【技术实现步骤摘要】
本专利技术属于高光谱遥感图像处理，特别涉及一种高光谱图像目标智能检测方法。
技术介绍
1、高光谱图像是由光谱成像仪采集的具有丰富光谱波段的三维立体图像，其光谱分辨率极高，能够很好地描述地物信息。高光谱目标检测是一种结合有限的先验目标光谱，利用背景与目标地物的光谱信息差异的逐像素点检测方法。其在近几十年来被不断深入研究，并在生物医学、地物观测、军事侦察、矿物勘探等领域中发挥着重要作用。如何快速准确地定位感兴趣目标，并使得背景与目标充分分离是高光谱目标检测算法的主要难题。
2、在过去几十年里，已有许多学者对于高光谱目标检测问题提出许多检测算法。传统的高光谱目标检测算法主要有基于概率统计模型、基于原始空间模型和基于子空间投影模型的检测算法。传统检测器大部分基于一个像素由多种地物混合而成的线性混合模型，并依据目标和背景的多元正态分布的假设而设计的，只能在理想条件下达到较好的检测结果。而真实的高光谱图像通常存在光谱变异性、光谱之间的非线性相关等特点，导致传统高光谱目标检测器无法达到较好的检测水平，为实际应用造成许多困难。而为了更好地适应真实场景的目标检测，学者们提出了许多基于机器学习的高光谱目标检测算法，主要可以分为基于稀疏表示和协同表示、基于低秩分解、基于张量分解和基于核函数的检测算法。基于机器学习的高光谱目标检测器是依据高光谱图像的特性而设计的，在实际应用中能够达到较高的检测精度。然而，它们往往需要人为手工参与特征选择和提取，使得特征缺乏表现力。
3、近年来，无需专家经验知识的端到端的深度学习由于其强大的自动挖
技术实现思路
1、本专利技术的目的是克服现有基于深度学习的高光谱目标检测技术中的不足，提供一种高检测精度、高目标背景分离度的高光谱图像目标智能检测方法。
2、为了实现上述目的，本专利技术提供一种高光谱图像目标智能检测方法，通过以下技术方案实现：
3、s1：选择高光谱图像中典型的背景训练样本其中d和n分别为高光谱图像中每个像素的光谱波段数量和高光谱图像所包含的像素总数；
4、s2：使用先验目标生成目标训练样本
5、s3：将背景训练样本一个先验目标像素xt和目标训练样本分别输入到光谱聚合与分离网络中进行训练；
6、所述光谱聚合与分离网络分为上、中、下三支路，在训练阶段，上支路输入背景训练样本中间支路输入先验目标xt，下支路输入目标训练样本三支路的网络结构和参数设置均相同，且在训练时共享网络参数，每个支路的结构包括：9层卷积-relu激活层、4次se通道注意力机制、8次残差连接和4次特征加和，另外所述网络里还包括：两个特征相减、两次全连接操作、两次sigmoid激活操作和1次特征加和；
7、s4：将高光谱图像中的待测像素与先验目标分别输入训练好的光谱聚合与分离网络的上下支路和中间支路，得到对应的预测值；
8、s5：将得到的预测值作为该待测像素的目标检测结果，得到整张高光谱图像的目标检测结果。
9、作为本专利技术的一种优选技术方案：步骤s1中使用基于密度的带噪空间聚类方法dbscan和基于光谱角度制图sam选择高光谱图像中典型的背景训练样本具体包括如下步骤：
10、初始化已知像素序列包含一个先验目标并初始化已知像素xq＝xt，初始化i＝1；
11、a1：对高光谱图像使用基于dbscan聚类，聚类结果包括1个表示噪声类的簇和n个表示不同地物类别的簇，每一簇表示为
12、
13、其中，m(i)表示第i簇中的像素总数，代表噪声簇并将其舍弃。
14、a2：对中每个像素分别与已知像素xq根据光谱角度制图sam求解光谱夹角，表示为
15、
16、a3：将θ(i)中前个最大的光谱夹角对应的原始像素作为部分背景训练样本，表示为
17、
18、其中，ns表示最终选出的典型背景像素总数；
19、a4：更新已知像素序列并将中的像素沿光谱维度求平均作为新的已知像素xq，i＝i+1，若i≤n则转至步骤a2；
20、a5：将选择的背景像素与负样本标签0构成最终的背景训练样本
21、作为本专利技术的一种优选技术方案：步骤s2中使用基于一个先验目标xt＝[l1，l2，...，ld]t的随机光谱波段零遮掩数据增强方法生成目标训练样本具体包括如下步骤：
22、b1：在生成每个目标训练样本之前，随机生成光谱波段零遮掩位置序列s(0≤|s|≤d)；
23、b2：的第j个光谱波段值基于如下准则确定：
24、
25、生成目标样本并与正样本标签1构成目标训练样本；
26、b3：转至步骤b1，直至生成共ns个目标训练样本，构成
27、作为本专利技术的一种优选技术方案：所述步骤s1和s2中选择或生成的背景/目标训练样本数量ns通过实验交叉验证得到最优取值为1000。
28、作为本专利技术的一种优选技术方案：所述的光谱聚合与分离网络的上、中、下三支路的网络结构包括9层卷积层，其中每两个卷积为一组，将第一个卷积得到的特征图、第二个卷积得到的特征图和其经过se通道注意力机制的特征图三者进行特征相加，再输入到下一组卷积层中，而最后一个卷积层紧接着一个全连接操作，将三个支路经全连接操作后的特征图表示为和并分别进行特征相减操作，表示为
29、
30、得到代表光谱差异性与相似性的特征图fdifference和fsimilarity，再次经过一次全连接操作和一个sigmoid激活函数后得到f′difference和f′similarity，最后通过特征加和得到网络的最终输出预测值foutput＝f′difference+f′similarity。
31、作为本专利技术的一种优选技术方案：所述的光谱聚合与分离网络中所有的卷积层均是大小为1×3的一维卷积，卷积核个数为30，其中第3、5、7、9层卷积层的步长为2，其余卷积层的步长为1。
32、作为本专利技术的一种优选技术方案：所述光谱聚合与分离网络通过一个三重软损失函数lossts进行优化训练，lossts的表达式如下：
33、
34、其中，b表示网络一次训练所输入的样本数量，分别表示一次训练中网络每个支路在第一个全连接层后输出的第i个特征向量。
35、作为本专利技术的一种优选技术方案：所述光谱聚合与分离网络中的三重软损本文档来自技高网...
【技术保护点】
1.一种高光谱图像目标智能检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种高光谱图像目标智能检测方法，其特征在于：所述步骤S1中使用基于密度的带噪空间聚类方法DBSCAN和基于光谱角度制图SAM选择高光谱图像中典型的背景训练样本具体实现方法如下：
3.根据权利要求1所述的一种高光谱图像目标智能检测方法，其特征在于：步骤S2中使用基于一个先验目标xt＝[l1，l2，...，ld]T的随机光谱波段零遮掩数据增强方法生成目标训练样本具体实现方法如下：
4.根据权利要求2和3所述的一种高光谱图像目标智能检测方法，其特征在于：通过实验交叉验证，Ns的取值最优为1000。
5.根据权利要求1所述的一种高光谱图像目标智能检测方法，其特征在于：所述的光谱聚合与分离网络的上、中、下三支路的网络结构包括9层卷积层，其中每两个卷积为一组，将第一个卷积得到的特征图、第二个卷积得到的特征图和其经过SE通道注意力机制的特征图三者进行特征相加，再输入到下一组卷积层中，而最后一个卷积层紧接着一个全连接操作，三个支路经全连接操作后的特征图表示为和并
6.根据权利要求5所述的一种高光谱图像目标智能检测方法，其特征在于：所述的光谱聚合与分离网络中所有的卷积层均是大小为1×3的一维卷积，卷积核个数为30，其中第3、5、7、9层卷积层的步长为2，其余卷积层的步长为1。
7.根据权利要求5所述的一种高光谱图像目标智能检测方法，其特征在于：所述光谱聚合与分离网络通过一个三重软损失函数LossTS进行优化训练，LossTS的表达式如下：
8.根据权利要求7所述的一种高光谱图像目标智能检测方法，其特征在于：ρ表示皮尔逊相关系数。
...【技术特征摘要】
1.一种高光谱图像目标智能检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种高光谱图像目标智能检测方法，其特征在于：所述步骤s1中使用基于密度的带噪空间聚类方法dbscan和基于光谱角度制图sam选择高光谱图像中典型的背景训练样本具体实现方法如下：
3.根据权利要求1所述的一种高光谱图像目标智能检测方法，其特征在于：步骤s2中使用基于一个先验目标xt＝[l1，l2，...，ld]t的随机光谱波段零遮掩数据增强方法生成目标训练样本具体实现方法如下：
4.根据权利要求2和3所述的一种高光谱图像目标智能检测方法，其特征在于：通过实验交叉验证，ns的取值最优为1000。
5.根据权利要求1所述的一种高光谱图像目标智能检测方法，其特征在于：所述的光谱聚合与分离网络的上、中、下三支路的网络结构包括9层卷积...
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。