基于分块和低秩先验的发射率域热红外高光谱异常探测方法

1.本发明基于遥感图像技术处理领域，特别涉及一种基于分块和低秩先验的发射率域热红外高光谱异常探测方法。


背景技术：

2.高光谱成像允许同时观察材料的几何和物理特性，这使得精确区分不同的目标成为可能。目标探测是高光谱信息处理的重要研究领域之一。高光谱目标探测一般可分为异常探测和基于特征的目标探测。在异常探测任务中，没有关于异常或背景的先验知识，其中异常是指与相邻背景的光谱特征有显著差异的观测值。传感器测得的长波红外光谱区的辐射主要来自地表物体本身发射和大气，辐射传输方程与地表的发射率和温度直接相关。热红外系统因此可以昼夜工作，并能提供物体表面温度信息。温度和发射率都可以用来辅助目标探测。
3.热红外高光谱异常探测是一项艰巨的任务。其一，它涉及到在没有目标先验光谱信息的情况下进行异常探测。其二，传统的基于统计的方法很难准确描述高光谱影像复杂的背景。其三，由于热红外传感器非常敏感，导致热红外影像的信噪比比较低，噪声容易掩盖掉地物的光谱特征，此外，物体的发射率光谱变化幅度较小，所以使得目标和背景之间的光谱对比度较低。由于上述几个问题的存在导致热红外高光谱影像的异常探测的表现往往较差。


技术实现要素：

4.本发明的目的在于提出一种基于分块和低秩先验的发射率域热红外高光谱异常探测方法。
5.本发明提供了基于分块和低秩先验的发射率域热红外高光谱异常探测方法。热红外高光谱图像的辐射度由温度和发射率决定。为避免温度单一因素引起的检测不确定性，引入发射率对异常进行检测，温度信息用于辅助探测。首先对原始影像进行温度和发射率反演获取影像的发射率图和温度图。然后使用温度图和辐亮度图结合基于potts的图像分割算法将发射率图分割成多个同质区域。据观察，在局部均匀区域，背景信号具有增强的低秩性，而异常表现为空间稀疏性。基于此观测，背景像素可以由一组基本背景信号进行低秩重构，而异常可以用稀疏残差表示。然后利用提取的背景端元对原始高光谱数据矩阵进行低秩稀疏矩阵分解，去除部分噪声，获取相比于原始影像更纯粹的背景信息。然后利用马氏距离结合原始发射率影像和背景信息计算异常和背景之间的光谱差异，实现异常和背景分离。
6.在本发明中我们所提出的基于分块和低秩先验的发射率域热红外高光谱异常探测方法具有以下三个显著特点。一是利用了局部同质区域背景信号的低秩特性。与基于低秩表示的方法相比，提出方法避免了复杂的字典构造过程；其二，在基于potts的图像分割方法中利用了温度信息增强均匀区域的边界效应使得均匀区域分割的更好。在这些局部均
匀区域，增强了背景的低秩性，进一步抑制了稀疏背景在探测图中的分布；其三，利用提取的背景端元对原始的局部数据矩阵进行扩充，以诱导异常的空间稀疏性。在此基础上对矩阵进行分解，使得获取的背景信息更加准确，将更准确的背景信息用于计算异常和背景的差异，从而保证了异常背景的分离。
7.本发明提供基于分块和低秩先验的发射率域热红外高光谱异常探测方法，实现步骤如下：
8.步骤1，输入一幅待探测的热红外高光谱辐亮度影像；
9.步骤2，对热红外辐亮度影像进行大气校正，使用flaash
‑
ir进行温度发射率分离，获取发射率图和温度图；
10.步骤3，使用基于potts的方法结合辐亮度图信息和温度信息将原始辐亮度影像分割成m个同质区域，然后将分割的区域信息用于发射率图，将发射率图分割成同样的区域；
11.步骤4，在生成局部同质区域的基础上，对每个区域的数据进行局部增强，得到增强矩阵x
k
；
12.步骤5，对增强矩阵x
k
进行矩阵分解获取低秩背景分量；
13.步骤6，使用马氏距离计算原始发射率数据像素向量和提取出的低秩背景信息之间的光谱差异，获取最后的探测结果。
14.进一步的，步骤3的具体实现方式如下，
15.基于potts的方法通过以下最小化问题给出：
[0016][0017]
是边界项，表示分割区域边界的长度，是数据保真度，ρ是调整这两项之间平衡的尺度参数，即分割系数，其中ρ的值越大，分割区域越大，反之亦然；是原始高光谱数据的前二个主成分和温度图的叠加；u是与相同维数的优化图像，通过对辐亮度影像做pca获取；在基于potts的方法生成区域后，进行后处理，即将像素总数小于一定个数的区域被合并到具有最高光谱相似性的相邻区域中，该区域被定义为相邻区域平均向量之间的最小光谱角距离；将发射率图像分割后，热红外发射率影像分割成m个局部均匀区域，表示为：
[0018][0019]
g
k
指代第k个局部同质区域，∪表示并集，∩表示交集，表示空集。
[0020]
进一步的，步骤4的具体实现方式如下，
[0021]
通过顶点成分分析vca，提取同质区域的背景端成员构成背景向量，代表背景特征，是指实数，r为背景端元个数，b是波段数：
[0022][0023]
然后将背景向量按列排列以形成背景矩阵：
[0024][0025]
v
k
的列数等于第k个区域中的像素总数，行数等于背景向量的长度，n
k
是第k个区域
的像素总数；因此增强矩阵由两部分组成：1)背景矩阵，代表背景光谱特征；2)原始局部数据矩阵g
k
，包含第k个局部均匀区域的像素向量：
[0026][0027]
进一步的，步骤5的具体实现方式如下，
[0028]
利用godec算法分解增强矩阵获取低秩分量：
[0029][0030]
其中l
k
是低秩背景分量，s
k
是稀疏分量，e
k
是噪声分量；
[0031][0032]
是增强矩阵增加部分分离出的低秩信息，属于冗余部分，是l
k
的子矩阵，表示背景像素，是原始数据部分分离出的低秩背景信息，属于有效信息部分，的每列对应于第k个区域的一个像素；对k个局部同质区域进行分解后，将恢复低秩图像为：
[0033][0034]
进一步的，步骤6中获取最后的探测结果图，具体计算过程如下；
[0035][0036][0037][0038]
其中d(x)是马氏距离探测结果，x
k
是发射率影像上第k个像素的像素向量，n表示局部区域像素的个数，μ
k
是第k个区域上提取的局部低秩背景信息的向量均值，是第k个区域上提取的局部低秩背景信息计算的协方差矩阵。
[0039]
本发明方法具有以下显著效果：(1)利用了局部同质区域背景信号的低秩特性。与基于低秩表示的方法相比，提出方法避免了复杂的字典构造过程；(2)在基于potts的图像分割方法中利用了温度信息增强均匀区域的边界效应使得均匀区域分割的更好。在这些局部均匀区域，增强了背景的低秩性，进一步抑制了稀疏背景在探测图中的分布；(3)利用提取的背景端元对原始的局部数据矩阵进行扩充，以诱导异常的空间稀疏性。在此基础上对矩阵进行分解，使得获取的背景信息更加准确，将更准确的背景信息用于计算异常和背景的差异，从而保证了异常背景的分离。
附图说明
[0040]
图1是本发明实施例1的步骤2中反演获取温度图和发射率图。
[0041]
图2是本发明实施例1的步骤3中将发射率影像分割成多个同质区域。
[0042]
图3是本发明实施例1的步骤4中在生成局部同质区域的基础上，利用低秩稀疏矩阵分解理论，对每个区域的数据进行局部增强。
[0043]
图4是本发明实施例1的步骤5中进行矩阵分解获取低秩背景分量。
[0044]
图5是本发明实施例1的最终结果输出图。
[0045]
图6是本发明实施例1的总体流程图。
具体实施方式
[0046]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0047]
实施例1：
[0048]
如图6所示，本发明提供的一种基于局部增强低秩先验的高光谱异常检测方法，包括以下步骤：
[0049]
步骤1，输入一幅待探测的热红外高光谱辐亮度影像以及分割系数ρ＝0.4，局部区域矩阵的背景端元个数r＝2；
[0050]
步骤2，对热红外辐亮度影像进行大气校正，使用flaash
‑
ir进行温度发射率分离，获取发射率图和温度图，如图1。
[0051]
步骤3，使用基于potts的方法结合辐亮度图信息和温度图信息将原始影像分割成m个同质区域，然后将分割的区域边界信息用于发射率影像，将发射率图分割成同样的区域，如图2；
[0052]
基于图像灰度在均匀区域内变化缓慢，但在两个均匀区域之间的边界上变化剧烈的假设，基于potts的方法通过以下最小化问题给出：
[0053][0054]
是边界项，表示分割区域边界的长度。是数据保真度。ρ是调整这两项之间平衡的尺度参数，即分割系数，其中ρ的值越大，分割区域越大，反之亦然。是原始高光谱数据的前二个主成分和温度图的叠加。u是与相同维数的优化图像，通过对辐亮度影像做pca获取。在基于potts的方法生成区域后，进行后处理，由于异常通常很小，所以将一个像素总数小于20个像素的区域被合并到具有最高光谱相似性的相邻区域中，该区域被定义为相邻区域平均向量之间的最小光谱角距离。在将发射率图像分割后，将热红外发射率影像分割成m个局部均匀区域，可以表示为：
[0055][0056]
g
k
指代第k个局部同质区域，∪表示并集。
[0057]
步骤4，在生成的局部同质区域的基础上，对每个区域的数据进行局部增强，得到增强矩阵x
k
，如图3；
[0058]
通过顶点成分分析vca，提取同质区域的背景端成员是指实数，r为背景端元个数，b是波段数，构成背景向量，代表背景特征：
[0059]
[0060]
然后将背景向量按列排列以形成背景矩阵：
[0061][0062]
v
k
的列数等于第k个区域中的像素总数，行数等于背景向量的长度，n
k
是第k个区域的像素总数。最后，该方法设计的增强矩阵由两部分组成：1)背景矩阵，代表背景光谱特征；2)原始局部数据矩阵g
k
，包含第k个局部均匀区域的像素向量：
[0063][0064]
步骤5，对增强矩阵x
k
进行矩阵分解获取低秩背景分量，如图4；
[0065]
为了将更准确的背景分离出来，利用godec算法分解矩阵获取低秩背景分量：
[0066][0067]
其中l
k
是低秩背景分量，s
k
是稀疏分量，e
k
是噪声分量。
[0068][0069]
是增强矩阵增加部分分离出的低秩信息，属于冗余部分。是l
k
的子矩阵，表示背景像素，是原始数据部分分离出的低秩背景信息，属于有效信息部分。的每列对应于第k个区域的一个像素，对k个局部同质区域进行分解后，将恢复低秩图像为：
[0070][0071]
步骤6，使用马氏距离计算原始发射率数据像素向量和提取出的低秩背景信息之间的光谱差异，获取最后的探测结果图，如果光谱异常则表现出高响应值；
[0072][0073][0074][0075]
其中d(x)是马氏距离探测结果，x
k
是发射率影像上第k个像素的像素向量，n表示局部区域像素的个数，μ
k
是第k个区域上提取的局部低秩背景信息的向量均值，是第k个区域上提取的局部低秩背景信息计算的协方差矩阵。
[0076]
最后得到图5的结果输出图。
[0077]
本文中所描述的具体实施例1仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。