一种基于空-谱特征融合的高光谱伪装目标检测方法技术

本发明专利技术涉及一种基于空

【技术实现步骤摘要】
一种基于空
‑
谱特征融合的高光谱伪装目标检测方法


[0001]本专利技术属于高光谱图像识别、分类
，具体涉及一种基于空
‑
谱特征融合的高光谱伪装目标检测方法。

技术介绍

[0002]近年来，深度学习(Deep Learning)算法凭借其在特征提取和学习方面的巨大潜力而备受关注，且有效应用在高光谱图像识别、分类等领域。目前机载和星载平台上的传感器以前所未有的高光谱、大空间和细时间分辨率覆盖了地球表面的大片区域。这些特性使得大量需要精细识别目标材料以及估算物理参数的应用成为可能，面向高光谱图像的相关技术研究是大势所趋。高光谱图像兼有空间信息和光谱信息的特性，光谱特性是高光谱图像独有的特性，在同一光谱仪下，每种物质都有独特的光谱特性，在目标分类和目标识别方面可以大大提升目标信息的信息丰富度，从而提升目标的检测精度。目标检测也可以理解成一种二分类，即目标和背景，深度学习的方法在对目标信息的特征提取上具有很强的优势，对高光图图像光谱信息和空间信息可以充分的挖掘。
[0003]现有技术中吴银花等人提出基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空
‑
谱特征融合的高光谱伪装目标检测方法，其特征在于：具体检测方法如下：采用主成分分析PCA对光谱空间进行波段提取，采用三维卷积捕获多个波段的空
‑
谱特征信息，主成分分解后的高光谱数据立方体表示为I
′
∈R
H
×
W
×
D
′
，其中H为光谱图像的高度，W为光谱图像的宽度，D
′
为经过主成分分解后的光谱波段数；为强化光谱维度和空间维度的特征信息，根据RXD和三维空谱特征融合，将PCA分解后的高光谱数据I
′
∈R
H
×
W
×
B
作为网络框架的输入，经过三维空谱特征提取模块获取具有辨识力的光谱特征信息，所述三维空谱特征提取模块包含四个不同尺寸的三维卷积层Conv3(k
×3×
3)，卷积核深度由大到小依次为k＝(7,5,3,1)，并将每层卷积的输出作为下一层的输入，每层卷积在运算时将膨胀率设置为2，增加卷积核覆盖面积，且所有卷积后面都跟有一个ReLU非线性层祛除像素点负值，由此得到空谱特征映射图F
td
；对F
td
进行维度重塑，将特征映射图的空间维度尺寸还原，之后通过空间接受域模型，利用多尺寸的感受野对伪装目标实现初定位，具体地：先在变形后的空谱特征F
′
td
上应用1
×
1的卷积层，对结果进行非线性处理，并设置四个尺寸的空间接受域分支，第k个分支包含(2k
‑
1)
×
1和1
×
(2k
‑
1)对称的两个卷积层，其后用卷积核为3
×
3且膨胀率为(2k
‑
1)的空洞卷积以获得更大的感受野，将四个分支输出进行整合并添加至原始输入特征F
′
td
，最后获得具有多尺度范围感知能力的特征F
rf
，从而输出伪装目标的初始检测结果C
rf
，C
rf
＝UP(F
rf
)其中，Conv
b
...

【专利技术属性】
技术研发人员：甘源滢，刘洲洲，景月娟，彭寒，马新华，杨楠，刘琼，侯媛媛，
申请(专利权)人：西安航空学院，
类型：发明
国别省市：