基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统技术方案

本发明专利技术公开了一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统，所述方法包括以下步骤：根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。本发明专利技术能够对高光谱海洋图像数据进行快速、准确的舰船检测。

【技术实现步骤摘要】
基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统
本专利技术属于遥感图像处理
，特别是一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统。
技术介绍
高光谱遥感技术也称为成像光谱学，自上世纪80年代初诞生以来，如今已经逐渐成为一个颇具特色的前沿遥感技术。它通过机载或者星载上的传感器远距离收集地物辐射的信息，不同地物的电磁波特征不同，因此可以作为区分不同地物的依据。高光谱遥感是在传统的多光谱遥感技术的基础上，进一步提高其光谱分辨率。通常多光谱数据由5到10个带宽为70-400nm的波段组成，而高光谱图像数据则由100到200个带宽为5-10nm的波段组成，包含了近红外区域以及可见光波长范围，这就使得高光谱数据相比于传统的多光谱数据具有更丰富的光谱信息，弥补了多光谱数据不足的缺陷。同时，高光谱数据还具有“图谱合一”的特点，其数据可以从两个维度上观察，在空间维度上，每个像元都对应着一条连续的光谱曲线，而在光谱维度上，每一个波段上都有着一幅与地物对应的传统二维图像。因此，高光谱遥感技术被广泛应用于气体检测、地质识别、海洋环境和军事应用等多个领域。基于传统的低秩表示和稀疏约束的异常目标检测算法，由于在求解过程中，平等地对待各奇异值的权重，往往在背景比较复杂地情况下，会对背景地一些细节部分造成误判，导致检测结果出现较多的虚警目标。通过以上描述，如何降低虚警目标数量，提高低秩表示和稀疏约束模型对背景细节描述准确性是亟待解决的问题。
技术实现思路
<br>本专利技术的目的在于提供一种速度快、精度高的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统。实现本专利技术目的的技术解决方案为：一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，包括以下步骤：根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。本专利技术还提供一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测系统，包括：自适应背景学习模块，根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；模型构建模块，根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；权重更新模块，在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；目标检测模块，对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。本专利技术与现有技术相比，其显著优点在于：(1)利用改进的奇异值分解算法对背景训练样本进行自适应背景字典学习，得到了一个过完备的背景字典；(2)通过引入自适应权重核范数近似的方法，刻画了复杂背景纹理和边缘信息，提高了对高光谱海洋图像舰船目标检测的能力。下面结合附图详细说明本文专利技术提供的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法。附图说明图1是本专利技术基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法的流程图。图2为本专利技术实施例的伪彩色图像和舰船目标的分布图像示意图。具体实施方式结合图1，本专利技术基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，具体过程为：步骤1，根据改进的奇异值分解算法对背景训练样本进行自适应背景学习：对于背景的训练样本yB∈Rm×n，m和n表示的是矩阵行和列的个数，根据数学模型计算背景字典，公式如下：式中，AB为背景字典，γ为稀疏向量，K为稀疏度。由于上述问题有两个变量需要优化，一般通过固定其中一个变量，优化另一个变量，再以交替固定更新优化的方式进而求解。因此，将问题分解为稀疏编码和字典更新两个部分。假设现在更新迭代的次数为i，那么更新的具体过程如下：首先在稀疏编码阶段，利用正交匹配追踪算法计算稀疏系数矩阵γ。然后在字典更新阶段，按列对字典Ai的每一列ak进行更新，k＝1，2，...,M，M为字典列的个数：(1)定义ωm是稀疏系数矩阵第m个行向量非零元素索引的集合。(2)更新ak的时候，计算误差矩阵(3)定义E'm是Em中对应ωm不为零的列(4)对E'm作奇异值分解E'm＝U∑VT，ak更新为U的第一列，同时，更新系数向量(5)i＝i+1最终通过迭代计算直至达到迭代次数或者收敛到指定的误差，自适应学习得到背景字典。步骤2，根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模：(2.1)高光谱海洋图像数据中所有像元可以分为背景和舰船目标部分，那么原始高光谱海洋图像数据Y∈RB×N，B是高光谱海洋图像数据的波段数，N是所有像元的个数，则可以分解为：Y＝AX+T其中，A为背景字典，X为系数向量，T为舰船目标。(2.2)由于大部分像元应该归为海洋背景部分，系数X具有低秩的特性；舰船目标在海洋中稀疏存在的，具有稀疏特性。因此可以给出基于低秩表示和稀疏约束的舰船目标检测数学模型：s.t.Y＝AX+T其中，||·||*为矩阵的核范数，||·||1为矩阵的l1范数，作为稀疏约束项，||·||2，1为矩阵的l2,1范数。λ和β都是用来调节相应的矩阵在式中占据的权重。步骤3，在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的：通过步骤2中获得低秩表示和稀疏约束的舰船目标检测模型，利用自适应权重核范数近似的方式，将模型转化为如下模型：s.t.Y＝AX+T其中，||X||ω,*为矩阵自适应权重的核范数。步骤4，对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测：首先，需要对原目标函数进行解耦操作，通过引入一个变量Z，使得X＝Z，那么问题就变成：s.tY＝AX+T,X＝Z那么，上式的广义拉格朗日函数就可以给出：其中(Y1,Y2)是拉格朗日乘子，μ＞0是惩罚系数，以及由于该问题涉及到多变量的优化，可以采用交替更新某个变量，与此同时，保持其他变量不变的方式求解，假设现在更新迭代的次数为k，那么更新的具体过程如下：(1)固定Z和T，更新X：(2)固定X和T，更新Z：(3)固定X和Z，更新T：最终，通过多次迭代，得到我们要求的稀疏矩阵T即舰船目标。本专利技术还提供一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测系统，包括：自适应背景学习模块，根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；模型构建模块，根据低秩表示和稀疏约束本文档来自技高网...

【技术保护点】
1.一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，其特征在于，包括：/n根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；/n根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；/n在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；/n对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。/n

【技术特征摘要】
1.一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，其特征在于，包括：
根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；
根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；
在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；
对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。


2.根据权利1所述的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，其特征在于，所述根据改进的奇异值分解算法对背景训练样本进行自适应背景学习，具体如下：
对于背景的训练样本yB∈Rm×n，m和n表示的是矩阵行和列的个数，根据数学模型计算背景字典，公式如下：



式中，AB为背景字典，γ为稀疏向量，K为稀疏度；
由于上述问题有两个变量需要优化，通过固定其中一个变量，优化另一个变量，再以交替固定更新优化的方式进而求解；因此，将问题分解为稀疏编码和字典更新两个部分；假设现在更新迭代的次数为i，那么更新的具体过程如下：
首先在稀疏编码阶段，利用正交匹配追踪算法计算稀疏系数矩阵γ；
然后在字典更新阶段，按列对字典Ai的每一列ak进行更新，k＝1,2,...,M，M为字典列的个数：
(1)定义ωm是稀疏系数矩阵第m个行向量非零元素索引的集合；
(2)更新ak的时候，计算误差矩阵
(3)定义E'm是Em中对应ωm不为零的列；
(4)对E'm作奇异值分解E'm＝U∑VT，ak更新为U的第一列，同时，更新系数向量
(5)i＝i+1；
最终通过迭代计算直至达到迭代次数或者收敛到指定的误差，自适应学习得到背景字典。


3.根据权利要求1所述的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，其特征在于，所述根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模，具体步骤如下：
高光谱海洋图像数据中所有像元可分为背景和舰船目标部分，那么原始高光谱海洋图像数据Y∈RB×N，则可以分解为：
Y＝AX+T
其中，A为背景字典，X为系数向量，T为舰船目标，B是高光谱海洋图像数据的波段数，N是所有像元的个数；
给出基于低秩表示和稀疏约束的舰船目标检测数学模型：



s.t.Y＝AX+T
其中，||·||*为矩阵的核范数，||·||1为矩阵的l1范数，作为稀疏约束项，||·||2，1为矩阵的l2,1范数；λ和β都是用来调节相应的矩阵在式中占据的权重。


4.根据权利要求1所述的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，其特征在于，所述在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的，具体如下：
通过上一步获得的低秩表示和稀疏约束的舰船目标检测模型，利用自适应权重核范数近似的方式，将模型转化为如下模型：



s.t.Y＝AX+T
其中，||X||ω,*为矩阵自适应权重的核范数。


5.根据权利要求1所述的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，其特征在于，所述对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测，具体如下：
首先，对原目标函数进行解耦操作，通过引入一个变量Z，使得X＝Z，那么问题就变成：



s.tY＝AX+T,X＝Z
那么，上式的广义拉格朗日函数就可以给出：



其中(Y1,Y2)是拉格朗日乘子，μ＞0是惩罚系数，以及



采用交替更新某个变量，与此同时，保持其他变量不变的方式求解，假设现在更新迭代的次数为k，那么更新的具体过程如下：
(1)固定Z和T，更新X：



(2)固定X和T，更新Z：



(3)固定X和Z，更新T：



最终，通过多次迭代，得到稀疏矩阵T，即舰船目标。


6.一种基于自适应权重核范数...

【专利技术属性】
技术研发人员：袁飞，吴泽彬，徐洋，韦志辉，陆威，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32