CN101806898A - 基于端元可变的高光谱遥感影像目标探测方法 - Google Patents

Abstract

本发明公开了基于端元可变的高光谱遥感影像目标探测方法，包括：选择所需进行目标探测的待探测遥感影像；获取探测时需要的先验信息，所述先验信息包括目标端元光谱信息和背景端元光谱信息；利用交叉相关匹配技术遍历待探测遥感影像，确定待探测遥感影像中每个像元内的背景端元种类；对待探测遥感影像进行全限制性最小二乘的光谱分解，得到待探测遥感影像中每个像元内目标端元和各种背景端元的组分信息；建立基于广义似然比的探测器；采用探测器遍历待探测遥感影像，得到待探测遥感影像中每个像元的探测函数值判定待探测遥感影像中每个像元内是否含有目标。本发明的方法具有结构化强、适应度高、自组织、自学习的特点。

Description

基于端元可变的高光谱遥感影像目标探测方法

技术领域

本发明属于遥感影像处理技术领域，尤其是一种高光谱遥感影像目标探测方法。

背景技术

高光谱遥感影像中，地物分布情况比较复杂，人工建筑、运动车辆等感兴趣目标的提取是其中的难点问题。由于空间分辨率的限制，高光谱遥感影像中，混合像元现象普遍存在。混合像元现象是指，影像上的像元并不是由单一类别地物对应的反射信号构成的，而是多种类别地物的不同信号共同作用而构成。因此混合像元在高光谱遥感影像上反映出的光谱是由多种光谱共同混合而成的。在这种情况下，基于光谱特征的目标探测方法难以探测出感兴趣目标。

高光谱遥感影像可以细致地反映不同地物的光谱差异。在特征空间中，异常目标具有与背景地物不同的分布特征，即目标与背景分别位于特征空间的不同区域。高光谱遥感影像的目标探测问题，本质上是一个分类问题。(D.Manolakis and G.Shaw，“Detection Algorithms for Hyperspectral ImagingApplications，”IEEE Signal Processing Magazine，vol.19，no.1，pp.29-43，Jan.2002.)但是，但是与普通分类问题不同的是，高光谱遥感影像目标探测具有一个显著特点：即目标的数目是比较少的，在整个影像中所占的比重很低，影像中绝大多数像元都被视为非目标或者背景。这种情况下，常规的分类方法难以通过数目较少的像元建立。此外，常规分类方法中以最小误分率为最佳的分类标准，这会导致将影像中像元全部分为背景或全部分为目标的错误。因此，需要发展针对目标探测实际应用的方法，将目标探测问题视为在高光谱遥感的每个像元中寻找某种地物或物质的存在性问题，即一个将待考察像元判定为目标或者非目标的二元假设检验问题。(C.I.Chang，S.S.Chiang.Anomaly detectionand classification for hyperspectral imagery[J].IEEE Trans.Geosci.Remote Sensing，2002，40(6)：1314-1325.)发展针对高光谱遥感影像异常目标特点的目标探测技术，是非常有必要的。

高光谱遥感影像的目标探测，主要存在的难点问题是混合像元问题。混合像元问题是指，由于空间分辨率的限制，高光谱遥感影像中的像元是由多种地物共同混合而成的，因此待探测目标将存在于亚像元中。这给基于光谱特征匹配等基于纯净光谱的探测方法带来了挑战。此外，由于大气传输、传感器噪声、电磁波多次反射等因素的影响，在混合像元中同一种物质的光谱可能会呈现出一定的差异。这给利用目标的先验光谱信息进行目标探测带来了困难。对于混合像元中的亚像元目标探测问题，现有的方法主要是基于线性混合模型的探测方法，即将像元视为由多种纯净地物对应的光谱混合而成的，目标像元由目标光谱和各种背景光谱按照在像元内的组分线性合成，目标探测问题转化为寻找影像上各个像元内目标光谱存在性的问题。例如图1所示，一幅原始影像中的四个像元，由两种纯净地物对于的光谱混合而成，因此可以分为两幅组分影像，线性合成的系数分别为1.0、0.0、1.0、0.5和0.0、1.0、0.0、0.0。实际上光谱混合情况可能更复杂。针对目标光谱变化问题，主要的方法有基于子空间模型的方法等，将像元视为由目标子空间和背景子空间线性组合构成，其基础仍然是线性混合模型。但是，在现有的所有方法中，都是使用相同的端元数目和种类对每一个像元是否存在目标进行探测。在实际中，每个像元内包含的端元数目和种类通常是不同的，因而用所有的端元进行探测器的构造是不准确的，因此最终可能会导致目标与背景的可分性下降。因此有必要针对影像内混合像元的实际组成情况来构造探测器，进而比较准确地反映目标与背景的可分度。

发明内容

本发明的目的是，在端元选择的基础上提供一种用于高光谱遥感影像的目标探测方法。

为实现上述目的，本发明提供的高光谱遥感影像目标探测方法，包括以下步骤：

步骤1，选择所需进行目标探测的待探测遥感影像；

步骤2，获取探测时需要的先验信息，所述先验信息包括目标端元光谱信息和背景端元光谱信息；

步骤3，根据步骤2所得先验信息，利用交叉相关匹配技术遍历待探测遥感影像，确定待探测遥感影像中每个像元内的背景端元种类；

步骤4，利用步骤2所得先验信息和步骤3所得每个像元内的背景端元种类，对待探测遥感影像进行全限制性最小二乘的光谱分解，得到待探测遥感影像中每个像元内目标端元和各种背景端元的组分信息；

步骤5，根据步骤4所得组分信息和步骤2所得先验信息得到像元的线性混合模型，根据该模型建立基于广义似然比的探测器；

步骤6，采用步骤5所得探测器遍历待探测遥感影像，得到待探测遥感影像中每个像元的探测函数值；根据所得探测函数值和预设的阈值，判定待探测遥感影像中每个像元内是否含有目标。

而且，步骤3的具体实现采用以下计算公式：

$r=\frac{\mathrm{\Σ}(R_r-\stackrel{\‾}{R_r})(R_t-\stackrel{\‾}{R_t})}{\sqrt{\left[\mathrm{\Σ}{(R_r-\stackrel{\‾}{R_r})}^2\right]\left[\mathrm{\Σ}{(R_t-\stackrel{\‾}{R_t})}^2\right]}}$

式中，R_r为背景端元光谱信息，R_t为待探测遥感影像中某个像元的光谱信息，设先验信息中有n种背景端元光谱信息，设R_r为其中一种，计算所得r表示该像元内是否含有该种背景端元。

本发明利用交叉相关光谱匹配技术求得各个像元所含背景端元类别信息，然后根据端元类别信息和全限制性分解的结果构造自适应匹配子空间探测算子，利用端元类别信息在探测中动态选择端元，降低端元数目估计偏差对探测结果的影响，提高探测器对目标与背景的可分性。本发明的方法具有结构化强、适应度高、自组织、自学习的特点，实施时运算较快，适合高光谱遥感影像的像元结构特点，适用于高光谱遥感影像的目标探测。

附图说明

图1光谱分解示意图；

图2本发明实施例的全限制性最小二乘的光谱分解流程图；

图3本发明实施例的主函数程序框图。

具体实施方式

背景的统计特征是目标探测中的一个关键问题。目标探测问题可视为在高光谱遥感的每个像元中寻找某种地物或物质的存在性问题，即一个将待考察像元判定为目标或者非目标的二元假设检验问题。一般将目标存在与不存在视为协方差相同、均值不同的假设，因此将利用目标不存在的假设下，求解两种假设下共同的统计特征。在本发明中，利用子空间模型来消除目标光谱变化对目标探测的影响。在该模型中，我们采用的背景统计信息时背景端元光谱与其组分信息，利用这些信息建立基于广义似然比检验的探测器。因此，背景端元种类与其组分的准确性直接影响最后目标探测的结果。此外，在探测器中，端元的组分信息是通过全限制性最小二乘的光谱分解得到的，而全限制性最小二乘的光谱分解，一般也是采用所有光谱信息进行的。在噪声、大气传输等因素的干扰下，像元内并不含有的端元，经过光谱分解其结果并不会是零。因此也需要在光谱分解前确定混合像元内的端元种类。

本发明充分考虑了背景结构化信息对目标探测的影响。对背景结构化信息的了解越精确，则对背景的描述越接近真实情况，进而可以更准确地反映目标与背景的可分度。背景端元种类比较精确，则可以利用全限制性最小二乘的光谱分解得到较为精确的组分信息；其次，利用正确的背景端元类型和端元组分结构化表达背景信息，则可以更好地利用探测器将目标信号分离。

与现有的子空间模型的目标探测方法不同，本发明利用光谱分解后的具有物理意义的组分进行最大似然比测试的目标探测器构造。光谱分解使用的是全限制性最小二乘的方法。其中的全限制性指的是，分解后的组分非负和组分和为一。这两个约束条件保证对影像的线性混合模型假设是合理的。由于目标像元数目较少，因此一个可靠的目标探测算法一般是利用目标存在与目标不存在两种统计假设检验发展而来的。本发明采用子空间模型来表达这种统计假设检验。在目标不存在的情况下，符合如下的正态分布：均值为背景端元矩阵乘以对应的组分矩阵，方差为均值为零的高斯噪声；在目标存在的情况下，符合如下的正态分布：均值为目标端元、背景端元乘以对应的组分矩阵，方差同样为均值为零的高斯噪声。在此假设下，可以建立两种假设下的似然比算子。与一般的似然比算子不同的是，其中的参数并不是通过最大似然估计得到的，而是利用光谱分解得到的具有物理意义的组分信息。

基于端元种类选择策略和全限制性最小二乘的光谱分解，本发明提供遥感影像的异常目标探测方法：

步骤1，选择所需进行目标探测的遥感影像，本发明称为待探测遥控影像。实施例采用遥感影像处理程序来实施本发明方法。遥感影像处理程序可根据本发明的技术方案，由本领域技术人员采用软件编程技术提供，建议采用visual c++6.0开发。具体实施时，可以设定在遥感影像处理程序弹出影像参数对话框后，通过输入影像宽度、高度、波段数和数据类型选择打开输入所需进行目标探测的待探测遥感影像。

步骤2，根据探测的实际需求，输入先验信息。先验信息包括目标端元光谱信息和背景端元光谱信息。根据探测的实际需求可以选择探测前获取的训练样区先验信息的方式，通过人工选取或者自动提取的方法获得。若已知某些像元含有目标，某些像元是不含有目标的背景像元，则可以直接输入待探测目标像元和背景像元。或者在探测时，未知哪些是目标、哪些是背景像元，但可以通过目视选择影像上部分像元作为目标，选择部分像元是背景，然后输入探测器。若已知目标的纯净光谱，可以将其作为输入的目标先验信息；若已知影像内的部分目标像元，则可以将他们取平均，作为输入的目标先验光谱信息。具体实施时，若目视比较明显，或者有实际地面覆盖类型数据时，适合采用人工选取的方法。如果目视并不明显，可以采用自适应迭代误差分析、投影寻踪等自动端元提取方法等现有技术。一般采用人工选取的方式得到背景端元光谱信息即可。

步骤3，根据步骤2所得先验信息，利用交叉相关匹配技术遍历待探测遥感影像，确定待探测遥感影像中每个像元内的背景端元种类。交叉相关光谱匹配技术是一种用来进行光谱相似性判定的现有方法，本发明中用其来判定各个像元内含有的背景端元种类，匹配过程在此不予赘述。其中判断某个像元内是否含有某种背景端元的具体实现，则可采用以下计算公式：

$r=\frac{\mathrm{\Σ}(R_r-\stackrel{\‾}{R_r})(R_t-\stackrel{\‾}{R_t})}{\sqrt{\left[\mathrm{\Σ}{(R_r-\stackrel{\‾}{R_r})}^2\right]\left[\mathrm{\Σ}{(R_t-\stackrel{\‾}{R_t})}^2\right]}}$

式中，R_r为背景端元光谱信息，R_t为待探测遥感影像中某个像元的光谱信息，设先验信息中有n种背景端元光谱信息，设R_r为其中一种，计算所得r表示该像元内是否含有该种背景端元。

步骤4，利用步骤2所得先验信息和步骤3所得每个像元内的背景端元种类，对待探测遥感影像进行全限制性最小二乘的光谱分解，得到待探测遥感影像中每个像元内目标端元和各种背景端元的组分信息。具体地，这里采用的全限制性最小二乘的分解方法是现有基于活动集合的数值计算方法，该方法是处理最优化问题的一种有效方法。

步骤5，根据步骤4所得组分信息和步骤2所得先验信息得到像元的线性混合模型，根据该模型建立基于广义似然比的探测器。具体实施时，基于混合像元的线性混合模型，采用现有假设检验的方法建立基于广义似然比的探测器，其中利用广义似然比检测的方法分别建立目标存在和不存在情况下的似然算子，组分和端元信息由前面的步骤得到。

步骤6，采用步骤5所得异常探测算子遍历待探测遥感影像，得到待探测遥感影像中每个像元的探测函数值；根据所得探测函数值和预设的阈值，判定待探测遥感影像中每个像元内是否含有目标。具体实施时，根据步骤4所得组分信息，在遍历整个影像时分别按选择对应的端元数目和种类，进而使用探测器进行探测。预设的阈值是一个比较主观的指标，更一般的做法是设置一系列的阈值，得到相应的探测率与虚警率，根据虚警率的需要选择阈值。根据阈值，根据待探测遥感影像中每个像元的探测函数值是否达到阈值，即可判定每个像元内是否含有目标。

在步骤4中，需要对待探测遥感影像进行全限制性最小二乘的光谱分解。限制性线性混合分解分析主要考虑混合像元端元组分比和为1、端元组分比不能为负数两个限制性条件，典型的实现是基于非负最小二乘最优约束的FCLS算法。该方法将估计的组分分成主动集合和被动集合两部分。主动集合由所有的非正组分对应的端元序号组成，被动集合则由组分为正的对应端元序号组成。

参见图2，本发明实施例中，以端元光谱数据(是指事先已知或探测前已经求出的端元光谱数据，即某种地物纯净像元各个波段上灰度值构成的向量，端元提取的方法是现有的)和待探测遥感影像所提供影像数据为输入，使用下述步骤求解：

1、初始化被动集合P⁽⁰⁾＝{1，2，…p}和主动集合

其中的元素数值标示端元的序号，令k＝0，开始求解

表示进行第k次运算时，非负最小二乘的组分结果。

2、利用端元矩阵M和像元向量r，通过最小二乘计算组分向量

令

端元矩阵M是由所有的光谱信息组成其列向量的端元矩阵，r是影像上的某个像元。为便于理解，在此举例说明：有100*100辆汽车，他们都是由轮子、车身、底盘、发动机五种端元构成，每个端元都是一个矢量。那么端元矩阵M就是由这五个端元构成，每一列就是一种端元对应的矢量。取出10000辆汽车中的任何一辆r(矢量)，其都是这样构成的：r＝M*a，a是端元的混合系数，就是组分。其中一个像元，可能含有10％的A端元，30％的B端元，40％的C端元，20％的D端元，0％的E端元。因此，我们首先判断了E不存在。这样，光谱分解的结果将更高，更符合实际情况。用这种组分信息建立的探测器，就更加可以准确地分离或者说探测目标。

3、开始进行第k次循环，即执行以下第4步到第12步。

4、令k＝k+1。

5、调整得到新的被动集合P^(k)和主动集合R^(k)。实现过程为将非正组分端元移到主动集合，即将之前的被动集合P^(k-1)中所有与非正组分对应的端元序号移到之前的主动集合R^(k-1)中，并且以P^(k)和R^(k)来分别标示新的被动集合和主动集合。

6、将组分向量

中与主动集合R^(k)所含元素对应的组分取出，构成新的组分向量

7、从(M^TM)^-1中删除被动集合P^(k)中元素对应的端元，构成新的矩阵Φ_α ^(k)

8、计算参数

如果λ^(k)中所有的分量都是负数，则执行第11步，否则继续顺序执行第9步。

9、调整被动集合P^(k)和主动集合R^(k)，此次具体实现为计算λ^(k)中最大的分量，将其对应的端元序号从主动集合R^(k)中移至被动集合P^(k)。

10、通过将被动集合P^(k)当前对应的端元从(M^TM)^-1中剔除得到新的矩阵Ψ_λ ^(k)。计算

如果

内的分量有负值，则将其对应的端元从被动集合P^(k)移到主动集合R^(k)，并转向第6步。否则继续顺序执行第11步。

11、调整被动集合P^(k)，该步骤将被动集合P^(k)当前对应的端元从矩阵Ψ_λ ^(k)中剔除，得到另一个矩阵Ψ_λ ^(k)′。

12、计算然后进行判断。如果所有的组分份量为非负，则说明遍历影像完毕，算法终止，得到光谱分解结果并输出。否则转向第3步，继续执行下一次循环。

以下结合实施例具体实施步骤详细说明本发明技术方案，参见图3：

(1)首先是数据读入，即通过遥感影像处理程序打开所需进行目标探测的待探测遥感影像，将该影像存入一个二维数组DataArray[bds][num](图3中简单标识为DataArray数组)，bds、num分别对应于影像的波段数目和像元数目；

(2)根据探测的实际需求，输入先验信息。实施例已知影像内的部分目标像元，则将他们取凭据，输入作为先验的目标端元光谱信息，这些目标端元光谱数据存入数组S[bds](图3中简单标识为S数组)。实施例在通过人工选取或者自动提取的方法获得背景端元光谱信息后，将各种背景端元光谱数据存为矩阵B，其中每一列为一种背景端元的光谱B[i][bds]，i＝1，…en，en为背景端元数目。

(3)利用交叉相关匹配技术，遍历影像，确定每个像元内的背景端元种类。交叉相关光谱匹配技术是一种现有光谱相似性判定方法，本发明中用其来判定各个像元内含有的背景端元种类，实施例定义CCSM()函数完成这个过程。为便于实施参考起见，提供函数实现过程如下：

首先，交叉相关光谱匹配计算所有像元的光谱在参考光谱上的投影值，通过比较得到最大投影值r_max和相应的端元光谱矢量A_max，那么A_max作为与该像元相似性最高的端元光谱，作为该像元的首选端元。如果把r_max看作是端元A_max对混合像元ρ的贡献，那么剩余端元对ρ的贡献可表示为：

ρ_r＝ρ-r_maxA_max

然后，将公式

中的R_r用ρ_r来代替，继续比较像元中的剩余端元，找出最大的投影值以及端元光谱矢量，依次对投影计算、上式进行迭代。这个过程实际上是将端元对像元响应的贡献率进行排序，找出像元中包含的不同的端元成分，迭代满足一定条件中止，即：ρ_r的某分量是负值；或者是Δρ变化很小。

Δρ＝ρ_r ^(k+1)-ρ_r ^(k)

ρ_r ^(k+1)、ρ_r ^(k)分别是第k+1、k次迭代后的像元反应值。

许多混合像元只经过一次迭代ρ_r就满足中止条件。这是由于选取的端元光谱矢量之间是非正交的。因此，重新定义剩余像元的贡献值：

ρ_r＝ρ-ηr_maxA_max这里的η作为一个调整系数，取值为[0，1]。它在一定程度上影响着端元个数N，当η取得过大，像元只经过少数迭代就满足中止条件，这显然不符合要求；当η取得过小，端元个数保持不变，光谱响应值的计算无意义。实验中，一般取其为[0.55，0.86]之间。根据最后的结果，得到每个像元内背景端元的种类，存入数组ES[en][num]，其中的元素以0、1分布表征某像元内不含有或含有某个背景端元。

(4)利用各种端元光谱信息，对影像进行全限制性最小二乘的光谱分解，得到各种端元的组分信息。具体地，实施例采用的全限制性最小二乘的分解方法是图2所示基于活动集合的数值计算方法，定义为函数FCLS()，最后得到每个像元内的端元组分a[en][num]。

(5)根据步骤4所得组分信息和步骤2所得先验信息得到像元的线性混合模型，然后基于混合像元的线性混合模型，采用假设检验的方法建立基于广义似然比的探测器。

(6)根据各个像元内的端元数目和种类，在遍历整个待探测遥感影像时，分别按选择对应的端元数目和种类，进而使用探测器进行探测，得到待探测遥感影像中每个像元的探测函数值。实施例定义探测函数Detector()；

其中在遍历影像时，对每一个像元，背景端元矩阵B和所有端元矩阵E都将利用二维数组ES[en][num]即端元选择矩阵做端元选择，和

为(4)中混合像元分解的端元组分结果，分别与B和E对应。

即为(4)中所求得的数组a[en][num]某个分量。例如，当考察第i个像元时，

i＝1，…num；

j＝2，…，en，i＝1…num，即

为所考察的像元内所有背景端元组分构成的向量。根据预设的阈值进行分割，判定每个像元内是否含有目标，即可得到目标探测结果。

Claims (2)

1.一种基于端元可变的高光谱遥感影像目标探测方法，其特征在于，包括以下步骤：

步骤1，选择所需进行目标探测的待探测遥感影像；

步骤2，获取探测时需要的先验信息，所述先验信息包括目标端元光谱信息和背景端元光谱信息；

步骤3，根据步骤2所得先验信息，利用交叉相关匹配技术遍历待探测遥感影像，确定待探测遥感影像中每个像元内的背景端元种类；

步骤4，利用步骤2所得先验信息和步骤3所得每个像元内的背景端元种类，对待探测遥感影像进行全限制性最小二乘的光谱分解，得到待探测遥感影像中每个像元内目标端元和各种背景端元的组分信息；

步骤5，根据步骤4所得组分信息和步骤2所得先验信息得到像元的线性混合模型，根据该模型建立基于广义似然比的探测器；

步骤6，采用步骤5所得探测器遍历待探测遥感影像，得到待探测遥感影像中每个像元的探测函数值；根据所得探测函数值和预设的阈值，判定待探测遥感影像中每个像元内是否含有目标。

2.如权利要求1所述的高光谱遥感影像目标探测方法，其特征在于：步骤3的具体实现采用以下计算公式：

$r=\frac{\mathrm{\Σ}(R_r-\stackrel{\‾}{R_r})(R_t-\stackrel{\‾}{R_t})}{\sqrt{\left[\mathrm{\Σ}{(R_r-\stackrel{\‾}{R_r})}^2\right]\left[\mathrm{\Σ}{(R_t-\stackrel{\‾}{R_t})}^2\right]}}$

式中，R_r为背景端元光谱信息，R_t为待探测遥感影像中某个像元的光谱信息，设先验信息中有n种背景端元光谱信息，设R_r为其中一种，计算所得r表示该像元内是否含有该种背景端元。

Images