[发明专利]一种空-谱多尺度高光谱遥感图像目标检测方法及设备

说明书

一种空‑谱多尺度高光谱遥感图像目标检测方法及设备，属于高光谱遥感图像目标检测技术领域。为了解决现有的高光谱目标检测存在空间信息应用不够充分的问题以及其导致的高光谱目标检测能力弱的问题。本发明基于待检测目标区域的高光谱数据，将三维空间像素块构成一个样本，称为一个patch；将待测图像中所有的像元的patch与目标先验的patch构建样本对；将样本对输入多尺度空‑谱目标检测网络进行目标检测，首先通过两条结构、参数共享的独立支路分别处理输入的样本对中的两个patch，每条独立支路上对光谱特征和空间特征进行提取，然后在两条独立支路中最后一个下采样单元之后合并，输出特征经过多尺度差异特征混合后给出两个输入的相似度。

技术领域

本发明属于高光谱遥感图像目标检测技术领域，具体涉及一种高光谱遥感图像目标检测方法及设备。

背景技术

高光谱图像是一种包含几十甚至数百波段的三维数据立方体，同时包含了地物的空间信息和光谱信息。受益于高光谱图像丰富的光谱信息，高光谱图像在地质勘探、精确农业和城市监测等领域都有重要应用。高光谱目标检测是根据目标的少量先验信息将目标从背景中识别分离出来的技术，它可以实现对特定目标的精细辨别。其任务特点是先验信息有限，目标占比小、尺寸小。

目前，大量基于深度学习的算法被应用于高光谱目标检测中。然而，这些基于深度学习的目标检测方法仍存在着空间信息应用不够充分的问题。一方面，利用引导滤波等后处理手段引入空间信息的方法增加了检测方法的操作复杂度且难以提取非线性相关特征；另一方面，基于二维卷积、三维卷积的空间信息提取方法适用于较大的空间尺寸，而高光谱目标检测中目标尺寸小、数量少，较大空间尺寸信息的引入反而可能引起检测精度的降低，因此广泛应用于高光谱分类、高光谱变化检测中的二维卷积和三维卷积无法适用于小体积目标的高光谱目标检测，其检测结果难以理想。

发明内容

本发明为了解决现有的高光谱目标检测存在空间信息应用不够充分的问题以及其导致的高光谱目标检测能力弱的问题。

一种空-谱多尺度高光谱遥感图像目标检测方法，基于待检测目标区域的高光谱数据，将三维空间像素块构成一个样本，该像素块称为一个patch；将待测图像中所有的像元对应的patch与目标先验对应的patch构建样本对；将样本对输入多尺度空-谱目标检测网络进行目标检测，所述的多尺度空-谱目标检测网络由孪生网络结构的相似度量模块、基于注意力机制的空-谱特征提取模块、多尺度空-谱差异特征混合模块组成，具体结构如下：

基于孪生网络结构的相似度量模块：基于孪生网络结构的相似度量模块是基于孪生网络实现的；孪生网络是一种连体网络结构，它首先通过两条结构、参数共享的独立支路分别处理输入的样本对中的两个patch像素块，然后在两条独立支路中最后一个下采样单元之后合并，输出特征经过上采样单元后以相似分数的形式给出两个输入的相似度；

两条结构、参数共享的独立支路上分别设置基于注意力机制的空-谱特征提取模块；每个空-谱特征提取模块包含两条支路——光谱特征提取支路和空间特征提取支路，首先通过光谱特征提取和空间特征提取分别提取像元的光谱和空间信息，然后将二者融合得到空-谱融合特征；

光谱特征提取支路以patch的中心像元p∈R^1×band为输入，band为波段数；光谱特征提取支路包括四个下采样单元；每个下采样单元由2或3个卷积层和一个最大池化层组成，在每一个卷积层之后添加有批次归一化层和dropout层以防止过拟合，批次归一化层即BN层；经过光谱特征提取之后获得像元的光谱特征；

空间特征提取支路以整个像素块patch∈R^l×l×band为输入，其中，l为像素块的空间尺寸；空间特征提取包括一个二维卷积层和一个视觉注意力单元，视觉注意力单元即ViT单元；

经过光谱特征提取和空间特征提取后，由第四个下采样单元的卷积输出得到光谱特征和最后输出的空间特征进行contact处理，然后送入第四个下采样单元中的最大池化层处理以获得像元的空-谱联合特征；