基於大尺度高解析度高光譜圖像的目標探測方法及裝置與流程

2024-02-15 23:10:15 5

本發明屬於信息技術領域，尤其涉及基於大尺度高解析度高光譜圖像的目標探測方法及裝置。

背景技術：

高光譜圖像相對於灰度圖、RGB(Red，紅；Green，綠；Blue，藍)彩色圖，包含了空間和光譜信息，數據量大，在檢測偽裝和隱蔽的軍事目標，以及在民用搜救探測目標等方面都有重要的作用。隨著高光譜技術的發展，目前的高光譜圖像呈現出高空間解析度的特點，地物目標在高光譜圖像上具有豐富的紋理和結構信息，其包含的光譜信息也非常複雜與豐富。現有的高光譜圖像目標探測算法主要採用光譜信息進行目標探測，包括正交子空間投影(Orthogonal Subspace Projection，OSP)、廣義化似然比探測(Generalized Likelihood Ratio Test，GLRT)、約束能量最小化算法(Constrained Energy Minimization，CEM)、自適應餘弦估計算法(Adaptive Cosine Estimator，ACE)、RX異常探測算法(Reed-X Detector，RXD)等。這些算法普遍適用於低空間解析度的衛星遙感高光譜圖像。現有的高光譜圖像目標探測算法主要是利用像元的光譜信息，它們在高解析度的高光譜圖像的目標探測中的探測效果較差。

技術實現要素：

鑑於此，本發明實施例提供了一種基於大尺度高解析度高光譜圖像的目標探測方法及裝置，以解決現有技術在高解析度的高光譜圖像的目標探測中的探測效果較差的問題。

第一方面，本發明實施例提供了一種基於大尺度高解析度高光譜圖像的目標探測方法，包括：

讀取目標對應的高光譜圖像；

對所述高光譜圖像進行預處理；

檢測經過預處理的所述高光譜圖像的所有候選空譜域興趣點，得到第一集合；

根據響應強度對所述第一集合中的候選空譜域興趣點進行篩選，得到第二集合；

根據所述第二集合對應的光譜曲線進行光譜角匹配，得到潛在目標區域的圖像塊；

對所述圖像塊進行特徵描述，並編碼得到所述圖像塊對應的矢量；

根據所述圖像塊對應的矢量計算所述圖像塊對應的分類函數的值；

若所述圖像塊對應的分類函數的值大於分類閾值，則判定所述圖像塊包含所述目標；

若所述圖像塊對應的分類函數的值小於或等於所述分類閾值，則對所述圖像塊進行分割，直至分割得到的某一子圖像塊對應的分類函數的值大於所述分類閾值，或者分割得到的子圖像塊達到指定最小尺寸。

第二方面，本發明實施例提供了一種基於大尺度高解析度高光譜圖像的目標探測裝置，包括：

讀取模塊，用於讀取目標對應的高光譜圖像；

預處理模塊，用於對所述高光譜圖像進行預處理；

檢測模塊，用於檢測經過預處理的所述高光譜圖像的所有候選空譜域興趣點，得到第一集合；

篩選模塊，用於根據響應強度對所述第一集合中的候選空譜域興趣點進行篩選，得到第二集合；

光譜角匹配模塊，用於根據所述第二集合對應的光譜曲線進行光譜角匹配，得到潛在目標區域的圖像塊；特徵描述模塊，用於對所述圖像塊進行特徵描述，並編碼得到所述圖像塊對應的矢量；

計算模塊，用於根據所述圖像塊對應的矢量計算所述圖像塊對應的分類函數的值；

目標判定模塊，用於若所述圖像塊對應的分類函數的值大於分類閾值，則判定所述圖像塊包含所述目標；

分割模塊，用於若所述圖像塊對應的分類函數的值小於或等於所述分類閾值，則對所述圖像塊進行分割，直至分割得到的某一子圖像塊對應的分類函數的值大於所述分類閾值，或者分割得到的子圖像塊達到指定最小尺寸。

本發明實施例與現有技術相比存在的有益效果是：本發明實施例通過運用空譜域結合提取興趣點，對高光譜圖像進行分割，使空譜域興趣點相分離，並通過描述、編碼、分類實現目標物的快速識別定位，從而能夠提高高解析度的高光譜圖像的目標探測中的探測效果。

附圖說明

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1示出本發明實施例提供的基於大尺度高解析度高光譜圖像的目標探測方法的實現流程圖；

圖2示出本發明實施例中高光譜圖像中某點的原始光譜曲線和採樣頻率為原始光譜曲線的1/3的光譜曲線的示意圖；

圖3示出了本發明實施例中四叉樹分割的示意圖；

圖4示出本發明實施例提供的基於大尺度高解析度高光譜圖像的目標探測方法採用的整體框架的示意圖；

圖5至圖8示出在不同場景下採用本發明實施例的基於大尺度高解析度高光譜圖像的目標探測方法與採用其他算法的效果示意圖；

圖9示出本發明實施例提供的就高光譜圖像的目標探測裝置的結構框圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。

圖1示出本發明實施例提供的基於大尺度高解析度高光譜圖像的目標探測方法的實現流程圖。如圖1所示，該方法包括：

在步驟S101中，讀取目標對應的高光譜圖像。

該高光譜圖像可以為一大尺度高解析度的高光譜圖像，例如，該高光譜圖像的尺寸可以為M×N×B1，其中，M表示高光譜圖像的行數，N表示高光譜圖像的列數，B1表示高光譜圖像的原波段數。

在步驟S102中，對高光譜圖像進行預處理。

在一種可能的實現方式中，對高光譜圖像進行預處理，包括：對高光譜圖像進行波段採樣處理。在該實現方式中，為了使該基於大尺度高解析度高光譜圖像的目標探測方法具有一定的實時性，可以對原始的高光譜圖像進行波段採樣處理。例如，採樣間隔可以為k，經過波段採樣處理後的高光譜圖像的尺寸可以為M×N×B2，其中，B2表示高光譜圖像的採樣後的波段數。B2＝{1,1+k,1+2k,...,Bmax},Bmax≤B1，其中，Bmax表示B2的最大波段數。

圖2示出本發明實施例中高光譜圖像中某點的原始光譜曲線和採樣頻率為原始光譜曲線的1/3的光譜曲線的示意圖。在圖2中，橫軸為波長，縱軸為傳感器記錄的原始輻射值(Digital Number)。由圖2可以看出，在採樣後的光譜曲線中，光譜域的維度大大減少，數據量也隨之大大減少。在採用後的光譜曲線中，在降低數據量的同時保留了光譜信息，這樣為快速檢測時空興趣點提供了基礎。

在步驟S103中，檢測經過預處理的高光譜圖像的所有候選空譜域興趣點，得到第一集合。

在本發明實施例中，空譜域興趣點可以指整個高光譜立方塊中像素值發生劇烈變化的點。在本發明實施例中，可以在預處理之前，提取高光譜圖像的所有候選空譜域興趣點。假設pj表示第j個候選空譜域興趣點，vj表示第j個候選空譜域興趣點對應的響應強度，pj到vj為一一映射關係，G:pj→vj。根據所有候選空譜域興趣點可以構建第一集合P＝{p1,p2,p3,...,pm|G(px)≥G(px+1)}，其中，P表示第一集合，x∈{1,2,3,...,m-1}，m表示高光譜圖像中候選空譜域興趣點的總個數。

在步驟S104中，根據響應強度對第一集合中的候選空譜域興趣點進行篩選，得到第二集合。

由於候選空譜域興趣點的數據量非常大，因此可以對第一集合中的候選空譜域興趣點進行篩選，得到第二集合，並採用第二集合對高光譜圖像進行表示，以提高目標探測的效率。例如，可以用Fn表示對第一集合取前n個元素構成新的子集，並可以用表示高光譜圖像的子集，其中，表示第二集合，n<m。通常，m遠遠大於n。

在一種可能的實現方式中，根據響應強度對第一集合中的候選空譜域興趣點進行篩選，得到第二集合，包括：從第一集合中篩選出響應強度最大的前n個候選空譜域興趣點，得到第二集合，其中，n為正整數。

在步驟S105中，根據第二集合對應的光譜曲線進行光譜角匹配，得到潛在目標區域的圖像塊。

在一種可能的實現方式中，該方法還包括：採用目標對應的光譜曲線集合與候選空譜域興趣點對應的光譜曲線進行光譜角匹配，以排除非潛在目標區域的圖像塊。例如，光譜角相似度閾值可以為h。在該實現方式中，為了提高運算效率，減少後續的計算量。首先可以採用目標對應的光譜曲線集合與候選空譜域興趣點對應的光譜曲線進行光譜角匹配，計算採樣後的高光譜圖像的候選空譜域興趣點與目標對應的光譜曲線集合的光譜角相似度，再使用該相似度與設定的光譜角相似度閾值h進行比較，若該相似度低於光譜角相似度閾值h，則判定該圖像塊有可能存在目標，否則排除該圖像塊。在步驟S106中，對圖像塊進行特徵描述，並編碼得到圖像塊對應的矢量。

作為本發明實施例的一個示例，可以採用3D SIFT對pj進行描述形成qj，j∈{1,2,3,...,m}，pj與qj之間的映射關係可以用H表示為H:pj→qj。對第二集合進行描述，形成描述集合對每個圖像立方塊得到的描述集合進行詞袋模型(BoW)編碼形成統計分布直方圖，可以得到各個圖塊像對應的矢量。

在步驟S107中，根據圖像塊對應的矢量計算圖像塊對應的分類函數的值。

作為本發明實施例的一個示例，在得到各個圖像塊對應的矢量後，可以用得到的矢量對高光譜圖像進行表示，並可以採用SVM(Support Vector Machine，支持向量機)分類器進行分類。假設一圖像塊對應的矢量為X，則判別目標物的分類函數可以為f(X)＝wTX+b，其中，w向量和b向量為SVM分類器對大量目標物樣本訓練後得到的向量。

在步驟S108中，若圖像塊對應的分類函數的值大於分類閾值，則判定該圖像塊包含目標。

例如，分類閾值可以為Td。若f(X)≥Td，則判定矢量X對應的圖像塊包含目標，否則採用四叉樹分割方法對當前圖像進行分割。

在步驟S109中，若圖像塊對應的分類函數的值小於或等於分類閾值，則對圖像塊進行分割。

在一種可能的實現方式中，對圖像塊進行分割，包括：對圖像塊進行四叉樹分割。需要說明的是，在該實現方式中，高光譜圖像的四叉樹分割是在空域上進行的。與一般的四叉樹分割不同的是，由於圖像空域方向的分割塊大小不同對興趣點的提取影響不大，所以不需要進行圖像的填充使行列都為2的n次方。例如，假設高光譜圖像的尺寸為M×N×B，其中M為行數，N為列數，B為波段數。在分割時，根據M和N奇偶性，做以下分割：

其中，Ri為分割子立方塊，四叉樹分割方法目標是使大環境下的高光譜圖像塊所包含的目標物越少，特徵映射後所屬類的評分會越高。

在步驟S110中，根據子圖像塊分割所有候選空譜域興趣點，形成對應子圖像塊的第一集合。

在一種可能的實現方式中，對高光譜圖像進行四叉樹分割後，Pi為Ri區域的候選點集，表示為Pi＝{p1,p2,p3,...,pyi|G(pz)≥G(pz+1)}，其中，yi為對應子立方塊Ri的候選空譜域興趣點的數量的最大值，z∈{1,2,3,...,yi-1}。同時，也形成四個子集表示為在分割後的子立方塊中繼續選取n個候選空譜域興趣點形成集合Pi′，該集合P′i用於表示高光譜圖像，P′i可以表示為P′i＝Fn(Pi)，則對應的圖像塊的特徵描述集Qi可以表示為新形成的圖像塊特徵描述集中，不需要對n個候選空譜域興趣點進行描述，而只需運算部分即可，則從父圖像繼承。

在步驟S111中，依次對分割後的子圖像重複操作，直至分割得到的某一子圖像塊對應的分類函數的值大於分類閾值，或者分割得到的子圖像塊達到指定最小尺寸。

在一種可能的實現方式中，在根據圖像塊對應的矢量計算圖像塊對應的分類函數的值之後，該方法還包括：若子圖像塊對應的分類函數的值小於或等於分類閾值，則繼續對該子圖像塊進行四叉樹分割，直至分割得到的某一子圖像塊對應的分類函數的值大於分類閾值或者達到指定最小尺寸便停止分割。

將原始高光譜圖像的數據作為根節點，依次遞歸分割為四個子立方塊，直到滿足條件f(X)≥Td則停止分割。f(X)為高光譜圖像經過基於空譜域提取的興趣點和特徵描述後的BoW模型編碼的特徵映射對應目標物的分類函數，Td為分類閾值。需要說明的是，由於選擇的候選空譜域興趣點可能包含其他目標物，會影響f(X)的值，若僅含有一種目標物，則經過計算後，得到的所屬目標物的f(X)較大。

圖3示出了本發明實施例中四叉樹分割的示意圖。如圖3所示，假設原始高光譜圖像輸入時序號為0，對依次分割的子立方塊進行編碼，序號長度越長代表樹的深度越深，子圖像塊的尺寸則越小。

需要說明的是，一般目標物會由較小的圖像塊組成，經過分類函數判定後的圖像會有錯誤分類的現象，需要進行一定的後處理。例如，通過尋找確定為目標的圖像塊的質心，可以計算出目標物的質心。假設目標物的質心為C，各個圖像塊的質心為Cα，則其中，β為確定目標後圖像塊的個數，求出質心後，便可以確定目標物所在的位置，從而可以採用預先設定好大小形狀的圖形方框進行定位。

圖4示出本發明實施例提供的基於大尺度高解析度高光譜圖像的目標探測方法採用的整體框架的示意圖。如圖4所示，作為本發明實施例的一個示例，可以首先在高光譜圖像對應的立方體裡提取候選空譜域興趣點，根據候選空譜域興趣點對應的光譜曲線快速排除非潛在目標區域，對疑似目標區域進行特徵描述，接著採用BoW進行圖像編碼，並用SVM分類器對其進行分類，如果被判為目標則該塊目標探測結束，否則繼續用四叉樹分割方法對圖像進行劃分，並重複上述步驟，如此迭代至條件成立為止。

應理解，在本發明實施例中，上述各過程的序號的大小並不意味著執行順序的先後，各過程的執行順序應以其功能和內在邏輯確定，而不應對本發明實施例的實施過程構成任何限定。

本發明實施例通過運用空譜域結合提取興趣點，對高光譜圖像進行分割，使空譜域興趣點相分離，並通過描述、編碼、分類實現目標物的快速識別定位，從而能夠提高高解析度的高光譜圖像的目標探測中的探測效果。

為了更直觀地示出本發明實施例在基於大尺度高解析度高光譜圖像的目標探測中的效果，以下示出了實驗結果。本實驗使用的高光譜圖像來自型號為Image-λ-V10E-HR的高光譜相機，ZOLIX INSTRUMENTS CO.,LTD.，有728個波段，波長範圍從362.05～1002.47nm，空間分辨為2.9cm/像素，光譜解析度達到了0.88nm。本實驗以探測汽車為目標為例，設定Fn中的n值為100，分類閾值Td為1.1，光譜角相似度閾值h為0.19，採樣間隔k為3。在不同場景下的情況進行實驗，並對比本實施例提供的基於大尺度高解析度高光譜圖像的目標探測方法與傳統的RXD，CEM，ACE等算法。圖5～圖8設置了不同的場景，其中圖(a)為原始高光譜圖像，圖(b)為本實施例的實驗結果，圖(c)～圖(f)中圖像上的黑色點為目標物，圖(c)為使用閾值300使探測結果二值化RXD算法的結果，圖(d)為使用閾值0.2使探測結果二值化CEM算法的結果，圖(e)為使用閾值0.08使探測結果二值化ACE算法的結果，圖(f)為使用閾值0.2使探測結果二值化MF算法的結果；RXD探測不需要先驗知識，圖5～圖7中CEM、ACE和MF探測均取汽車車前蓋某點的光譜曲線作為先驗知識進行探測，而圖8則取位置在上邊的車的車頂某點的光譜曲線作為先驗知識進行探測。

如圖5所示，場景一中有白色汽車，樹，道路和路燈，採用本實施例能準確探測出汽車的位置，RXD算法、CEM和MF除了探測到汽車外，還有路燈也被認定為目標物，而ACE沒能準確探測到。

如圖6所示，場景二中有黑色汽車，道路，人行道和土壤，採用本實施例能較好地標識出汽車的位置。對於黑色汽車，RXD、CEM、MF探測不出汽車，而ACE探測的目標比較集中在黑色汽車位置，但效果較差。

如圖7所示，場景三中有白色汽車，道路，人行道和土壤，相比於場景一最大的不同是更換了背景，但採用本實施例仍能較好地探測出汽車。探測結果與場景一相似，RXD算法探測把其他非目標物質標註出來，CEM算法和MF算法能大致探測出目標物，而ACE算法效果較差。

如圖8所示，場景四中有三輛不同顏色的汽車，道路和植被，RXD算法探測的結果除了汽車外還有其他非汽車目標，CEM算法和MF算法探測出上邊車輛的結果比較明顯，其他兩輛車也能探測出，但效果比較不明顯。而ACE算法只能探測出上邊的車輛，其他兩輛車均不能明顯探測出來。

根據RXD的原理知，存在異常目標時，相應的能量會比較小，計算的結果會是比較大的值，當目標與背景差異較大時探測結果較為理想，其算法最大的優點是不需要目標先驗知識。ACE需知道樣本協方差陣，需估計所有目標樣本像元的協方差陣，當目標像元在高光譜圖像較少時，對該估計值影響較小，但本實驗的目標較大，影響了檢測效果，ACE對少量目標探測效果會好點。CEM、MF都是需要先驗目標知識，通過抑制背景探測目標，兩種方法也是對小目標探測最為有效。

本發明實施例很好地適用在大尺度高解析度高光譜圖像的場景下，這是由於檢測特徵點的方法結合了空間和譜間的信息，使高光譜圖像提供的信息量最大化，探測前期事先訓練目標物的SVM模型，用四叉樹方法把特徵描述劃分，根據描述區分圖像塊的性質，這樣能夠精確地探測目標物。

圖9示出本發明實施例提供的就高光譜圖像的目標探測裝置的結構框圖。為了便於說明，在圖9中僅示出了與本發明實施例相關的部分。

如圖9所示，該裝置包括：讀取模塊90，用於讀取目標對應的高光譜圖像；預處理模塊91，用於對所述高光譜圖像進行預處理；檢測模塊92，用於檢測經過預處理的所述高光譜圖像的所有候選空譜域興趣點，得到第一集合；篩選模塊93，用於根據響應強度對所述第一集合中的候選空譜域興趣點進行篩選，得到第二集合；光譜角匹配模塊94，用於根據所述第二集合對應的光譜曲線進行光譜角匹配，得到潛在目標區域的圖像塊；特徵描述模塊95，用於對所述圖像塊進行特徵描述，並編碼得到所述圖像塊對應的矢量；計算模塊96，用於根據所述圖像塊對應的矢量計算所述圖像塊對應的分類函數的值；目標判定模塊97，用於若所述圖像塊對應的分類函數的值大於分類閾值，則判定所述圖像塊包含所述目標；分割模塊98，用於若所述圖像塊對應的分類函數的值小於或等於所述分類閾值，則對所述圖像塊進行分割，直至分割得到的某一子圖像塊對應的分類函數的值大於所述分類閾值，或者分割得到的子圖像塊達到指定最小尺寸。

在一種可能的實現方式中，所述篩選模塊93具體用於：從所述第一集合中篩選出響應強度最大的前n個候選空譜域興趣點，得到第二集合，其中，n為正整數。

在一種可能的實現方式中，所述裝置還包括：光譜角匹配模塊94還用於：採用所述目標對應的光譜曲線集合與候選空譜域興趣點對應的光譜曲線進行光譜角匹配，以排除非潛在目標區域的圖像塊。

在一種可能的實現方式中，所述分割模塊98具體用於：對所述圖像塊進行四叉樹分割。

本發明實施例通過運用空譜域結合提取興趣點，對高光譜圖像進行分割，使空譜域興趣點相分離，並通過描述、編碼、分類實現目標物的快速識別定位，從而能夠提高高解析度的高光譜圖像的目標探測中的探測效果。

本領域普通技術人員可以意識到，結合本文中所公開的實施例描述的各示例的模塊及算法步驟，能夠以電子硬體、或者計算機軟體和電子硬體的結合來實現。這些功能究竟以硬體還是軟體方式來執行，取決於技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的範圍。

所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的裝置和模塊的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。

在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個模塊可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，模塊的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的模塊可以是或者也可以不是物理上分開的，作為模塊顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。

另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，伺服器，或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬碟、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光碟等各種可以存儲程序代碼的介質。

以上所述，僅為本發明的具體實施方式，但本發明的保護範圍並不局限於此，任何熟悉本技術領域的技術人員在本發明揭露的技術範圍內，可輕易想到變化或替換，都應涵蓋在本發明的保護範圍之內。因此，本發明的保護範圍應所述以權利要求的保護範圍為準。