一种基于自适应字典构造的高光谱图像目标检测方法

本发明涉及人工智能，特别涉及一种高光谱图像智能目标检测方法。

背景技术：

1、高光谱图像(hsi)，不仅包含空间信息，还包含大量的光谱信息。具体来说，每个像素包含数百个狭窄的相邻光谱带，可以产生一个接近连续的光谱。此外，每个土地覆盖物都有自己独特的光谱，因为每个波段的光的反射率不同。高光谱目标检测需要使用目标光谱作为先验信息的算法，以将hsi中的目标与背景分开。它为军事侦察、城市规划和污染监测做出了重大贡献。

2、过去的几十年中，众多传统方法被发展并应用于高光谱目标检测。传统方法主要是基于信号滤波处理，概率统计模型等方法，然而，这类方法通常遵循某些统计性假设，这些假设在现实中并不总是满足的。近年来，表示模型由于其相比于传统方法，无需对数据进行统计分布特征的假设即可获取较好结果而被广泛关注。由训练样本组成的过完备字典中仅使用少量样本就能够近似表示测试样本。基于此概念，chen[6]等提出的基于稀疏表示的检测器(std)，其使用同心双窗口构造背景字典，使用正交匹配追踪算法(omp)对被稀疏表示的信号进行恢复。由于高光谱图像具有空间分辨率较低的特性，像素可能以混合像元的形式存在。基于此，zhang等，将混合目标像元考虑到稀疏表示检测器的二元假设中，构造出基于稀疏表示的二元假设检测器(srbbh)。其使用目标字典和背景字典构造联合字典对待测像素进行稀疏表示以解决上述问题。为充分使用背景样本中不同原子的共性特征，li等，将背景字典使用协同表示(cr)，提出了联合稀疏协同表示算法(cscr)。上述表示模型仅仅对背景字典进行较完备的构造。为了解决目标检测任务因为先验信息很少，所以很难获取较完备的目标字典的问题，zhu等提出基于目标字典构造的方法(tdc)。tdc使用约束能量最小化作为粗检测结果并通过人工设定目标像素个数的方式选取部分粗检测结果较高的像素以获得过完备的目标字典。遵循于此，zhu等在tdc基础上，接续提出了信号光谱驱动二元稀疏表示目标检测器(ssbstd)。使用无监督聚类的方式获取由hsi中每一类地物的纯净光谱构建的背景字典。

3、虽然上述方法在目标检测任务上有出色的表现，但大多数基于表示的算法缺乏对过完备背景字典的构造，且由于hsi中存大量的在光谱相似性，基于表示的模型缺在检测结果上有较低的目标背景分离度。

技术实现思路

1、发明目的：为了克服现有高光谱图像目标检测算法中存在的不足，提供了一种基于自适应字典构造的高光谱图像目标检测方法，其能够有效解决在高光谱图像目标检测算法中无法自适应构造过完备背景字典和目标背景分离度不高的问题，并因此提高了算法性能。

2、技术方案：为实现上述目的，本发明提供一种基于自适应字典构造的高光谱图像目标检测方法，包括如下步骤：

3、s1：构建基于图的图像分割(gbis)融合光谱信息散度(sid)的高光谱图像超像素分割策略，将高光谱图像划分为由具有相似光谱的像素组成的超像素；

4、s2：将构建的超像素内部像素的光谱加权平均后得到超像素的特征光谱，并将每个超像素的特征光谱与先验目标光谱计算光谱信息散度以自适应的构建过完备目标和背景字典；

5、s3：将原始高光谱高光谱图像的像素使用目标和背景字典进行压缩感知并恢复，计算恢复残差，将得到的残差通过线性背景抑制函数进行变换得到最后的检测结果；

6、进一步地，所述步骤s1中的超像素构造策略，使用gbis结合sid算法将高光谱图像光谱相似的像素聚类为超像素，具体实现方式如下：

7、a1：将hsi构建为图论中的图。具体来说，将像元作为顶点构建顶点表，即v＝[x1，x2，...，xn]，xi∈χ，i＝1，2，...，n，n为总像素数，n＝w×h。将像素与其八邻域像素相连构建边表。

8、a2：计算边的权值，即边对应连接的两个像素的相似度。使用sid计算信息散度作为边的初始权重ω，计算公式如下：

9、ω＝sid(ρ1，ρ2)＝d(ρ1||ρ2)+dd(ρ2||ρ1)

10、其中

11、

12、

13、其中，ρ1，ρ2∈v为边对应连接的像素的光谱向量，p＝(p1，p2，...，pd)t和q＝(q1，q2，...，qd)t分别为ρ2，ρ1的概率向量，这里ii(ρ1)＝-logqi，ii(ρ2)＝-logpi。

14、a3：将由步骤a1和步骤a2所得的无向图构建为最小生成树(mst)，即可得边表e＝[e1，e2，...，em]，m＝w×h-1，ei，i＝1，2，...，m为最小生成树的边。比较像素内外差异以将局部相似像素合并为超像素，合并规则如下：

15、

16、其中，ms为超像素内包含的像素点个数的最小值，|·|为对应超像素内部像素个数，exdif为超像素外部差异，indif为超像素内部差异，计算公式如下：

17、

18、

19、其中，h1，h2为待合并超像素，为h1，h2内部边表，ω(·)为相应边的权值，k为更新超像素内部差异阈值的参数，也为初始合并阈值。当所有超像素内部像素个数均大于ms，则停止迭代。

20、进一步地，所述步骤s2中的自适应字典构造策略，使用超像素特征光谱与先验目标光谱的光谱信息散度自适应构造目标和背景字典，具体实现方式如下：

21、b1：假设超像素h＝[h1，h2，...hk]，where hi∈χ，i＝1，2，...，k为超像素内部像素光谱，k为超像素内部像素个数。使用超像素内部光谱均值代替多个像素光谱，以减少计算复杂度，即光谱冗余。计算公式如下：

22、

23、b2：由步骤b1可得到每个超像素的特征光谱集合s＝[s1，s2，...，sl]，l为超像素个数。使用sid算法，比较超像素特征光谱与先验目标光谱的光谱信息散度，如果大于阈值则划分为背景超像素，小于阈值则划分为目标超像素。由此分离背景超像素与目标超像素。具体规则如下：

24、

25、其中，θ为分离阈值。使用分离出的背景超像素的特征光谱构建背景字典。将背景字典表示为其中si∈s，i＝1，2，...，pb，pb为背景超像素个数。

26、b3：目标字典使用目标超像素内部像素进行构造，即其中xi∈χ，i＝1，2，...，pt，pt为目标像素个数。

27、进一步地，所述步骤s3中的基于稀疏表示的背景抑制检测策略。基于稀疏表示的检测结果，使用背景抑制函数得到最终检测结果，具体实现方法如下：

28、c1：假设测试样本x可以由目标字典或背景字典的训练样本中的元素的稀疏线性组合近似表示。近似如下

29、

30、

31、其中α，β表示用于恢复光谱信号的只有几个非零项的稀疏系数矩阵，表示目标字典，nt为dt中的样本数。表示背景字典，nb为db中的样本数。

32、c2：c1中的稀疏系数矩阵α，β可以通过解决如下优化问题得到：

33、

34、

35、其中||·||0表示矩阵的零范数，其定义为矩阵中非零条目的个数。kb，kt分别为背景字典和目标字典的稀疏系数矩阵的稀疏等级上界。该问题使用正交匹配追踪算法(omp)解决。

36、c3：计算使用背景字典和目标字典对待测像素进行重构所产生的误差，公式如下：

37、

38、

39、其中||·||f表示矩阵的f范数。

40、c4：在稀疏表示模型的基础上，对rb和rt分别进行线性变换，公式如下：

41、

42、

43、其中，λb，λt分别为背景与目标的抑制参数。

44、c5：背景抑制检测器结果计算公式如下：

45、dbssr＝resb(x)-rest(x)

46、给定规定的阈值δ，如果dadctd(x)＞δ，x被确定为目标像素，否则x被标记为背景。