[发明专利]一种采用局部自适应阈值分割的高光谱图像异常探测方法

说明书

技术领域

本发明属于高光谱图像异常目标检测领域，具体涉及一种采用局部自适应阈值分割的高光谱图像异常探测方法。

背景技术

目标检测是高光谱遥感图像应用的一个重要方向。根据是否需要先验知识，现有的目标检测技术可分为需要先验目标信息或已知背景的目标检测算法和无需任何先验信息的异常目标检测算法。由于在很多实际处理中缺少足够的光谱先验信息，因此，无需任何先验信息的高光谱图像异常检测更符合实际应用的需求。

RX算子是目前使用最广泛的异常探测算法之一，作为经典算法，它源自多光谱图像检测，并由Reed和Xiaoli Yu在1990年最早提出来。该算法是在一些简化的假设条件下，构造似然比检测算子直接对高光谱图像进行处理，这使得检测结果会产生较高的虚警。传统的RX算子是基于线性统计模型推到得到的，它忽略了高光谱数据上百个波段间丰富的非线性信息，导致在实际应用中检测效果不理想。为此，Kwon等人进一步地提出了一种基于核的非线性RX改进算法，该算法利用核函数将原始输入空间的非线性分析映射为高维特征空间的线性分析，更好地利用高光谱图像波段之间的非线性统计特性。然而，当存在较大面积不感兴趣的背景干扰时，KRX算子往往会出现将干扰误判成目标的现象。新型背景抑制核RX(Opening-operation Kernel RX,OKRX)算法，该算法针对KRX检测的灰度值图像大面积亮背景干扰的提取，从根本上解决这种干扰引起的虚警问题。

在实际异常检测应用中，阈值的自适应选取尤为重要。这是由于对检测结果的获得必须是具有实效性的，通过人工分割时，是对全局进行最佳阈值的选取，需要多次实验验证才能确定。随着现代遥感技术的飞速发展，高光谱遥感在处理中的地物信息更加丰富，这使得通过人工分割方法获取最佳阈值变得非常困难。另一方面，对于仅存在于局部范围内而淹没于全局背景中的异常目标或一些较弱的异常目标，全局阈值分割方法将失效，给异常目标检测性能带来了巨大的影响。采用局部自适应阈值分割的方法可以减少实际处理中的工作量，提高了异常目标检测的效率和准确率。为了准确地进行高光谱遥感图像的异常探测，同时解决仅存在于局部范围内而淹没于全局背景中的异常目标检测，全局阈值分割将失效这一问题，本发明提出了一种局部自适应阈值分割的高光谱异常目标检测方法(Opening-operation local adaptive threshold Kernel RX,OAKRX)。

发明内容

本发明的目的在于提供一种无需通过反复大量试验获取最佳阈值，降低算法在实际处理中的工作量，具有更强的实用性的一种采用局部自适应阈值分割的高光谱图像异常探测方法。

本发明的目的是这样实现的：

(1)读入高光谱数据；

(2)采用非线性KRX算子对高光谱数据处理得到检测结果灰度图：

(2.1)选择同心双层窗，对原始高光谱图像数据归一化，然后根据合成图像大小和目标分布，选择目标检测窗口设为3×3像素，背景信息提取窗口大小设为11×11像素；

(2.2)选择现有的核函数中高斯径向基核函数RBF，选用径向基核，其中x_i为核函数中心，即目标窗内的待检测像元，σ²为核函数的宽度参数，x为背景窗内待检测像元；

k(x·x_i)＝exp(||x-x_i||²/σ²)

(2.3)采用非线性KRX算子对原始高光谱数据处理得到检测结果灰度图F；

(3)对检测的灰度图像进行预处理消除背景干扰：

(3.1)采用一个直径r大于最大异常目标的圆形结构元素B对检测结果灰度值图像进行形态学开运算，对检测结果灰度图F进行邻域连接，将相邻的噪声连接起来构成一块区域，消去图像中的异常目标，获得图像背景干扰的灰度图像G：

G＝FοB

(3.2)灰度图像G中的背景干扰体现为高亮度信息，根据图像上的点p通过对灰度图像进行灰度分解得到的一个的二值图像存在灰度为m∈[0,M-1]使得M为灰度图像中的最大灰度级：