【技术实现步骤摘要】
本专利技术涉及人工智能与高光谱遥感图像处理，特别涉及一种基于光谱掩码驱动背景学习的高光谱图像目标检测方法。
技术介绍
1、高光谱遥感成像系统可以获得包含地物二维空间分布信息和一维连续窄波段光谱信息的图像技术。所获得的图像不仅揭示了被观测地表中地物的空间几何分布情况，还能通过分析连续窄波段光谱信息来提取地物反映出的辐射强度。由于不同物质化学构成的差异性使得它们各自具有独特的光谱特征，高光谱图像中不同地物所具有的特有光谱信息可以用于这些地物的识别和检测。
2、传统的高光谱图像目标检测方法主要集中在光谱特征的分析上，分为光谱匹配算法和概率统计学算法两大类。光谱匹配算法通过设计各种计算方法来计算目标光谱与待检测图像中所有像元光谱之间的相似性来检测目标，具有计算简便，识别快速的特点。然而，在实际应用中，高光谱成像仪在拍摄地物时，成像结果会因云层、光照、散射以及地形阴影等因素而发生不同程度的畸变，导致待识别目标在图像中不同位置呈现具有差异性的光谱曲线，即“同物异谱”现象，这使得简单地相似性匹配难以检测出发生光谱变异的目标。光谱信息差异(sid)及其衍生算法是确定性算法的典型代表。概率统计学算法通常假设高光谱图像中所有像元遵循高斯分布，待检测的目标像元被视为不符合这种分布的异常点，通过识别这些异常点实现检测目标。其中，约束能量最小化(cem)算法是这类方法中最具有代表性的算法之一。这两类方法尽管在目标检测方面具有实施简单，检测迅速的优点，但它们通常需要设置较多的假设和约束，只有在理想条件下才能达到比较好的检测性能，且忽视了高光谱图
3、2020年，xie等人在ieee j.sel.topics appl.earth observ.remote sens.中发表的名称为“background learning based on target suppression constraint forhyperspectral target detection”的论文，公开来了一种目标抑制约束的高光谱目标检测背景学习bltsc的检测方法，实现了先进的检测性能。其基于背景学习的解决方案采用对抗自动编码器及其各种变体来追求最佳的背景光谱模拟。通过对抗学习驱动自编码器学习背景光谱分布，再重构高光谱图像，计算重构图像与待检测高光谱图像的差值实现目标检测。这类方法对目标先验光谱的依赖性小，使用更丰富的背景样本作为训练集。然而，基于对抗的背景学习策略基于背景光谱分布与正态高斯分布一致的假设。这一假设是一种理想化的情况，现实世界的应用场景存在更多的不确定性。此外，对抗学习过程中存在的模式崩塌问题使得检测结果存在误检的情况，难以应对复杂背景下的高精度识别。
技术实现思路
1、专利技术目的：本专利技术的目的在于针对上述现有技术不足，提出一种基于光谱掩码驱动背景学习的高光谱图像目标检测方法，以解决现有基于背景学习的高光谱图像检测算法对对抗学习的依赖，以及受到对抗学习而产生模式崩塌从而导致的检测精度较低的问题。
2、技术方案：实现本专利技术的思路是，利用双窗口背景选取策略选取高置信度背景像元作为原始背景训练样本集，再通过邻域光谱均值掩码操作得到掩码背景训练样本集，利用两个自编码器分别学习原始背景光谱重构和原始背景光谱恢复，通过约束两个自编码器的中编码器输出的一致性促使学习背景光谱重建的自编码器具有鲁棒地背景重构能力，使用训练好的背景光谱重建自编码器对待检测高光谱图像进行重构，通过计算重构误差实现目标检测。
3、根据上述思路，本专利技术的具体实现步骤包括如下：
4、(1)从高光谱图像库中选取了一张尺寸为m×n×p的待检测高光谱图像x以及其需检测目标所具有的真实光谱向量d，其中m和n分别代表图像的宽和高，p代表图像的波段数，m和n均为大于0的正整数，p为大于等于100的正整数；
5、(2)对高光谱图像x进行背景样本筛选，从m×n个像素点中选取c个高置信度背景像元作为训练样本b；
6、(3)对训练样本b中每个像元的光谱的每个波段进行邻域光谱均值掩码操作，得到掩码训练样本b′；
7、(4)构建一个由两个自编码器网络ae1和ae2构成的背景学习网络；
8、(5)使用b和b′分别对自编码网络ae1和ae2进行联合迭代训练，其损失函数为最小均方误差函数，得到训练好的自编码网络ae1；
9、(6)将待检测高光谱图像x输入到训练好的自编码器ae1，得到重构高光谱图像输出x′，计算x和x′中每个对应位置像元xi和x′i的之间的光谱角sam(si)，得到m×n个光谱角值，其中：
10、
11、其中，cos-1()表示取反余弦操作，t表示转置操作，将这m×n个光谱角值作为检测结果
12、(7)根据背景弱检测特性，构建均方非线性背景滤波器，将初步检测结果中的每个元素输入到均方非线性背景滤波器中进行背景抑制，得到背景良好抑制的最终检测结果
13、所述步骤(2)中选取c个高置信度背景像元作为训练样本b，使用双窗口检测器和计算光谱角实现，其实现如下：
14、(2a)在x中以每个像元xi为中心，构建两个不同大小的同心方形窗口，其中内窗口大小为win，外窗口大小为wout，将两个窗口之间的像元取出，记为：
15、
16、其中，l＝winout×winout-winin×winin表示取出的像元个数，表示取出的像元；
17、(2b)计算上述取出的像元与先验目标光谱向量d的光谱角al，计算方式如下：
18、
19、(2c)将所有al＞0.3的像元取出作为像元邻域内的高置信度背景像元，将这些像元记为sbkg_i；
20、(2d)对x中所有的像元重复上述(2a)-(2c)，得到所有像素点的邻域背景像元sbkg＝[sbkg_1，sbkg_2，...，sbkg_h×w]；
21、(2e)对上述得到的sbkg＝[sbkg_1，sbkg_2，...，sbkg_h×w]使用去重函数unique(·)，去除sbkg中存在的重复背景像元得到不重复的背景像元训练样本集b。
22、所述步骤(3)中通过邻域光谱均值掩码操作得到掩码训练样本集b′，其实现如下：
23、(3a)从训练样本集b取出一个背景像元样本将其包含的任意每一个波段βp替换成其3邻域内光谱波段的均值，计算方法如下：
24、
25、其中β′p表示βp经过邻域光谱均值掩码之后的结果，mean()表示取均值操作；
26、(3b)对训练样本集b中所有像元重复上述(3a)的操作，得到掩码训练样本集b′。
27、所述步骤(4)中构建一个由两个自编码器网络ae1和ae2构成的背景学习网络，ae1和ae2结构相同，均由编码网络和与其连接的解码网络构成，其中，ae1的解码器网络和ae2的解码器网络彼此共享权重；编码器网络包含输入层、全连本文档来自技高网...
【技术保护点】
1.一种基于光谱掩码驱动背景学习的高光谱图像目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(2)中选取C个高置信度背景像元作为训练样本B，使用双窗口检测器和计算光谱角实现，其实现如下：
3.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(3)中通过邻域光谱均值掩码操作得到掩码训练样本集B′，其实现如下：
4.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(4)中构建一个由两个自编码器网络AE1和AE2构成的背景学习网络，AE1和AE2结构相同，均由编码网络和与其连接的解码网络构成，其中，AE1的解码器网络和AE2的解码器网络彼此共享权重；编码器网络包含输入层、全连接层和输出层组成，输入层的节点数与待测高光谱图像波段数P相等，全连接层节点数等于256，输出层节点数等于128；解码器网络包含输入层、全连接层和输出层，其结构与编码器结构对称，输入层维度等于128，全连接层维度等于256，输出层维度等
5.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(5)中使用B和B′分别作为自编码网络AE1和AE2的输入进行同时迭代训练，其实现如下：
6.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(7)中构建的均方非线性背景滤波器f(x)，其实现如下：
...【技术特征摘要】
1.一种基于光谱掩码驱动背景学习的高光谱图像目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(2)中选取c个高置信度背景像元作为训练样本b，使用双窗口检测器和计算光谱角实现，其实现如下：
3.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(3)中通过邻域光谱均值掩码操作得到掩码训练样本集b′，其实现如下：
4.根据权利要求1所述的基于光谱掩码驱动的高光谱图像目标检测方法，其特征在于，所述步骤(4)中构建一个由两个自编码器网络ae1和ae2构成的背景学习网络，ae1和ae2结构相同，均由编码网络和与其连接的解码网络构...
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。