一种基于深度学习的高光谱图像目标智能检测方法技术

本发明专利技术公开了一种基于深度学习的高光谱图像目标智能检测方法，属于遥感图像处理领域。所述方法包括：通过基于粗检测和去相关的背景像素选择策略选择相互之间差异性大且具有代表性的背景训练集；利用目标光谱波段随机替换的目标训练样本数据增强策略生成充足的目标训练集；将背景和目标训练集混合打乱，并与一个先验目标分别输入多深度‑多分支的目标检测网络的上下支路中进行训练；将待测像素和一个先验目标分别输入已训练网络的上下支路中进行目标检测，网络的输出构成最终检测结果。采用本发明专利技术，能够实现检测并突出高光谱图像中的目标像素，同时有效地抑制背景像素，从而得到检测精度高、背景抑制程度高和目标背景分离度高的检测结果。

【技术实现步骤摘要】

本专利技术属于高光谱遥感图像处理，具体涉及一种基于深度学习的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，其光谱分辨率高达纳米级，能够提供详细可靠丰富的地物信息，因此被广泛运用于地物分类、目标检测、异常探测等领域中。高光谱目标检测是一种依靠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。用于高光谱目标检测的高光谱图像通常只含有正负标签，另外，数据集中包含数量极少且分布稀疏的目标像素，因此，如何在大量的复杂背景中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，只能本文档来自技高网...

【技术保护点】

1.一种基于深度学习的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所述的一种基于深度学习的高光谱图像目标智能检测方法，其特征在于：所述步骤S1中使用基于光谱角度制图SAM粗检测和去相关的背景样本选择策略，即使用SAM和Kullback-Leibler(KL)散度选择高光谱图像中互不相关且具有代表性的背景训练集具体实现方法如下：

3.根据权利要求1所述的一种基于深度学习的高光谱图像目标智能检测方法，其特征在于：步骤S2中利用目标光谱随机替换策略，将一个先验目标xt＝[l1，l2，...，ld]T随机数量的随机位置的光谱波段值替换为所有待...

【技术特征摘要】

1.一种基于深度学习的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所述的一种基于深度学习的高光谱图像目标智能检测方法，其特征在于：所述步骤s1中使用基于光谱角度制图sam粗检测和去相关的背景样本选择策略，即使用sam和kullback-leibler(kl)散度选择高光谱图像中互不相关且具有代表性的背景训练集具体实现方法如下：

3.根据权利要求1所述的一种基于深度学习的高光谱图像目标智能检测方法，其特征在于：步骤s2中利用目标光谱随机替换策略，将一个先验目标xt＝[l1，l2，...，ld]t随机数量的随机位置的光谱波段值替换为所有待替换波段值的平均值，得到一个新的目标样本，经反复随机操作生成与背景训练集数据均衡的目标训练集具体实现步骤如下：

4.根据权利要求1所述的一种基于深度学习的高光谱图像目标智能检测方法，其特征在于：步骤s3中所述的多深度-多分支目标检测网络的多深度特征提取模块mdfe中，使用1个卷积核大小为1、步长为1、卷积核数量为16的一维卷积用于将原来的通道数减小至原来的1/4以便后续特征融合时维度相同；4个卷积核大小分别为3、5、7、9，步长为1、卷积核数量为16的一维卷积用于提取多尺寸的光谱局部特征信息，其中，每个一维卷积都有两个输出，一是保留...

【专利技术属性】
技术研发人员：高红民，张怡彤，陈忠昊，陆政涛，武国永，朱敏，
申请(专利权)人：河海大学，
类型：发明
国别省市：