【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
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掘数据内在规律和提取深度特征的能力，为高光谱目标检测提供了新思路。一些基于深度学习的高光谱目标检测算法在复杂的真实场景下达到较好的检测性能，但仍有一些问题值得关注。首先，如何在数量众多且复杂的背景像素中选出相互之间差异性大的且具有代表性的背景训练集是高光谱目标检测的一个难题；此外，如何利用有限的先验目标构造合理且与背景训练集类别均衡的目标训练样本是基于深度学习的高光谱目标检测面临的最大挑战；最后同样重要的是，如何利用深度网络在检测并突出目标的同时更好地抑制背景，提高目标背景的分离程度，以优化检测视觉效果，是一个有意义且具有挑战性的问题。
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、高目标突出背景分离程度的基于深度学习的高光谱图像目标智能检测方法。
2、为了解决上述技术问题，本专利技术是通过以下技术方案实现：
3、s1：选择高光谱图像中互不相关的代表性背景训练集其中d和n分别为高光谱图像中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：对一个先验目标通过波段随机替换生成充足的目标训练集
5、s3：将背景训练样本和目标训练样本随机打乱，与一个先验目标像素xt分别输入到多深度-多分支目标检测网络的上下支路中进行训练，得到已训练模型；
6、作为本专利技术的一种优选技术方案：所述多深度-多分支目标检测网络包括上下两支路。在训练时，上支路输入打乱顺序的背景和目标训练集和下支路输入一个先验目标像素xt。多深度-多分支目标检测网络包含多深度特征提取模块mdfe、局部-全局并联特征提取模块conv-gru和多分支特征融合；
7、s4：将高光谱图像中的待测像素与一个先验目标分别输入训练好的多深度-多分支目标检测网络的上下支路，得到每个待测像素对应的预测值；
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：
10、a1：根据光谱角度制图sam计算高光谱图像x中每个像素与先验目标像素xt的光谱夹角，表示为
11、
12、a2：将θ中的光谱夹角从大到小排序，光谱角度大的则代表优先级更高，并取出前n×0.99个原始像素作为待选背景像素，表示为
13、
14、a3：取出中目前优先级最高的像素添加至背景训练集中，并删除中对应像素；
15、a4：将中目前优先级最高的像素与背景训练集中每个像素按顺序计算kl散度值δ，每次得到δ均需与阈值ε进行比较；
16、a5：只要存在δ小于所设定的阈值ε的情况，则删除中目前优先级最高的像素，并跳转至步骤a4，否则在所有δ比较完毕后，跳转至步骤a3，直至
17、a6：将选择的背景训练集中每个像素赋予负样本标签0，并计算中的像素总数，表示为ns。
18、作为本专利技术的一种优选技术方案：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：
19、b1：初始化目标训练集初始化k＝1；
20、b2：随机生成波段替换数量num∈[1，d]，初始化第k个目标训练样本为初始化待替换波段值总和sum＝0；
21、b3：随机生成波段替换位置posh∈[1，d](h＝1，2，…，num)，并计算对应位置的波段值总和和均值
22、b4：将所有代替换波段位置对应的波段值替换为均值，生成新的目标训练样本该过程表达式为
23、
24、b5：将放入目标训练集中，即
25、b6：当k≤ns时，k＝k+1并跳转至步骤b2，否则，得到生成的目标训练集并把每个像素赋予正样本标签1。
26、作为本专利技术的一种优选技术方案：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，一是保留自身卷积后的特征进行后续的特征通道拼接，二是输入至下一个不同尺度的卷积，从而获得不同深度的特征；紧接着将4个不同尺寸卷积得到的特征使用通道拼接，并经过一个卷积核大小为3、步长为2、卷积核数量为64的一维卷积以降低分辨率，过滤冗余特征信息，提取光谱的关键局部特征。
27、作为本专利技术的一种优选技术方案：步骤s3中所述的多深度-多分支目标检测网络的局部-全局并联特征提取模本文档来自技高网...
【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
5.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局部-全局并联特征提取模块Conv-GRU中，两个卷积核大小为3，步长分别为2和1、卷积核数量为64的1维卷积用于光谱局部特征提取，一个门控循环单元GRU用于提取光谱全局特征，局部卷积与GRU并联构成Conv-GRU。
6.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分支特征融合使用逐元素相加、逐元素相乘和逐元素相减，将背景/目标训练集和先验目标分别经过权利要求4中的多深度特征提取模块MDFE获得的特征图fD和fP融合得到三种不同的关系特征图，分别表示为
7.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训练时使用二进制交叉熵损失函数以优化训练，其表达式为
...【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：
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。