[发明专利]一种基于自监督光谱匹配框架的高光谱目标检测方法

权利要求书

1.一种基于自监督光谱匹配框架的高光谱目标检测方法，其特征在于，包括以下步骤：

步骤1：高光谱图像数据预处理；

采用最大最小归一化法对高光谱图像进行归一化处理：

计算高光谱图像的像素最大值M₁和最小值M₂，对高光谱图像中的每个像素x，按照式(1)进行归一化，归一化的结果为x′：

x′＝(x-M₂)/(M₁-M₂) (1)

步骤2：构造CEM检测器；

采用CEM算法，通过脉冲响应滤波使高光谱图像总体能量最小化，通过最小化目标函数式(2)得到CEM检测器；

s.t.w^Td＝1 (2)

其中w为脉冲响应滤波，R为协方差矩阵，d为先验目标光谱；

其中，h为待测高光谱图像样本；

步骤3：聚类与代表性样本选取；

将高光谱图像输入CEM检测器，高光谱图像的像素被分为背景集H_b和目标集H_t；通过k-means聚类方法分别对背景集H_b和目标集H_t进行聚类，背景集H_b被聚类为N₁个类别，目标集H_t被聚类为N₂个类别，令N＝N₁+N₂；选取N个类别的聚类中心作为类别代表性样本，记为C＝[c₁,c₂,c₃,…,c_N]；

步骤4：仿真训练样本生成；

根据光谱混合特性，对于N个类别代表性样本C＝[c₁,c₂,c₃,…,c_N]，通过生成权重对样本进行线性组合产生样本；线性组合的权重计算公式为：

其中T为温度参数，控制生成权重的分布，z_i和z_j为从0到1之间采样的随机数；

生成的新样本数据集为H′＝α·C，α＝[α₁,α₂,α₃,…,α_N]；每个新样本数据对应的类别标签为计算该新样本数据时最大权重对应的类别代表性样本；

步骤5：构造和训练光谱匹配网络；

构造光谱匹配网络，网络结构如下：

特征嵌入网络结构为一个三层的网络，包括一个卷积核为1*3的1D卷积层和2个全连接层；

训练光谱匹配网络所需要最小化的损失函数为：

其中f为嵌入核，即光谱匹配网络；f_i为y_i对应的特征，f⁺为y⁺对应的特征，f^T为y对应的特征；y为样本，y⁺为与y类别相同的正样本，为负样本；

训练完成后将原始数据输入网络中，通过网络进行标签分配，生成伪标签，进一步迭代训练；

通过新样本数据集对光谱匹配网络进行自监督的预训练，获取一个能够提取光谱特征的网络模型；接着将高光谱图像数据再次作为网络输入，并根据步骤3的聚类结果作为样本的类别标记，训练之后获取最终的光谱匹配网络；

步骤6：光谱相似度目标检测；

将待测高光谱图像和先验目标光谱输入步骤5训练完成的最终的光谱匹配网络，计算待测高光谱图像和先验目标光谱的相似度，如果相似度大于等于相似度阈值，判定高光谱图像与先验目标光谱一致。