基于多任务学习的高光谱遥感图像目标检测方法技术

本发明专利技术涉及一种高光谱遥感图像目标检测方法，具体的说是一种基于多任务学习的高光谱遥感图像目标检测方法，属于图像检测技术领域。首先确定待检测邻域大小，利用多特征学习算法，计算邻域多特征堆栈，多次循环迭代，遍历高光谱遥感图像中所有像元，将非线性高光谱遥感图像映射到多特征空间；根据给定的过完备字典，通过多任务学习优化函数计算每一窗口内像元特征堆栈的联合表示向量；最后利用过完备字典及联合表示向量重建像元空间。本方法通过引入多特征学习和多任务学习优化算法，将高光谱遥感图像数据映射到可分性高的特征空间中，从而提高高光谱目标检测方法的检测精度。

Target detection of hyperspectral remote sensing image based on multi task learning

【技术实现步骤摘要】
基于多任务学习的高光谱遥感图像目标检测方法
本专利技术涉及一种高光谱遥感图像目标检测方法，具体的说是一种基于多任务学习的高光谱遥感图像目标检测方法，属于图像检测

技术介绍
高光谱遥感数据是一种海量、异质的数据，其具有较高的光谱分辨率，丰富的光谱波段，因此长期受到工程技术人员和学者的关注。高光谱数据中，不同地物的光谱反射率曲线不同，利用上述性质，不同地物能够在图像中被区分。目标检测是高光谱遥感数据的重要应用方向，其作用为将遥感图像中的像元识别为目标和背景。传统的高光谱图像目标检测方法包含光谱匹配滤波(Spectralmatchedfilter,SMF)、支持向量机(Supportvectormachines,SVMs)、匹配子空间检测器(Matchedsubspacedetector,MSD)及自适应子空间检测器(Adaptivesubspacedetector)等。其中，SVM是一种监督学习方法，用于处理非线性数据。这种方法通过核函数将目标与背景样本的反射值映射到新的空间，并通过求解样本间的最大边距超平面(Maximummarginhyperplane)将目标与背景分离。SVM在高光谱数据处理领域得到了广泛的应用。但是，这种方法的缺点在于，核函数的选择过程较为复杂。SMF方法需要对统计量进行假设检验，即对高光谱图像中像元光谱的数学分布进行统计，统计模型的好坏直接影响到检测结果的准确程度。近期，基于稀疏表示(Sparserepresentation)的高光谱遥感数据目标检测方法得到了一定的发展，这种方法假设目标光谱信息与背景光谱信息分别位于不同的子空间中，待检测像元的光谱信息能够由过完备字典中原子与其对应的稀疏系数线性表示。稀疏向量通常由正交匹配追踪方法求解。将目标和背景光谱重构，利用重构后的信息差值得到检测结果。但是，上述方法只利用了高光谱图像的光谱信息，没有考虑到其空间信息及多特征信息，使得检测的准确率低。
技术实现思路
本专利技术的技术解决问题是：克服现有技术的不足，提出基于多任务学习的高光谱遥感图像目标检测方法，该方法为一种高效的、可靠的高光谱遥感数据目标检测方法-基于多任务学习的高光谱遥感图像目标检测方法，该方法利用多特征学习充分挖掘高光谱数据像元的多特征信息，利用多任务学习寻找不同任务之间的关联，提升目标检测方法的精度。本专利技术的技术解决方案是：基于多任务学习的高光谱遥感图像目标检测方法，该方法包括多特征学习(Multi-featurelearning，MFL)和多任务学习(Multi-tasklearning，MTL)，MFL用于摘取高光谱遥感数据的不同特征，MTL利用同时优化权重的目标函数求解联合表示向量；最终利用所求得的联合表示向量中非零向量的位置判断目标像元的位置；该方法的步骤包括：步骤1：对待检测的高光谱遥感图像中的像元按照设定的邻域窗大小进行逐像元扫描，得到每个像元对应的邻域窗，并提取每个邻域窗的特征；所述的邻域窗大小为八邻域；所述的提取每个邻域窗的特征是指提取每个邻域窗的光谱反射率特征、光谱梯度特征、光谱纹理特征和形状特征；步骤2：利用多任务学习函数处理步骤1中提取到的每个邻域窗的特征，得到每个邻域窗中心像元是否为目标像元；所述的利用多任务学习函数处理每个邻域窗的特征的具体方法为：(1)设待检测的高光谱遥感图像数据为其中，k＝1，2…，K，j＝1，2…，W，W＝8；待检测的高光谱遥感图像的训练字典为k＝1，2…，K，K＝4；其中，为目标子字典，为背景子字典；(2)步骤(1)的待检测的高光谱遥感图像数据与待检测的高光谱遥感图像的训练字典按照下式进行关联；其中，为与邻域窗中像元的目标子字典对应的联合向量；为与邻域窗中像元的背景子字典对应的联合向量；为与邻域窗中像元的训练字典{Dk}k＝1,…,K对应的联合向量；{Οk}k＝1,…,K为噪声矩阵；(3)按照下式更新步骤(2)中联合向量；其中，K＝4，N＝2，为类别数，||||F表示Frobenius范数，代表得到最小时的(4)计算目标子空间Rt(x)与背景子空间Rb(x)的差值R(x)，当差值R(x)大于设定阈值l时，则判断该像元为目标像元；否则，判断该像元为背景；其中，目标子空间Rt(x)与背景子空间Rb(x)分别为：R(x)＝Rt(x)-Rb(x)。本专利技术方法的优点在于：(1)本专利技术的基于多任务学习的高光谱遥感图像目标检测方法包含多特征学习和多任务学习。即在高光谱遥感数据的不同特征对目标检测任务具有一定贡献的条件下，利用多任务优化的权重函数求解联合表示系数矩阵。然后，利用求得的联合表示向量中非零项的位置检测目标。(2)使待测像元不同特征对应的联合系数矩阵保持稳定，即通过空间8-邻域提取光谱信息，保证多特征联合向量矩阵能够被过完备字典中相同的原子线性表示，并保证图像中小邻域像元能够共享共同的低秩子空间。高光谱像元的不同特征的联合向量矩阵具有提供互补信息的能力，有助于提升目标检测方法的精度。(3)为了验证专利中提出方法的性能，分别使用机场数据(3架飞机)和机场数据(38架飞机)进行准确度统计。实验结果肯定了基于多任务学习的高光谱遥感图像目标检测方法的检测效果。通过图8及图9的接收机工作特性曲线再次证明基于多任务学习的高光谱遥感图像目标检测方法检测精度高于传统目标检测方法。(4)本专利技术提供了一种基于多任务学习的高光谱遥感图像目标检测方法。首先确定待检测邻域大小，利用多特征学习算法，计算邻域多特征堆栈，多次循环迭代，遍历高光谱遥感图像中所有像元，将非线性高光谱遥感图像映射到多特征空间；根据给定的过完备字典，通过多任务学习优化函数计算每一窗口内像元特征堆栈的联合表示向量；最后利用过完备字典及联合表示向量重建像元空间，分别使用背景过完备子字典部分的联合表示向量矩阵和目标过完备子字典部分的联合表示向量矩阵重建背景子空间和目标子空间，并比较两种重建方法的重建误差来检测高光谱遥感图像中的目标。本方法通过引入多特征学习和多任务学习优化算法，将高光谱遥感图像数据映射到可分性高的特征空间中，从而提高高光谱目标检测方法的检测精度。(5)高光谱遥感数据包含多种不同的特征，这些特征所包含的信息不同。但是，直接使用上述特征容易产生信息冗余，导致方法鲁棒性(Robustness)下降。本方法通过引入多特征学习和多任务学习方法，寻找不同特征之间的关联。具体优点如下：稳定待检测像元多特征信息的联合稀疏求解过程；保证同一区域内的像元光谱信息位于同一低秩(Lowrank)空间内，提升检测效果。(6)高光谱图像每一个像元x具有K个不同的特征。根据线性表示模型，未知像元xk能够被K个特征向量表示为：其中，xk是x的第k个特征，Dk是训练字典第k个特征构成的子字典。αk是Dk所对应的联合系数矩阵。公本文档来自技高网...

【技术保护点】
1.基于多任务学习的高光谱遥感图像目标检测方法，其特征在于该方法的步骤包括：/n步骤1：对待检测的高光谱遥感图像中的像元按照设定的邻域窗大小进行逐像元扫描，得到每个像元对应的邻域窗，并提取每个邻域窗的特征；/n步骤2：利用多任务学习函数处理步骤1中提取到的每个邻域窗的特征，得到每个邻域窗中心像元是否为目标像元；/n所述的利用多任务学习函数处理每个邻域窗的特征的具体方法为：/n(1)设待检测的高光谱遥感图像数据为/n

【技术特征摘要】
1.基于多任务学习的高光谱遥感图像目标检测方法，其特征在于该方法的步骤包括：
步骤1：对待检测的高光谱遥感图像中的像元按照设定的邻域窗大小进行逐像元扫描，得到每个像元对应的邻域窗，并提取每个邻域窗的特征；
步骤2：利用多任务学习函数处理步骤1中提取到的每个邻域窗的特征，得到每个邻域窗中心像元是否为目标像元；
所述的利用多任务学习函数处理每个邻域窗的特征的具体方法为：
(1)设待检测的高光谱遥感图像数据为



其中，k＝1，2…，K，K为提取到的每个邻域窗的特征数量，j＝1，2…，W；W为邻域窗大小；
待检测的高光谱遥感图像的训练字典为
其中，为目标子字典，为背景子字典；
(2)步骤(1)的待检测的高光谱遥感图像数据与待检测的高光谱遥感图像的训练字典按照下式进行关联；



其中，为与邻域窗中像元的目标子字典对应的联合向量；

为与邻域窗中像元的背景子字典对应的联合向量；

为与邻域窗中像元的训练字典{Dk}k＝1,…,K对应的联合向量；
{Οk}k＝1,…,K为噪声矩阵；
(3)按照下式更新步骤(2)中联合向量；






其中，K＝4，N＝2，为类别数，||||F表示Frobenius范数，代表得到最小时的
(4)计算目标子空间Rt(x)与背景子空间Rb(x)的差值R(x)，当差值R(x)大于设定阈值l时，则判断该像元为目标像元；否则，判断该像元为背景；
其中，目标子空间Rt(x)与背景子空间Rb(x)分别为：
<...

【专利技术属性】
技术研发人员：张澍裕，李威，张文亮，穆京京，董清宇，胡玉龙，段荣，
申请(专利权)人：北京航天控制仪器研究所，
类型：发明
国别省市：北京;11