[发明专利]基于集成约束多示例学习的高光谱目标检测方法

说明书

本发明提出了一种基于集成约束多示例学习的高光谱目标检测方法，用于解决现有技术对复杂场景下的高光谱目标检测效果差的问题，实现步骤为：1)获取训练样本集和测试样本集；2)构建集成约束多示例学习网络W；3)对集成约束多示例学习网络W进行迭代训练；4)获取高光谱的目标检测结果。本发明将集成约束与多示例学习相结合，使得包中每一个像素点都能参与到网络的训练过程中，提高了不精确标记的高光谱目标的检测结果，减小了过拟合现象，可用于爆炸物检测，精准农业，食物安全的分析与检查。

技术领域

本发明属于图像处理技术领域，涉及一种高光谱目标检测方法，具体涉及一种基于集成约束多示例学习的高光谱目标检测方法，可用于爆炸物检测、精准农业和食物安全等领域的分析与检查。

背景技术

高光谱图像(Hyperspectral Images，HSI)具有比一般图像更加优秀的分析能力，它在许多相邻接连且十分窄的光谱带中获取光谱曲线，光谱带通常跨过可见光、近红外和中红外部分，规模大致在0.4μm到2.5μm，这使得它可以为场景中的每个像素构建基本上接连的辐射光谱，传感器同时捕捉地上物质的空间信息，构成共同的三维立方体的数据形式。在高光谱数据中，每种地面物质都可以由一条单一的光谱曲线适当地表示，被称为“光谱签名”，用来表示每个场景中不同种类的物质的共同特性，这些特点使得高光谱数据在包含空间信息的同时可以含有丰富的光谱信息。

在高光谱目标分类任务中，存在两个主要挑战：1)光谱特征的空间变异性大；2)与高维高光谱数据相比，训练样本有限。第一个挑战通常是由许多因素带来的，比如光照、环境、大气和时间条件的变化。第二个挑战会导致某些方法出现不适定问题，降低分类器的泛化能力。

多示例学习第一次提出是被用于分子活性检测，麝香分子具有多种同分异构体，可以紧密附着在比本身大许多的分子上(如酶或者蛋白质)的结构被定义为活性分子，由于同分异构体的存在，其中只要一种或者几种分子结构是有效的。Ditterich等人通过将包括活性分子的都看作正包，非活性分子看作负包，分子作为包中的一个示例，来示现从包的等级学习有效的分子结构。由此开始，引出了多示例问题：假如一个包中包括目标点，则这个包的标签为正，若是包中全部为非目标点，则标签为负。问题的核心就是通过不精确标记的样本尝试得到精确的判断。这种特性使得多示例学习逐渐在图像检索、文本分类、目标检测等各个领域得到了广泛的应用。因此将高光谱不精确标记下的目标检测问题建模为多示例问题，近年来逐渐成为研究的热点。

目前多示例学习算法可以分为基于示例水平空间的多示例算法、基于嵌入空间的多示例算法和基于包水平的多示例算法。

基于示例水平空间的多示例算法主要有Andrews等人提出的mi-SVM算法，它首先通过把包的标签分给每个示例，基于所有的示例训练一个初始的标准SVM分类器，然后用该分类器重新对正包中的示例进行分类，当正包中所有的示例被标记为负时，就把其中置信度最大的那个示例分成正示例，基于这些标记为正的示例和所有负包中的示例重新训练分类器，不断训练和标记，直至标签不发生变化则停止。这种方法的不足之处在于当训练数据不平衡时，标准的SVM分类器难以获得良好的分类效果，且当数据量较大时，求解过程漫长。

基于嵌入空间的多示例算法主要有Yixin Chen等人提出的MILES算法，该算法通过将每个数据包映射到所有示例构成的空间的方式，获得每个包在该空间的特征映射，然后训练SVM分类器获得包级水平的分类器，测试时通过反推正包中每个示例对包的分类的贡献，确定正包中的正示例。这种方法存在的缺点是当获取的特征子集的规模非常大，就会导致整个映射阶段的计算量变得很大。因为特征子集的大小与整个算法的执行效率密切相关，所以上述情况下整个算法执行缓慢，学习过程也十分耗时，算法执行效率过低。特征子集中若含有一些对分类不起作用，或者说有效性信息很少的示例，它们不但会降低算法的执行效率，同时还可能影响算法的精度。