摘要
稀疏表示的引入为高光谱图像的检测提供了一种新的方法。在检测过程中,字典的结构直接从高光谱图像中获得,并且存在不确定性。字典很可能不包含目标像素的任何光谱特征信息,这会影响目标检测的准确性。为了解决以下问题,本文提出了一种基于稀疏表示的高光谱图像目标检测方法,采用无监督方法完成字典构造,确保字典包含目标像素的一些光谱信息。在一个高光谱图像上进行了实验,结果表明我们提出的方法具有出色的检测性能。
motivation:传统算法获取到的字典可能不包含目标光谱,导致检测效果不佳。
解决方案:利用无监督技术构造字典,确保字典中包含目标光谱的信息。
稀疏表示目标检测原理
稀疏表示字典构造
稀疏表示理论的提出使高维图像数据得到更好地解决,其中心思想是原始信号可以被过完备字典中极少量原子线性表示。随着信号稀疏表示理论的
快速发展,在检测过程中字典的构造尤为重要。在实际应用中需要按照实际情况选择相对应的方法进行字典的构造,通常情况下,字典的构造可以分为三种情况: 1) 没有训练样本数据的情况下,使用变换方法得到字典,例如分析类字典; 2) 当待检测图像中的数据含量较少时,可以利用图像中包含的部分数据直接构造过完备字典; 3) 当待检测图像中包含大量样本时,需要采用学习类字典。本文中待检测图像的数据量不大,选用待检测图像左侧十分之一的像素点进行字典的构造,然而由于此种构造字典的方法随机性大,导致极有可能过完备字典中不包含目标像元的光谱特征信息,影响其检测精度,由此提出对目标像元与背景像元进行预处理区分的方法。
稀疏表示检测器
字典重构
(1)直接从图中获取光谱信息,并求解互相关矩阵R:
(2)求解背景矩阵U。首先,对互相关矩阵 R 进行特征值与特征
向量的求解,将特征值按照由大到小顺序进行排列,
L 表示高光谱遥感图像的波段数,选择前 q 个特征值对应的特征向量,构成背景光谱矩阵,其中每一列都代表着一种地物光谱信号,U(L*q)
一般情况下,待检测图像中,目标像元所占的比重小,信息量不丰富,其通常分布于互相关矩阵中小特征值所对应的特征向量,背景像元在待检测图像中所占的比重大,通常分布于互相关矩阵中大特征值所对应的特征向量。由此可知,通过大特征值对应的特征向量构建的矩阵U可以近似被看作真实的背景矩阵.
(3)构造背景的正交投影矩阵P。某向量与背景投影矩阵相乘,结果越大,表示向量与背景空间约匹配(相似)。同理,若向量与背景的正交投影矩阵相乘,结果越大,则与目标空间越相似。MP,OMP就是根据这种思想选择字典原子的。
(4) 目标背景字典分离Dt /Db。
利用背景矩阵 U 构造的正交投影算子 P 能够抑制背景地物信息,使目标像素更突出。字典 D的计算公式:
式中: I 是一个 q 维的行向量,其元素均为 1。由于采用了背景抑制方法,因此待检测高光谱图像中的背景像元所对应的值接近于 0,目标像元所对应的值则远大于 0,通过选取合适的阈值 T,可以完成字典的构造。当其运算值 D > T 则判断为目标字典中的元素,相反则为背景字典中的元素。通过上述方法得到字典 D 可以将待检测信号进行稀疏表示:
目标检测器
采用上述方法构造的字典进行对SR(像元级目标检测)及SRBBHD(亚像元级目标检测)改进,得到本文的LSR算法。
实验结果(LSR本文)
参考文献:
[1]赵春晖,基于字典重构的高光谱图像亚像元目标检测[J],哈尔滨工程大学学报,39(9), 2018.9.
[2] Chunhui Zhao,A Novel Method of Hyperspectral Imagery Target Detection Based on Sparse Representation,PIERS,2017:19-22