[发明专利]基于数学形态学的光谱角度匹配方法

说明书

技术领域

本发明涉及高光谱目标特性与目标识别技术领域，尤其涉及基于数学形态学的光谱角度匹配方法。

背景技术

以下对本发明的相关技术背景进行说明，但这些说明并不一定构成本发明的现有技术。

高光谱遥感的兴起是20世纪80年代遥感技术的最大成就之一，而高光谱目标检测技术是高光谱遥感最为重要的应用方向之一。传统的目标检测算法一般是在假设数据服从某种统计或几何模型的基础上构造检测算子，并根据先验信息估计算子中的统计参量，例如自适应余弦估计(Adaptive cosine estimator,ACE)、正交子空间投影(Orthogonal subspace projector,OSP)算法等。但是在实际应用中，目标的先验信息不易获取。

在未知目标、未知背景情况下的目标检测可以通过两种方式来实现，一种是直接根据信息量的分布进行异常目标检测，主要有异常检测(RXD)算法、均衡目标检测(UTD)算法等。另一种是利用混合像元分解中的端元提取技术获得目标及背景信息的非监督目标检测。通常情况下，由于受遥感图像空间分辨率的限制以及地物复杂多样性的影响，某些感兴趣目标在图像中大多以混合像元的形式存在。因此，研究基于端元提取算法的高光谱图像目标检测技术就显得尤为重要。

传统的基于端元提取算法的高光谱图像目标检测技术均是从数据光谱信息和特征空间分析的角度出发进行处理的，忽略了像元之间存在的空间相关性。为了更加准确地进行高光谱遥感图像的分析，综合考虑高光谱数据提供的光谱信息和空间信息是十分必要的。

发明内容

本发明的目的在于提出基于数学形态学的光谱角度匹配方法，能够解决在目标与背景未知的情况下高光谱图像感兴趣目标检测识别的问题。

本发明基于数学形态学的光谱角度匹配方法，包括：

S1、在结构元素中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元对应的MEI值，得到MEI图像；

S2、遍历MEI图像中的每个像元，将MEI值大于预设的MEI阈值的像元标记为端元，得到端元图像；

S3、对所述端元图像进行图像分割和区域生长，得到端元光谱图像；

S4、遍历端元光谱图像中的每个端元，利用光谱角度匹配算法获取所述端元光谱图像中每个像元光谱与当前的端元光谱之间的光谱角度，若该光谱角度为0，则将当前的像元与当前的端元归为一类。

优选地，步骤S1中，在两个或更多个结构元素中分别对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的MEI值；

对于任意一个像元，将采用不同结构元素获得的MEI值的平均值作为该像元对应的MEI值；

其中，不同结构元素的大小不同。

优选地，步骤S1中，首先在最小结构元素K_min中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的MEI值；

然后依次增加结构元素的大小，在每个结构元素中对目标高光谱图像的每个像元进行基于质心的膨胀和腐蚀运算，获取每个像元的MEI值，直至达到最大结构元素K_max；

对于任意一个像元，将采用不同结构元素获得的MEI值的平均值作为该像元对应的MEI值；

其中，最小结构元素K_min、最大结构元素K_max、以及介于最小结构元素K_min和最大结构元素K_max之间的结构元素是预先设置的。

优选地，步骤S1包括：对于每个结构元素：

在结构元素中，对目标高光谱图像的每个像元进行基于质心的膨胀运算，将达到结构元素质心的距离最大的像元作为最纯净像元；

在结构元素中，对目标高光谱图像的每个像元进行基于质心的腐蚀运算，将达到结构元素质心的距离最小的像元作为混合最严重像元；

将最纯净像元与混合最严重像元之间的光谱角度距离作为结构元素当前位置对应的像元的MEI值。

优选地，对于任意一个结构元素，其质心为：

式中，K代表结构元素；M是结构元素K中像元的数量；c_K为结构元素K的质心；f(s,t,w)为结构元素K中任意一个像元，(s,t,w)为像元f(s,t,w)的坐标。

优选地，步骤S2之前进一步包括：将MEI图像中每个像元的MEI值的平均值作为预设的MEI阈值。