在轨计算成像方法
【技术领域】
[0001] 本发明属于遥感成像领域，涉及在轨图像处理、目标检测、目标识别、数据压缩等
技术领域，特别涉及在轨计算成像方法。
【背景技术】
[0002] 每种类型的传感器往往只能获取一种或几种特征。但是，每种类型目标都拥有多 种类型的特征，如外观、结构、温度、材质、类别，必须综合利用多种特征才能准确、全面的识 别目标。为此，同一卫星往往搭载不同类型的传感器，例如可见光、红外和高光谱，同时利用 多传感器获取的多源图像进行检测和识别目标。
[0003] 传统的可见光、红外、高光谱等传感器成像过程是物理成像，物理成像通过元器件 将目标及背景的某种特征原本地映射下来，是一种"数据级"的成像。多源图像为目标检测 和识别提供了便利，但同时导致数据量剧增。传统的遥感图像处理是先将数据传到地面，然 后在地面系统进行处理。在传统的处理模式下，海量数据给网络传输、数据存储、人工解译 造成了很大的压力，很多数据得不到及时处理。传统的物理成像无法满足实际应用的需要， 严重地制约了遥感图像的实际应用。
[0004] 计算成像是利用硬件或软件在物理成像基础上，对目标进行特征图像或对物理成 像过程进行快速处理，获取"特征级"或"目标级"的图像。与传统图像相比，这些图像容量 很小，可以快速传输到地面；计算成像过程包含了目标信息，传送到地面的特征图像可以直 接为后续应用所利用，大大缩短了数据获取到决策生成的周期。
[0005] 计算成像具有很多优点，但计算成像涉及目标检测、数据融合、数据压缩等诸多步 骤；计算成像需要在星上在轨完成，计算资源受限，计算时效性要求较高，计算成像的关键 技术亟需深入研宄。
[0006] 本发明是一种基于多源图像（包含全色图像、多光谱图像、红外图像、高光谱图 像）的在轨计算成像方法，在物理成像基础上利用目标检测、数据压缩等技术进行特征成 像。以目标识别为目的，通过计算成像在星上完成多源图像的目标检测和数据融合任务，只 将目标区域及兴趣区域的特征数据传至地面，大大减少海量数据网络传输压力，提高了数 据利用的时效性。
【发明内容】
[0007] 本发明提供一种在轨计算成像方法，以提高数据利用时效性同时减轻遥感图像传 输存储压力。
[0008] 本发明提供一种在轨计算成像方法，包括：
[0009] 在有地物类型标注的高光谱训练图像集上对高光谱特征字典模型进行学习，获得 高光谱分类字典；
[0010] 在轨查找待检测高光谱图像在所述高光谱分类字典中的地物类型，对待检测高光 谱图像和红外图像进行异常目标检测和对多光谱图像进行视觉显著性检测，获得目标区域 数据；
[0011] 在轨生成全色图像和多光谱图像的融合图像，对所述目标区域数据对应的所述融 合图像进行索引存储得到压缩成像数据。
[0012] 本发明的有益效果为：
[0013] 本发明在轨计算成像方法基于多源图像通过训练、检测、压缩进行在轨计算成像， 该方法所需计算资源少且能达到较理想的成像效果，因此能够利用卫星上有限的计算资源 对原始多源物理图像进行实时的线上处理，提高了数据利用时效性，能够在线满足计算成 像需求且减轻了大数据对数据传输存储等造成的压力。
【附图说明】
[0014] 图1为本发明在轨计算成像方法实施例一的流程图；
[0015] 图2为本发明在轨计算成像方法实施例一中在轨目标检测的流程示意图；
[0016] 图3为本发明在轨成像计算方法实施例一中生成压缩数据的流程示意图。
【具体实施方式】
[0017] 图1为本发明在轨计算成像方法实施例一的流程图，图2为本发明在轨计算成像 方法实施例一中在轨目标检测的流程示意图，图3为本发明在轨成像计算方法实施例一中 生成压缩数据的流程示意图，如图1、图2和图3所示，本发明在轨计算成像方法包括：
[0018] S1、在有地物类型标注的高光谱训练图像集上对高光谱特征字典模型进行离线学 习，获得高光谱分类字典；需要说明的是，这里在有类型标注的历史高光谱训练图像集组成 的特征集上学习并生成的光谱特征字典模型具有低维度、可分性好的特点；考虑模型学习， 所述学习可以是在全地物类型标注的图像集上有监督学习，也可以是在部分地物类型标注 的图像集上半监督学习；考虑学习地点，所述学习可以是在轨学习，也可以是原始图像数据 传回地面上进行离轨学习后再将高光谱分类字典传回卫星；
[0019] 优选的，所述在有地物类型标注的高光谱训练图像集上对高光谱特征字典进行学 习，获得高光谱分类模型包括：
[0020] S11、创建高光谱特征字典模型<D，Z> :
[0021]
【主权项】
1. 一种在轨计算成像方法，其特征在于，包括： 在有地物类型标注的高光谱训练图像集上对高光谱特征字典模型进行学习，获得高光 谱分类字典； 在轨查找待检测高光谱图像在所述高光谱分类字典中的地物类型，对待检测高光谱 图像和红外图像进行异常目标检测和对多光谱图像进行视觉显著性检测，获得目标区域数 据； 在轨生成全色图像和多光谱图像的融合图像，对所述目标区域数据对应的所述融合图 像进行索引存储得到压缩成像数据。
2. 根据权利要求1所述的在轨计算成像方法，其特征在于，所述在有地物类型标注的 高光谱训练图像集上对高光谱特征字典进行学习，获得高光谱分类模型包括： 创建高光谱特征字典模型<D，Z> :
对所述高光谱特征字典模型进行初始化，也即设定所述正则化参数A :和X 2，设置不 同地物类型的高光谱训练图像的特征向量的并集为初始高光谱特征字典D?，对高光谱训 练图像的表示系数设定初始值Zw= ([D - ; 对D与Z采用公式（2)和公式（3)交替迭代进行更新直至达到分类需求，得到最后一 次迭代所得的高光谱特征字典即高光谱分类字典：
其中，X表示所有的训练图像的特征向量集合，X的维数是M行N列，M表示高光谱 训练图像的特征向量的维数，N为高光谱训练图像的个数，D表示高光谱特征字典；Z = [Zl，Z2，…，zN]，表示X在D下的表示系数，Z k表示第k个高光谱训练图像X k在D下的表示 系数，I I ? IIf表示Frobenius范数，A :和A 2分别表示稀疏正则化系数和可分性正则化系 数，W表示相似性权重矩阵，表示不同类型训练样本的相似权重；t表示迭代次数，S表示
在第i行第k列的值，[Z(t)]T表示矩阵Z (t)的转置。
3. 根据权利要求2所述的在轨计算成像方法，其特征在于，所述达到分类需求具体为： 迭代次数t达到迭代阈值； 或者，相邻两次迭代的均方误差小于均方差阈值。
4. 根据权利要求1所述的在轨计算成像方法，其特征在于，所述在轨查找待检测高光 谱图像在所述高光谱分类字典中的地物类型，对待检测高光谱图像和红外图像进行异常目 标检测和对多光谱图像进行视觉显著性检测，获得目标区域数据包括： 计算待检测高光谱图像的每个像素在所述高光谱分类字典D中的表示系数，确定待检 测高光谱图像的每个像素的地物类型； 确定待检测高光谱图像中满足公式（4)的像素为异常目标像素： Tp-UiI I ^3〇i (4); 获得异常目标像素组成的目标区域； 计算待检测多光谱图像的平均波段图像A，根据公式（5)在所述平均波段图像A上计算 显著特征图像X:
根据公式（6)计算显著特征映射图像$ :
对所述显著特征映射图像进行直方图统计，提取频数较少的像素组成的视觉显著目 标区域； 将目标区域的掩码以多光谱图像为基准进行上采样，获得上采样后的目标区域的掩码 和视觉显著目标区域的掩码的并组成的目标区域数据； 其中，i表示地物类型的索引，y JP 〇 i分别表示第i种地物类型的温度的中位数和 方差，P表示像素，Tp表示红外图像上像素p的温度；DCT( ?)和IDCT( ?)分别表示离散余 弦变换和离散余弦逆变换；〇表示Hadamard点乘运算符，g表示高斯核函数，*表示卷积运 算。
5. 根据权利要求1所述的在轨计算成像方法，其特征在于，所述在轨生成全色图像和 多光谱图像的融合图像，对所述目标区域数据对应的所述融合图像进行索引存储得到压缩 成像数据包括： 对多光谱图像以全色图像为基准进行上采样生成采样后的多光谱图像； 对所述采样后的多光谱图像执行PCA融合得到伪彩色图像； 对伪彩色图像执行HSV变换得到变换后的伪彩色图像； 对所述变换后的伪彩色图像进行V分量替换得到替换后的伪彩色图像； 对所述替换后的伪彩色图像执行HSV反变换得到目标区域数据对应的特征图像； 将目标区域数据全部保留，对目标区域进行索引存储，得到压缩成像数据。
6. 根据权利要求1所述的在轨计算成像方法，其特征在于，在所述生成全色图像和多 光谱图像的融合图像，对所述目标区域数据对应的所述融合图像进行索引存储之后，还包 括： 向地面传输所述压缩成像数据，以使地面对所述压缩成像数据进行恢复。
7. 根据权利要求6所述的在轨成像方法，其特征在于，所述向地面传输所述压缩成像 数据，以使地面对所述压缩特征数据进行恢复包括： 向地面传输所述压缩成像数据； 地面对压缩成像数据特征进行图像还原和上采样得到目标区域图像。
【专利摘要】本发明提供一种在轨计算成像方法，包括：在有地物类型标注的高光谱训练图像集上对高光谱特征字典模型进行学习，获得高光谱分类字典；在轨查找待检测高光谱图像在所述高光谱分类字典中的地物类型，对待检测高光谱图像和红外图像进行异常目标检测和对多光谱图像进行视觉显著性检测，获得目标区域数据；在轨生成全色图像和多光谱图像的融合图像，对所述目标区域数据对应的所述融合图像进行索引存储得到压缩成像数据。本发明所述方法能够提高数据利用的时效性且减轻遥感图像传输存储压力。
【IPC分类】G06K9-46, G06T3-40, G06K9-00, G06K9-62
【公开号】CN104820967
【申请号】CN201510275742
【发明人】霍春雷, 潘春洪, 周志鑫
【申请人】中国科学院自动化研究所
【公开日】2015年8月5日
【申请日】2015年5月26日