System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于遥感影像在轨智能处理领域,涉及一种基于高光谱影像的机场目标在轨检测识别方法。
技术介绍
1、随着天基遥感对地观测技术不断成熟,其获取地物与目标的手段呈现多样化发展,主要包括高分光学、高分sar、红外感知、电子侦察等。高光谱遥感对地观测技术为机场飞机目标在轨检测与识别提供了重要途径。不同于可见光、sar以及红外等遥感手段,其主要技术原理在于通过获取地物成千上百的谱段反射信息,根据地物的连续不同光谱反射特征信息,采用异常检测或者光谱匹配等方法,实现信息反演与各类敏感目标识别。当前基于光学遥感的机场飞机目标检测与识别主要采用目标形状、纹理等信息进行在轨处理,检测率与识别率较低,且受地物干扰导致虚警率较高。因此,需构建一种能够充分利用高光谱单谱段目标空间特征信息、多谱段光谱匹配信息以及已有参考底图信息进行多源信息融合的方法,提高机场目标的在轨发现与快速预警能力。
技术实现思路
1、本专利技术所要解决的问题是,针对高光谱对地观测卫星获取的机场目标影像,提出一种基于高光谱影像的机场目标在轨检测识别方法,是一种能够充分利用高光谱单谱段目标空间特征信息、多谱段光谱匹配信息以及已有参考底图信息进行多源信息融合的方法,提高机场目标的在轨发现与快速预警能力。
2、本专利技术的技术方案为:一种基于高光谱影像的机场目标在轨检测识别方法,包括以下步骤:
3、步骤1,基于辐射与光谱定标系数,对获取的高光谱机场影像进行辐射校正与光谱校正;
4、步骤2,基于机场飞机
5、步骤3,选取单波段影像,基于空间特征信息,采用深度学习模型实现机场目标快速检测;
6、步骤4,基于目标光谱特性库信息,进行目标光谱匹配检测,得到机场目标检测识别结果;
7、步骤5,根据步骤3与4得到的检测识别结果以及已有参考底图信息,采用决策级融合方法进行综合筛选与鉴别,得到机场飞机目标识别结果。
8、进一步的,步骤1中所述辐射校正是将高光谱影像dn值数据转换为辐亮度图像,设原始dn值图像为xmn,相对辐射定标系数为cmn,暗电流为dmn,其中,m为单元数,n为波段数,则相对较正后的图像为:
9、
10、对相对辐射校正后的图像进行绝对辐射校正,设绝对辐射定标系数为sn,则:
11、
12、其中,cmn,dmn行列数与图像一致,sn与波段数一致。
13、进一步的,步骤1中所述光谱校正需要的探测元中心波长位置矩阵,由实验室光谱定标给出,即每个探测器都需要提供实验室光谱定标系数矩阵;步骤1.1,对于探元中心波长位置矩阵wl(nc,nb),取中间列对应的中心波长向量wl_out为输出的中心波长向量;步骤1.2,基于探元中心波长位置矩阵wl(nc,nb)对高光谱影像img(nl,nc,nb)进行重采样,使得输出的影像数据img_out(nl,nc,nb)对应中心波长。
14、进一步的,步骤2中所述波段选择,是根据飞机目标光谱特征库,直接从原始波段中选择出相应波段序号的影像数据。
15、进一步的,步骤2中所述端元提取,其输入是已选谱段的高光谱图像,输出是场景内的典型目标光谱和对应的丰度图;采用实时最大单形体体积端元提取算法,以线性光谱混合模型为基础,通过迭代求解最大单形体体积,得到构成单形体的顶点作为端元,再对端元提取结果使用最小二乘反演算法进行丰度反演,得到对应的丰度图。
16、进一步的,步骤3具体如下:基于已有可见光的遥感图像,对机场飞机目标进行标注,并将其划分为训练集以及验证集,接着利用训练集中的图片对yolo-v2网络模型进行训练,最后利用训练好的模型对星上实时获取的单波段图像进行机场飞机目标的检测。
17、进一步的,步骤4具体如下:基于选取多波段光谱影像计算自相关矩阵r以及对应的逆矩阵inv_r,根据飞机目标光谱特征向量s计算匹配性算子w,计算公式表示如下:
18、
19、设定目标光谱匹配阈值,当相关性算子大于阈值,则判定为飞机目标,否则表示地物背景。
20、进一步的,步骤5中所述底图包含的信息如下:图像分辨率、分块信息、分块特征点坐标及其描述,roi多边形定点;
21、基于影像成像时刻轨道参数信息转化成大地经纬度信息,实现被选定的单波段图像与参考底图控制点的快速配准;
22、利用配准关系,实现标注在底图上的机场感兴趣区域在单波段图像上的映射定位,对步骤3与4得到的检测识别结果进行筛选,即检测目标处于感兴趣区域外,则被判定为虚警目标;
23、采用d-s证据理论,通过分别建立给定波段飞机目标深度学习检测、光谱匹配目标检测的置信概率、可信度权值,生成基本概率函数,基于等价关系的知识约简建立数据信息与鉴定决策的关系生成混合概率函数,形成对机场飞机目标的综合鉴别决策,实现精准融合识别。
24、本专利技术提供的基于高光谱影像的机场飞机目标在轨精准检测识别处理方法,可以充分利用目标几何特征、纹理特征、地面底图信息以及光谱特征,提高机场目标的在轨检测识别率,降低地物复杂性所引起的飞机目标虚警率。
本文档来自技高网...【技术保护点】
1.一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤1中所述辐射校正是将高光谱影像DN值数据转换为辐亮度图像,设原始DN值图像为Xmn,相对辐射定标系数为Cmn,暗电流为Dmn,其中,m为单元数,n为波段数,则相对较正后的图像为:
3.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤1中所述光谱校正需要的探测元中心波长位置矩阵,由实验室光谱定标给出,即每个探测器都需要提供实验室光谱定标系数矩阵;步骤1.1,对于探元中心波长位置矩阵wl(nc,nb),取中间列对应的中心波长向量wl_out为输出的中心波长向量;步骤1.2,基于探元中心波长位置矩阵wl(nc,nb)对高光谱影像img(nl,nc,nb)进行重采样,使得输出的影像数据img_out(nl,nc,nb)对应中心波长。
4.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤2中所述波段选择,是根据飞机目标光谱特征
5.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤2中所述端元提取,其输入是已选谱段的高光谱图像,输出是场景内的典型目标光谱和对应的丰度图;采用实时最大单形体体积端元提取算法,以线性光谱混合模型为基础,通过迭代求解最大单形体体积,得到构成单形体的顶点作为端元,再对端元提取结果使用最小二乘反演算法进行丰度反演,得到对应的丰度图。
6.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤3具体如下:基于已有可见光的遥感图像,对机场飞机目标进行标注,并将其划分为训练集以及验证集,接着利用训练集中的图片对YOLO-V2网络模型进行训练,最后利用训练好的模型对星上实时获取的单波段图像进行机场飞机目标的检测。
7.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤4具体如下:基于选取多波段光谱影像计算自相关矩阵R以及对应的逆矩阵INV_R,根据飞机目标光谱特征向量S计算匹配性算子W,计算公式表示如下:
8.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤5中所述底图包含的信息如下:图像分辨率、分块信息、分块特征点坐标及其描述,ROI多边形定点;
...【技术特征摘要】
1.一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤1中所述辐射校正是将高光谱影像dn值数据转换为辐亮度图像,设原始dn值图像为xmn,相对辐射定标系数为cmn,暗电流为dmn,其中,m为单元数,n为波段数,则相对较正后的图像为:
3.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤1中所述光谱校正需要的探测元中心波长位置矩阵,由实验室光谱定标给出,即每个探测器都需要提供实验室光谱定标系数矩阵;步骤1.1,对于探元中心波长位置矩阵wl(nc,nb),取中间列对应的中心波长向量wl_out为输出的中心波长向量;步骤1.2,基于探元中心波长位置矩阵wl(nc,nb)对高光谱影像img(nl,nc,nb)进行重采样,使得输出的影像数据img_out(nl,nc,nb)对应中心波长。
4.根据权利要求1所述的一种基于高光谱影像的机场目标在轨检测识别方法,其特征在于:步骤2中所述波段选择,是根据飞机目标光谱特征库,直接从原始波段中选择出相应波段序号的影像数据。
5.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员:范城城,张永合,
申请(专利权)人:中国科学院微小卫星创新研究院,
类型:发明
国别省市:
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。