基于目标-背景重构偏差的高光谱遥感图像目标检测方法技术

本发明专利技术公开了一种基于目标

【技术实现步骤摘要】
基于目标
‑
背景重构偏差的高光谱遥感图像目标检测方法


[0001]本专利技术属于深度学习
，具体涉及一种基于目标
‑
背景重构偏差的高光谱遥感图像目标检测方法。

技术介绍

[0002]随着传感器技术、数字电子技术和硬件计算资源的发展，大大推动了高光谱遥感技术的发展。高光谱遥感技术能够同时捕获地物的光谱和空间特性，为复杂背景中感兴趣目标的精准检测提供了更丰富的信息，在海洋观测、搜索救援以及城市规划等多个领域得到广泛关注，具有十分重要的理论研究意义和实际应用价值。
[0003]在感兴趣目标的光谱信息先验已知的条件下，高光谱遥感影像目标检测旨在对待检测高光谱遥感影像进行定量化解译分析，进而判断每个待测像元中存在感兴趣目标的概率。受大气条件、地物组成、传感器噪声以及其他不确定因素的影响，高光谱遥感影像中光谱畸变现象不可避免，具体表现为相同地物光谱特征之间的差异性和不同地物光谱特征之间的相似性。这一现象严重限制了光谱数据解译及分析的准确性。
[0004]针对这一问题，已有工作从统计分析、核函数、机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标
‑
背景重构偏差的高光谱遥感图像目标检测方法，其特征在于，包括：获取待检测高光谱遥感图像；将所述待检测高光谱遥感图像输入预训练的非对称自编码网络中，得到所述待检测高光谱遥感图像中每个像素对应的第一输出和第二输出；所述预训练的非对称自编码网络包含：预训练的特征提取子网络、预训练的特征融合子网络和预训练的特征重构子网络的；所述特征融合子网络的输入为所述特征提取子网络的输出，所述特征重构子网络的输入为所述特征融合子网络的输出；所述第一输出为所述特征提取子网络的输出，所述第二输出为所述特征重构子网络的输出；所述预训练的非对称自编码网络是采用多个混合目标光谱和多个混合背景光谱训练得到的；所述多个混合目标光谱和多个混合背景光谱是基于第一高光谱遥感样本图像、预设目标的先验光谱和双线性光谱混合模型生成的；根据所述第一输出和所述第二输出，确定所述像素的光谱角距离；通过对所述像素的光谱角距离的平滑处理，得到所述待检测高光谱遥感图像是否包含所述预设目标的检测结果。2.根据权利要求1所述的基于目标
‑
背景重构偏差的高光谱遥感图像目标检测方法，其特征在于，在所述将所述待检测高光谱遥感图像输入预训练的非对称自编码网络中，得到所述待检测高光谱遥感图像中每个像素对应的第一输出和第二输出之前，所述方法还包括：分别获取第一高光谱遥感样本图像，以及所述预设目标的先验光谱；根据所述先验光谱和自动端元提取方法，从所述第一高光谱遥感样本图像中提取背景光谱；所述背景光谱区别于所述先验光谱；根据所述先验光谱和所述背景光谱，采用双线性光谱混合模型，生成所述多个混合目标光谱和所述多个混合背景光谱；采用所述多个混合目标光谱和所述多个混合背景光谱，对包含预训练的特征提取子网络、初始特征融合子网络和初始特征重构子网络的非对称自编码网络进行训练，得到所述预训练的非对称自编码网络。3.根据权利要求2所述的基于目标
‑
背景重构偏差的高光谱遥感图像目标检测方法，在所述采用所述多个混合目标光谱和所述多个混合背景光谱，对包含预训练的特征提取子网络、初始特征融合子网络和初始特征重构子网络的非对称自编码网络进行训练，得到所述预训练的非对称自编码网络之前，所述方法还包括：获取带有像素标签的第二高光谱遥感样本图像；所述第二高光谱遥感样本图像中的每个像素的像素标签表征该像素所属的目标类别；采用所述第二高光谱遥感样本图像对包含初始特征提取子网络和初始分类器的高光谱分类网络进行训练，其中，在每次训练后，根据得到的所述第二高光谱遥感样本图像中每个像素的预测结果与该像素对应的像素标签之间的交叉熵，确定损失值，根据所述损失值进行所述高光谱分类网络的参数更新，通过多次迭代训练，得到预训练的高光谱分类网络；将所述预训练的高光谱分类网络中的特征提取子网络，作为所述预训练的特征提取子网络。4.根据权利要求2所述的基于目标
‑
背景重构偏差的高光谱遥感图像目标检测方法，其特征在于，所述采用所述多个混合目标光谱和所述多个混合背景光谱，对包含预训练的特
征提取子网络、初始特征融合子网络和初始特征重构子网络的非对称自编码网络进行训练，得到所述预训练的非对称自编码网络，包括：在第i次训练时，从所述多个混合目标光谱和所述多个混合背景光谱中选出用于训练的混合目标光谱和混合背景光谱，共同输入第i
‑
1次训练后的非对称自编码网络中，得到第i次的特征提取子网络的输出，以及第i次的特征重构子网络的输出；所述第i
‑
1次训练后的非对称自编码网络包括：所述预训练的特征提取子网络、第i
‑
1次训练后的特征融合子网络和第i
‑
1次训练后的特征重构子网络；i为大于或等于1的整数；根据所述第i次的特征提取子网络的输出，以及所述第i次的特征重构子网络的输出，确定第i次的光谱角距离，得到第i次的的损失值；根据所述第i次的损失值，对第i
‑
1次训练后的特征融合子网络和第i
‑
1次训练后的特征重构子网络进行更新，得到第i次训练后的非对称自编码网络，如此迭代训练，直至得到第i+p次训练后的非对称自编码网络；p为大于1的整数；所述第i次训练后的非对称自编码网络包括：所述预训练的特征提取子网络、第i次训练后的特征融合子网络和第i次训练后的特征重构子网络；将第i+p次训练后的非对称自编码网络，作为所述预训练的非对称自编码网络。5.根据权利要求4所述的基于目标
‑
背景重构偏差的高光谱遥感图像目标检测方法，其特征在于，所述特征提取子网络包括：第一卷积处理模块、N个多尺度残差卷积块；所述特征融合子网络包括：N个残差注意力块、第二卷积处理模块；所述特征重构子网络包括：N个残差反卷积块；所述特征提取子网络的输出包括：N个残差注意力块的输出；所述特征重构子网络的输出包括：N个残差反卷积块的输出；所述在第i次训练时，从所述多个混合目标光谱和所述多个混合背景光谱中选出用于训练的混合目标光谱和混合背景光谱，共同输入第i
‑
1次训练后的非对称自编码网络中，得到第i次的特征提取子网络的输出，以及第i次的特征重构子网络的输出，包括：第i次训练时，将所述用于训练的混合目标光谱和混合背景光谱，共同输入第i
‑
1次训练后的非对称自编码网络中的第一卷积处理模块进行处理，所述第一卷积处理模块将输出输入第i
‑
1次训练后的非对称自编码网络中的第j个多尺度残差卷积块，所述第j个多尺度残差卷积块对输入进行处理后，将输出分别输入第j+1个多尺度残差卷积块与第N个残差注意力块；j为1；所述第j+1个多尺度残差卷积块对输入进行处理后，将输出分别输入第j+2个多尺度残差卷积块与第N
‑
...

【专利技术属性】
技术研发人员：师艳子，崔华，崔小军，宋焕生，王金龙，王志勤，
申请(专利权)人：长安大学，
类型：发明
国别省市：