[发明专利]基于稳健背景回归的高光谱遥感影像异常目标探测方法

摘要

本发明公开了一种基于稳健背景回归的高光谱遥感影像异常目标探测方法，运用核扩张技术，高光谱遥感数据非线性分布关系，获取高光谱遥感影像数据伪密度。通过设置稳健背景和潜在异常目标正负软标签，在高光谱遥感影像伪密度值与软标签之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构，以及通过联合稳健背景均值最大偏置项，最大程度地在稳健背景集合中排除潜在异常目标，使迭代回归可得到最优化的稳健背景集合。根据稳健背景集合获取影像数据中各像元异常度积分。具有适应度高、深入挖掘数据关系结构的特点，同时突出异常目标，异常目标探测精度较高，适合高光谱遥感影像的数据特点，适用于高光谱遥感影像异常目标检测。

主权项

1.一种基于稳健背景回归的高光谱遥感影像异常目标探测方法，其特征在于：将高光谱遥感影像X读入大小为P×N的矩阵R中，矩阵中各元素为各波段对应的像素辐射值，P为高光谱遥感影像的波段数，N为高光谱遥感影像的像素数，基于矩阵R对高光谱遥感影像进行如下操作：步骤1：对高光谱遥感影像X获取影像数据核矩阵K和拉普拉斯矩阵L，给定流型控制项和稳健背景控制项权衡参数γ1和γ2；步骤2：初始化核扩张系数α0；步骤3：根据α₀生成初始化稳健背景和潜在异常目标标签集实现过程是，根据α₀，采用公式f₀＝Kα₀初始化高光谱遥感影像各像元伪密度值，统计f₀中正值像元个数设定正标签为负标签为‑1；生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值f₀正负相对应；步骤4：迭代回归获取收敛后的标签集y*；实现过程是，在每一轮迭代回归中，计算矩阵的最小特征值其中T＝K(I+γ₁L)K，I为维度为高光谱影像像元总数的单位矩阵，t为当前迭代次数，为上一轮迭代中产生的标签集；采用公式计算当前迭代中的核扩张系数；采用公式f_t+1＝Kα_t+1计算高光谱遥感影像各像元当前迭代中的伪密度值，统计f_t+1中正值像元个数设定正标签为负标签为‑1；生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值f_t+1正负相对应；直至停止迭代回归，得到收敛后的标签集y^*；步骤5：根据标签集y*，进行积分检测，获得高光谱遥感影像X的异常目标探测结果；实现过程是，根据收敛后的标签集y^*将高光谱遥感影像分割为稳健背景集合X_b和潜在异常目标集合X_t，即若标签为正，则令像元为稳健背景，若标签为负，则令像元为潜在异常目标；采用公式计算高光谱遥感影像X中各像元与稳健背景集合中各像元之间的欧式距离，其中，x_i为高光谱遥感影像X中的第i个像元，是X_b中的第j个像元；采用公式计算相关性矩阵W_pse，其中，是包含k_pse个在X_b中与像元x_i之间欧氏距离最小像元的集合；采用公式计算高光谱遥感影像X中像元x_i的探测值，其中，δ_RBRSE(i)是高光谱遥感影像X中像元x_i的探测值，n_b为X_b中所包含像元个数，从而获得高光谱遥感影像X的异常目标探测结果。