本文介绍一种利用学习字典稀疏表示HSI(Hyperspectral Imagery)数据进行高光谱图像目标检测的算法。主要应用于对full-pixel target的检测。
1.稀疏表示
稀疏表示(Sparse Representation/Sparse approximation)的数学表达为 y=Dx , 其中y表示待表示的信号,D是字典,x是一个稀疏向量。
在高光谱图像中,可以将y理解为一个像素点的光谱维数据组成的向量(K*1维),D是一个矩阵(K*M维),每个列向量可以理解为端元,x(M*1维)表示每个端元的丰度。x是稀疏的(大多数元素为0),这意味着信号y可以由D中若干个少数列向量的线性组合表示出来。x中非0元素的个数为x的稀疏度(sparsity)。
字典有时也会被叫为过完备基(overcomplete basis),从线性代数基的角度很好理解,有 K≤M 。但在HSI中有时不需要这么多数量的基,所以可能不满足过完备基的定义。
2. 字典学习
字典D的获得主要有两种方式:
(1)无学习过程的方法:直接将训练样本作为字典中的基(一个列向量),适用于所处理的数据集中训练样本较少的情况,比如HSI中目标字典的获取,由于整幅图像中目标像素点往往很少,所以直接用目标像素点形成目标字典。
(2)有学习过程的方法:一般过程为从训练数据中提取若干样本,再在稀疏约束下依据样本迭代求解一组过完备基。
稀疏约束的表示如下:
稀疏度的x表示本来为0范数,但是L0范数很难求解,是一个NPhard问题,所以往往使用L1范数来对其进行凸近似。(详细解释移步http://blog.csdn.net/zouxy09/article/details/24971995/)
3.目标检测的 STD与SRBBH模型
x是观测的一个高光谱像素,B维。如果x是一个背景像素,那么它的光谱位于背景训练样本扩展的B维的子空间中,数学表示为: