基於魯棒背景估計方法的高光譜圖像局部目標檢測方法
2023-05-30 18:55:56
基於魯棒背景估計方法的高光譜圖像局部目標檢測方法
【專利摘要】本發明公開了一種基於魯棒背景估計方法的高光譜圖像局部目標檢測方法，用於解決現有高光譜圖像局部目標檢測方法虛警率高的技術問題。技術方案是首先利用基於光譜角的聚類方法，在白化空間中對輸入圖像進行聚類。在檢測過程中，引入MCD估計方法估計待測像元所屬聚類的背景參數，從而提高檢測性能。在RIT提供的數據集上目標測試結果顯示，反映虛警數的平均得分為2.8，較Halper的改進方法降低了4.4。衛星拍攝的AVIRIS數據集上的測試結果表明，在100％的檢測率下，虛警率為0.11％，而Halper的方法虛警率為0.29％左右，全局方法的虛警率為0.82％；可見本發明方法明顯降低了虛警率。
【專利說明】基於魯棒背景估計方法的高光譜圖像局部目標檢測方法
【技術領域】
[0001] 本發明涉及一種高光譜圖像局部目標檢測方法，特別涉及一種基於魯棒背景估計 方法的高光譜圖像局部目標檢測方法。
【背景技術】
[0002] 高光譜圖像是利用成像光譜儀將視場中觀測到的各種地物的光譜信息記錄下來 得到影像數據，它結合了地面物質的空間和光譜信息，以精細的光譜解析度為地物的分類 和檢測提供了可靠依據。
[0003] 大部分的檢測方法通過計算待測像元與背景均值的距離，或者通過計算待測像元 與已知的目標特徵光譜之間的相似程度，將目標從背景中區分出來。自適應餘弦一致性評 估器算法（Adaptive Cosine/Coherence Estimator, ACE)等傳統的非結構化目標檢測算法 是一類全局檢測算法。其通過直接對整幅高光譜圖像計算背景均值和協方差矩陣，實現對 圖像背景參數的估計。當場景複雜時，圖像中大量存在的異常點對背景造成汙染，導致全局 背景均一性的下降，從而破壞了全局檢測算法的檢測性能。
[0004] 近年來，通過對圖像進行分類或利用滑動窗口構造相對較均勻的局部背景，再對 局部背景使用傳統檢測算法進行檢測的局部方法越來越受到人們的關注。但現有的多數局 部檢測算法，仍然沿用全局算法用來估計背景參數的經驗估計方法。該方法容易受到異常 數據的幹擾，因此影響局部檢測算法的魯棒性。
[0005] 針對這一問題，近來也有相關的研究提出了一些改進方法，例如Marin S. Halper 在文獻"Global, local, and stochastic background modeling for target detection in mixed pixels, 2010,（7695) :769527-769527-13"中，利用全局RXD(Reed-X Detector)和全 局ACE算法估計數據中的異常點和感興趣目標，形成掩膜，在估計局部背景參數時利用掩 膜將異常點和疑似目標排除在外。然而，該方法受全局算法對異常點和感興趣目標的估計 結果影響很大，缺乏穩定性，不能很好的應對複雜場景。
【發明內容】
[0006] 為了克服現有高光譜圖像局部目標檢測方法虛警率高的不足，本發明提供一種基 於魯棒背景估計方法的高光譜圖像局部目標檢測方法。該方法首先利用基於光譜角的聚類 方法，在白化空間中對輸入圖像進行聚類，形成具有較高均一性的具備背景。在檢測過程 中，引入MCD估計方法估計待測像元所屬聚類的背景參數，以獲得更可靠的估計結果，從而 提高算法的檢測性能。在RIT (Rochester Institute of Technology)提供的數據集上目 標測試結果顯示，在各測試目標上的平均得分（反映虛警數）為2. 8,較Halper的改進方法 降低了 4. 4。衛星拍攝的AVIRIS數據集上的測試結果表明，在100%的檢測率下，虛警率為 0. 11%，而Halper的方法虛警率為0. 29%左右，全局方法的虛警率為0. 82% ;可見本發明 方法明顯降低了虛警率。
[0007] 本發明解決其技術問題所採用的技術方案是：一種基於魯棒背景估計方法的高光 譜圖像局部目標檢測方法，其特點是包括以下步驟：
[0008] 步驟一、對於輸入高光譜圖像，使用MCD估計方法估計出全局背景參數並進行白 化，得到白化數據Dw。
[0009] (1)對於一幅具有p個波段、n個像元的高光譜圖像Xn = {Xp x2, ? ? ?，xj，用Xn 中下標在集合Ht中的成員計算其協方差矩陣E t和均值ut，Ht為1到n內的整數集合，即 //, C彳1，2，...，/7丨，|Ht| =h, t為當前迭代代數。
[0010] ⑵計算每一像元Xi到當前均值向量ut的馬氏距離，
【權利要求】
1. 一種基於魯棒背景估計方法的高光譜圖像局部目標檢測方法，其特徵在於包括以下 步驟： 步驟一、對於輸入高光譜圖像，使用MCD估計方法估計出全局背景參數並進行白化，得 到白化數據Dw ; (1) 對於一幅具有P個波段、n個像元的高光譜圖像Xn = {xp x2,. . .，xn}，用Xn中 下標在集合Ht中的成員計算其協方差矩陣E t和均值ut，Ht為1到n內的整數集合，即 //, c彳1，2,"丨，|Ht| =h，t為當前迭代代數； (2) 計算每一像元Xi到當前均值向量+的馬氏距離，
i = 1，? ? ?，n ; ⑶將得到的各距離排序dta)，得到序列dta)彡dta)彡…彡d ta); (4)由上述序列構造下次迭代所需的集合Ht+1= ，…，jh}; 重複上述步驟⑴到步驟⑷產生序列det( E J彡det( E 2)彡det( E 3)彡…，該 序列收斂於det ( E m) = 0或det ( E m) = det ( E 時，將此時的協方差矩陣和均值向 量作為估計結果；在產生初始集合％時，先從Xn中隨機抽出p+1個成員組成集合V，計算V 上的協方差矩陣[v和均值uv ;若det ( E v) = 0,從Xn中每次增選一個成員來擴充V，直至 det ( E v)尹0 ;對V運用一次所述估計背景參數的步驟（1)到（4)，將步驟（4)產生的集合 H 作為 HQ ;h 的取值為[(n+p+1) /2, n]，且 h>p ; 步驟二、對白化數據Dw進行聚類， (1) 將第一個像元標記為第一類； (2) 對於每一像元Xi計算其與現有每一聚類中心Cj, j = 1，2,. . .，1的夾角，1為當前 聚類中心數目； (3) 若存在一聚類中心Ck，使得\和(；的夾角小於閾值e，則將Xi歸入Ck所代表的類 另IJ ;否則，將Xi作為新增聚類中心C1+1，同時1 = 1+1 ; (4) 對於步驟（3)中得到的聚類結果，用每類的均值更新其聚類中心；若各聚類中心較 上次迭代有變化，則轉步驟（2);否則，轉步驟（5); (5) 取消類成員數量小於A ^的聚類，對其中成員重新使用步驟（2)和步驟（3)進行 標記過程；其中，入為給定閾值，n為圖像中像元總數； 獲得m個聚類LBs = {Clp Cl2,. . .，Clm}和少量無標籤的像元； 步驟三、對於每一聚類Clk，k = 1，2,. . . .，m，使用MCD估計方法，估計其背景參數：協方 差矩陣Ek和均值向量uk; 步驟四、對於每一待測像元，使用其所屬類別的局部背景參數作為ACE目標檢測算法 的輸入，按如下公式得到各像元對應的輸出：
其中，s為目標特徵光譜，E k和uk分別為第k聚類的協方差矩陣和均值；對於聚類後 仍無標籤的像元，使用MCD估計方法估計得到的全局背景參數作為ACE目標檢測算法的輸 入，由各像元對應的算法輸出值組成基於MCD估計方法的高光譜圖像局部ACE目標檢測的 結果。
【文檔編號】G06T7/00GK104346812SQ201410538062
【公開日】2015年2月11日 申請日期:2014年10月13日 優先權日:2014年10月13日
【發明者】張豔寧, 魏巍, 嚴杭琦, 張磊, 李飛, 王波波 申請人:西北工業大學