本发明专利技术属于高光谱遥感异常目标检测领域，具体公开一种CASI高光谱数据异常目标检测方法，包括：步骤(1)、将高光谱三维图像矩阵转换为二维矩阵L；步骤(2)、对高光谱CASI数据进行中值滤波MF处理；步骤(3)、对高光谱CASI数据进行主成分分析PCA处理；步骤(4)、对高光谱CASI数据进行GRX检测和阈值分割处理。本发明专利技术方法通过采用MF方法对CASI数据进行平滑滤波去噪，通过采用PCA方法对高光谱数据进行降维，实现了对CASI高光谱数据异常目标的检测。了对CASI高光谱数据异常目标的检测。了对CASI高光谱数据异常目标的检测。
【技术实现步骤摘要】
一种CASI高光谱数据异常目标检测方法
[0001]本专利技术属于高光谱遥感异常目标检测领域，具体涉及一种CASI高光谱数据异常目标检测方法。
技术介绍
[0002]高光谱CASI数据可以识别检测地面的小目标，高光谱技术弱小目标探测技术在地质调查、战场侦察等领域有重要的用途。
[0003]高光谱数据的弱小目标检测又叫高光谱异常目标检测，属于高光谱目标检测范畴。由于高光谱数据具有图谱合一、高光谱分辨率、高空间分辨率等特点，在检测图像中的弱小目标方面具有非常大的优势。弱小目标一般为：
①
具有一定空间形状的、较小的目标(如车辆、飞机等)；
②
空间形状不能分辨的、仅占几个象素或者一个象素内的目标。
[0004]如果已经知道目标地物的先验光谱信息实现了高光谱目标检测的称为光谱匹配检测。但实际检测多数情况下多数不能得到目标地物光谱信息，如果不知道目标的先验光谱信息直接将不符合背景特性的像元判定为目标的高光谱目标检测被称为高光谱异常目标检测，具有“盲检测”的特性，是目前高光谱目标检测的研究热点。
[0005]高光谱异常目标检测方法不同于传统的遥感目标检测方法，异常目标属于无监督目标检测，不需要知道目标光谱信号的先验信息，直接对高光谱数据做统计处理，根据统计特性的不同判断异常目标。经典高光谱异常目标检测方法包括RX(Reed and Xiao)方法，RX方法又派生出GRX(Global RX，GRX)方法、LRX(Local RX，LRX)方法、KRX(Kernel RX，KRX)方法等多种方法。
[0006]其中，GRX方法为全局RX，LRX方法为局部RX。GRX方法要求图像背景符合高斯分布，适合光谱波段较少的目标检测。LRX方法要求图像背景复杂符合多维高斯随机分布，使用局部背景窗口和目标窗口滑动进行异常目标检测。KRX方法需要检测过程中需要使用核矩阵，选择合适的核矩阵非常不容易，而且计算量非常大。
[0007]然而，CASI高光谱数据虽然背景符合高斯分布，但波段数非常多，同时图像数噪声比较大，上述经典高光谱异常目标检测方法难以实现CASI高光谱数据异常目标检测。
[0008]因此，亟待开发一种检测方法，能够实现CASI高光谱数据异常目标检测。
技术实现思路
[0009]本专利技术的目的在于提供一种CASI高光谱数据异常目标检测方法，该方法通过采用MF方法对CASI数据进行平滑滤波去噪，通过采用PCA方法对高光谱数据进行降维，实现了对CASI高光谱数据异常目标的检测。
[0010]实现本专利技术目的的技术方案：一种CASI高光谱数据异常目标检测方法，所述方法包括以下步骤：
[0011]步骤(1)、将高光谱三维图像矩阵转换为二维矩阵L；
[0012]步骤(2)、对高光谱CASI数据进行中值滤波MF处理；
[0013]步骤(3)、对高光谱CASI数据进行主成分分析PCA处理；
[0014]步骤(4)、对高光谱CASI数据进行GRX检测和阈值分割处理。
[0015]进一步地，所述步骤(1)中二维矩阵L为：L＝J
×
M；J为列向量；M为行向量，表示CASI图像所有像素个数。
[0016]进一步地，所述步骤(2)包括：
[0017]步骤(2.1)、对一个大小为m
×
n的卷积滤波器w(s,t)与CASI图像J(x,y)进行卷积处理；
[0018]步骤(2.2)、依次将每个m
×
n大小CASI图像矩阵中每一个像元值和w(s,t)相乘，形成m
×
n个数列，取数列的中值代替m
×
n大小CASI图像矩阵中心像元值。
[0019]所述步骤(2.1)中卷积处理的计算公式如下：
[0020][0021]其中，a＝(m
‑
1)/2，b＝(n
‑
1)/2；a表示正在卷积处理图像像元行数；b表示正在卷积处理图像像元列数；J(x,y)表示CASI图像；w(x,y)表示卷积滤波器；w(s,t)表示行数为s，列数为t的卷积滤波器值；J(x
‑
s,y
‑
t)表示行数为x
‑
s，列数为y
‑
t图像像元值。
[0022]进一步地，所述步骤(3)包括：
[0023]步骤(3.1)、计算特征向量矩阵P；
[0024]步骤(3.2)、对高光谱CASI数据进行PCA线性变换。
[0025]进一步地，所述步骤(3.1)包括：
[0026]步骤(3.1.1)、计算MF处理后的二维矩阵X的协方差矩阵；
[0027]步骤(3.1.2)、计算协方差矩阵的特征值和特征向量；
[0028]步骤(3.1.3)、将特征值从大到小排序，选择特征值由大到小排列的若干特征值，其中若干特征值的数量为列向量J的数量的一半，然后将若干特征值对应的特征向量分别作为行向量组成特征向量矩阵P。
[0029]进一步地，所述步骤(3.2)中PCA线性变换的公式为：
[0030]Y＝PX
ꢀꢀ
(2)
[0031]其中，P为特征向量矩阵；Y为PCA线性变换处理后的二维矩阵；X为MF处理后的二维矩阵。
[0032]进一步地，所述步骤(4)包括：
[0033]步骤(4.1)、对高光谱CASI数据进行GRX检测；
[0034]步骤(4.2)、对GRX检测后的数据进行阈值分割处理。
[0035]进一步地，所述步骤(4.1)包括：
[0036]步骤(4.1.1)、根据PCA线性变换处理后的波段数，像素个数，获得三维CASI矩阵；
[0037]步骤(4.1.2)、将三维CASI矩阵转换为二维矩阵Q；
[0038]步骤(4.1.3)、进行二维矩阵Q的GRX异常检测。
[0039]进一步地，所述步骤(4.1.2)中二维矩阵Q为：Q包括M个行向量表示CASI图像所有像素个数，J个列向量表示CASI图像波段数。
[0040]进一步地，所述步骤(4.1.3)中二维矩阵Q的GRX异常检测公式为：
[0041][0042]其中，RX(r)表示GRX检测结果值，r表示矩阵Q的每个像元的像元值，上标T表示矩阵或向量的转置，和分别表示背景均值和协方差矩阵的估计值。
[0043]进一步地，所述步骤(4.2)中阈值分割处理的公式为：
[0044][0045]其中，Y表示像元阈值检测结果值，T表示阈值。
[0046]本专利技术的有益技术效果在于：
[0047]1、本专利技术提供的一种CASI高光谱数据异常目标检测方法，通过采用MF方法对CASI数据进行平滑滤波去噪；
[0048]2、本专利技术提供的一种CASI高光谱数据异常目标检测方法，通过采用PCA方法对高光谱数据进行降维，有效解决CASI数据波段数非常多的问题；
...
【技术保护点】
【技术特征摘要】
1.一种CASI高光谱数据异常目标检测方法，其特征在于，所述方法包括以下步骤：步骤(1)、将高光谱三维图像矩阵转换为二维矩阵L；步骤(2)、对高光谱CASI数据进行中值滤波MF处理；步骤(3)、对高光谱CASI数据进行主成分分析PCA处理；步骤(4)、对高光谱CASI数据进行GRX检测和阈值分割处理。2.根据权利要求1所述的一种CASI高光谱数据异常目标检测方法，其特征在于，所述步骤(1)中二维矩阵L为：L＝J
×
M；J为列向量；M为行向量，表示CASI图像所有像素个数。3.根据权利要求1所述的一种CASI高光谱数据异常目标检测方法，其特征在于，所述步骤(2)包括：步骤(2.1)、对一个大小为m
×
n的卷积滤波器w(s,t)与CASI图像J(x,y)进行卷积处理；步骤(2.2)、依次将每个m
×
n大小CASI图像矩阵中每一个像元值和w(s,t)相乘，形成m
×
n个数列，取数列的中值代替m
×
n大小CASI图像矩阵中心像元值。4.根据权利要求3所述的一种CASI高光谱数据异常目标检测方法，其特征在于，所述步骤(2.1)中卷积处理的计算公式如下：其中，a＝(m
‑
1)/2，b＝(n
‑
1)/2；a表示正在卷积处理图像像元行数；b表示正在卷积处理图像像元列数；J(x,y)表示CASI图像；w(x,y)表示卷积滤波器；w(s,t)表示行数为s，列数为t的卷积滤波器值；J(x
‑
s,y
‑
t)表示行数为x
‑
s，列数为y
‑
t图像像元值。5.根据权利要求1所述的一种CASI高光谱数据异常目标检测方法，其特征在于，所述步骤(3)包括：步骤(3.1)、计算特征向量矩阵P；步骤(3.2)、对高光谱CASI数据进行PCA线性变换。6.根据权利要求5所述的一种CASI高光谱数...
【专利技术属性】
技术研发人员：韩晓青，叶发旺，孟树，
申请(专利权)人：核工业北京地质研究院，
类型：发明
国别省市：
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。