络，网络结构如下：特征嵌入网络结构为一个三层的网络，包括一个卷积核为1*3的1D卷积层和2个全连接层；训练光谱匹配网络所需要最小化的损失函数为：其中f为嵌入核，即光谱匹配网络；fi为yi对应的特征，f+为y+对应的特征，fT为y对应的特征；y为样本，y+为与y类别相同的正样本，为负样本；训练完成后将原始数据输入网络中，通过网络进行标签分配，生成伪标签，进一步迭代训练；通过新样本数据集对光谱匹配网络进行自监督的预训练，获取一个能够提取光谱特征的网络模型；接着将高光谱图像数据再次作为网络输入，并根据步骤3的聚类结果作为样本的类别标记，训练之后获取最终的光谱匹配网络；步骤6：光谱相似度目标检测；将待测高光谱图像和先验目标光谱输入步骤5训练完成的最终的光谱匹配网络，计算待测高光谱图像和先验目标光谱的相似度，如果本文档来自技高网...

【技术保护点】
1.一种基于自监督光谱匹配框架的高光谱目标检测方法，其特征在于，包括以下步骤：/n步骤1：高光谱图像数据预处理；/n采用最大最小归一化法对高光谱图像进行归一化处理：/n计算高光谱图像的像素最大值M

【技术特征摘要】
1.一种基于自监督光谱匹配框架的高光谱目标检测方法，其特征在于，包括以下步骤：
步骤1：高光谱图像数据预处理；
采用最大最小归一化法对高光谱图像进行归一化处理：
计算高光谱图像的像素最大值M1和最小值M2，对高光谱图像中的每个像素x，按照式(1)进行归一化，归一化的结果为x′：
x′＝(x-M2)/(M1-M2)(1)
步骤2：构造CEM检测器；
采用CEM算法，通过脉冲响应滤波使高光谱图像总体能量最小化，通过最小化目标函数式(2)得到CEM检测器；



s.t.wTd＝1(2)
其中w为脉冲响应滤波，R为协方差矩阵，d为先验目标光谱；



其中，h为待测高光谱图像样本；
步骤3：聚类与代表性样本选取；
将高光谱图像输入CEM检测器，高光谱图像的像素被分为背景集Hb和目标集Ht；通过k-means聚类方法分别对背景集Hb和目标集Ht进行聚类，背景集Hb被聚类为N1个类别，目标集Ht被聚类为N2个类别，令N＝N1+N2；选取N个类别的聚类中心作为类别代表性样本，记为C＝[c1,c2,c3,…,cN]；
步骤4：仿真训练样本生成；
根据光谱混合特性，对于N个类别代表性样本C＝[c1,c2,c3,…,cN]，通过生成权重对样本进行线性组合产生样本；线性组合的权重...

【专利技术属性】
技术研发人员：袁媛，姚璨，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61