[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

说明书

本发明公开了一种基于自监督光谱匹配框架的高光谱目标检测方法，首先，通过预检测器对目标和背景进行粗糙分类；根据预检测器的检测结果得分，进一步对目标和背景数据进行聚类，将整个数据分为不同的子类别，降低目标和背景的类内差异；其次，选取聚类中心作为类别代表性样本，并通过不同的权重线性组合生成大量的训练数据，采用训练数据通过有监督方式对光谱匹配网络进行训练；最后，通过基于样本对的损训练光谱匹配网络，使目标像素之间的距离最小，使目标与背景之间的距离最大化，完成目标检测。本发明通过由粗到细的检测方式，实现对复杂背景像素进行建模，可以提升特征的鉴别能力，提高检测精度。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种高光谱目标检测方法。

背景技术

高光谱目标检测是一个像素级的目标识别问题，给予少量的先验目标像素，它旨在识别整个图像中所有目标像素。不同于普通的RGB图像，高光谱图像同时包含了空间以及成百上千个波段的光谱信息。由于丰富的光谱信息，高光谱图像直接可以通过光谱差异检测地面中像素较少的目标，但这仍然是一个相当具有挑战性的任务。因为目标通常很小，背景占据了大部分图像，目标数据在图像中往往占据很少比例，这导致了目标和背景样本的极度不均衡。同时背景数据复杂而多样，存在一些与目标像素非常相似的背景。更糟糕的是，该任务为弱标注任务，只给出了少量的目标像素。目前，高光谱目标检测方法主要包括信号处理、稀疏表示和深度学习三类：

首先是信号处理算法。它是一种在特定情况下简单有效的方法，但是无法处理复杂场景。如Farrand等人在文献“W.H.Farrand and J.C.Harsanyi,Mapping thedistribution of mine tailings in the Coeur d’Alene River Valley,Idaho,throughthe use of a constrained energy minimization technique.Remote Sensing ofEnvironment,vol.59,no.1,pp.64–76,1997”中提出通过脉冲响应滤波抑制背景像素的响应值，并优化整体能量最小化，从而将目标样本与背景分离。如果背景很复杂，图像中包含与目标非常相似的光谱，这种方法往往不能较好的分离目标和背景像素。此外，类内样本差异过大也可能导致方法不可靠。

其次是稀疏表示方法。高光谱像素可以稀疏地表示为过完备光谱字典里几个元素的线性组合，其中光谱字典一些是目标光谱，另一些属于背景光谱。稀疏约束优化问题通过正交匹配追踪算法来解决。如Chen等人在文献“Y.Chen,N.M.Nasrabadi,and T.D.Tran,Sparse representation for target detection in hyperspectral imagery.IEEEJournal of Selected Topics in Signal Processing,vol.5,no.3,pp.629–640,2011.”中采用了双窗口的方式，能够有效利用局部空间信息。最终待测样本可由周围环境共同代表背景像素和给定的目标像素作为字典，同时分别计算目标和背景光谱的重建误差，最后通过比较目标和背景重建差异判断像素类别。然而，基于稀疏的方法直接采用像素的原始光谱作为稀疏字典，原始像素包含冗余信息，会导致特征区分性不够。