基于鲁棒背景估计方法的高光谱图像局部目标检测方法

摘要

本发明公开了一种基于鲁棒背景估计方法的高光谱图像局部目标检测方法，用于解决现有高光谱图像局部目标检测方法虚警率高的技术问题。技术方案是首先利用基于光谱角的聚类方法，在白化空间中对输入图像进行聚类。在检测过程中，引入MCD估计方法估计待测像元所属聚类的背景参数，从而提高检测性能。在RIT提供的数据集上目标测试结果显示，反映虚警数的平均得分为2.8，较Halper的改进方法降低了4.4。卫星拍摄的AVIRIS数据集上的测试结果表明，在100％的检测率下，虚警率为0.11％，而Halper的方法虚警率为0.29％左右，全局方法的虚警率为0.82％；可见本发明方法明显降低了虚警率。

主权项

一种基于鲁棒背景估计方法的高光谱图像局部目标检测方法，其特征在于包括以下步骤：步骤一、对于输入高光谱图像，使用MCD估计方法估计出全局背景参数并进行白化，得到白化数据D_w；(1)对于一幅具有p个波段、n个像元的高光谱图像X_n＝{x₁,x₂,...,x_n}，用X_n中下标在集合H_t中的成员计算其协方差矩阵∑_t和均值u_t，H_t为1到n内的整数集合，即|H_t|＝h，t为当前迭代代数；(2)计算每一像元x_i到当前均值向量u_t的马氏距离，i＝1,...,n；(3)将得到的各距离d_t(i)排序，得到序列d_t(j₁)≤d_t(j₂)≤…≤d_t(j_n)；(4)由上述序列构造下次迭代所需的集合H_t+1＝{j₁,j₂,…,j_h}；重复上述步骤(1)到步骤(4)产生序列det(∑₁)≥det(∑₂)≥det(∑₃)≥…，该序列收敛于det(∑_m)＝0或det(∑_m)＝det(∑_m‑1)时，将此时的协方差矩阵和均值向量作为估计结果；在产生初始集合H₀时，先从X_n中随机抽出p+1个成员组成集合V，计算V上的协方差矩阵∑_V和均值u_V；若det(∑_V)＝0，从X_n中每次增选一个成员来扩充V，直至det(∑_V)≠0；对V运用一次所述估计背景参数的步骤(1)到(4)，将步骤(4)产生的集合H作为H₀；h的取值为[(n+p+1)/2,n]，且h>p；步骤二、对白化数据D_w进行聚类，(1)将第一个像元标记为第一类；(2)对于每一像元x_i计算其与现有每一聚类中心C_j,j＝1,2,...,l的夹角,l为当前聚类中心数目；(3)若存在一聚类中心C_k，使得x_i和C_k的夹角小于阈值ε，则将x_i归入C_k所代表的类别；否则，将x_i作为新增聚类中心C_l+1，同时l＝l+1；(4)对于步骤(3)中得到的聚类结果，用每类的均值更新其聚类中心；若各聚类中心较上次迭代有变化，则转步骤(2)；否则，转步骤(5)；(5)取消类成员数量小于λ·n的聚类，对其中成员重新使用步骤(2)和步骤(3)进行标记过程；其中，λ为给定阈值，n为图像中像元总数；获得m个聚类LBs＝{Cl₁,Cl₂,...,Cl_m}和少量无标签的像元；步骤三、对于每一聚类Cl_k,k＝1,2,....,m，使用MCD估计方法，估计其背景参数：协方差矩阵∑_k和均值向量u_k；步骤四、对于每一待测像元，使用其所属类别的局部背景参数作为ACE目标检测算法的输入，按如下公式得到各像元对应的输出：$D\left(x_i\right)=\frac{{\left[{(s-u_k)}^T{\Sigma }_k^{-1}(x_i-u_k)\right]}^2}{\left[{(s-u_k)}^T{\Sigma }_k^{-1}(s-u_k)\right]\left[{(x_i-u_k)}^T{\Sigma }_k^{-1}(x_i-u_k)\right]}$其中，s为目标特征光谱，∑_k和u_k分别为第k聚类的协方差矩阵和均值；对于聚类后仍无标签的像元，使用MCD估计方法估计得到的全局背景参数作为ACE目标检测算法的输入，由各像元对应的算法输出值组成基于MCD估计方法的高光谱图像局部ACE目标检测的结果。