CN110008948A - 基于变分自编码网络的高光谱图像目标检测方法 - Google Patents

Abstract

本发明提出了一种基于变分自编码网络的高光谱图像目标检测方法，主要解决现有技术中存在的检测精度较低的技术问题，包括如下步骤：获取待检测高光谱图像及待检测目标的真实光谱向量；构建变分自编码网络，并对其进行训练；获取待检测高光谱图像的特征图；计算每个特征图中最大像素值所在位置在待检测高光谱图像中对应的光谱向量；计算每个光谱向量与真实光谱向量的光谱角；获取融合图像；获取待检测高光谱图像的初始检测图像；获取待检测高光谱图像的最终检测目标。本发明能够降低高光谱图像中的频带干扰，减少冗余信息，更好地区分高光谱图像中的目标和复杂的背景，提高了目标点的检测精度，同时降低了数据处理的复杂度。

Description

基于变分自编码网络的高光谱图像目标检测方法

技术领域

本发明属于图像处理技术领域，涉及一种高光谱图像目标检测方法，具体涉及一种基于变分自编码网络的高光谱图像目标检测方法，可用于从高光谱图像中检测出与已知光谱曲线相似的目标。

背景技术

通过高光谱成像仪获取待测物的高光谱图像包含了待测物丰富的空间、光谱和辐射信息，这些信息不仅表现了待测物空间分布的影像特征，同时也可能以其中某一像元或像元组为目标获取它们的辐射强度及光谱特征。不同物质含有其特有的光谱特征，高光谱图像中含有多种物质的光谱信息，将已知的目标物质光谱曲线与高光谱图像中每个光谱向量的光谱曲线进行匹配，可以有效地识别背景中的目标物质，实现不同物质目标的精确检测，但采集的真实高光谱图像通常背景复杂，容易受到噪声干扰，且图像数据存在大量冗余，各波段间的相关性高，成为目标检测过程中提高检测精度需要克服的重要问题。

变分自编码网络是一种无监督的学习网络，可以自动从无标注的数据中学习特征，是一种以重构出与输入数据尽可能相似的数据为目标的神经网络，它可以给出比原始数据更好的特征描述，具有较强的特征学习能力，在深度学习中常用变分自编码网络生成的特征来取代原始数据，降低原始数据中的波段间的干扰，减少原始数据维度，以取得更好的效果；而且由于高光谱图像获取较为困难，图像源较少，无监督网络可以利用较少且不需要标注的数据训练出一个学习能力很好的网络，因此变分自编码网络在对高光谱图像目标检测方面提供了一种较好的处理手段。

高光谱图像目标检测的目的是识别在光谱上与先验光谱曲线相同或相似的目标，例如，目标可能是罕见植被物种、生长异常的植被、与毒品交易有关的非法植物、沿海水域受污染区域、沙漠中失踪的冒险者、埋藏的考古结构、非法过境以及植被覆盖下的车辆、海洋背景下的船只等。因此，有效地进行高光谱图像目标检测，对于矿物探测、海洋研究、农业、环保等领域，进而提高社会经济效益起着十分重要的作用，比其他图像的目标检测技术具有无可比拟的优势。

按照背景的不确定性，传统的高光谱目标检测大致分为基于概率统计模型的检测算法、基于子空间模型的检测算法、基于核方法的检测算法以及空谱信息联合的检测算法。2015年Li W在Elsevier Science Inc中发表的名称为“Combined sparse andcollaborative representation for hyperspectral target detection”的论文，公开了一种基于结合稀疏和协同表示的高光谱目标检测方法，该方法首先通过目标原子稀疏表示测试样本；然后利用背景原子协同表示测试样本；最后通过计算两个表示残差之间的差异来实现决策，得到检测结果。虽然该方法利用稀疏和协同表示的差异可以提高目标检测的效果，但是其仍然存在的不足之处是，由于高光谱图像背景复杂，干扰信息较多，将该目标检测方法直接应用于背景复杂以及频带干扰的高光谱图像，容易漏检目标，导致目标检测的精度低；而且由于直接对原始高光谱图像进行处理，高光谱图像的多波段的特点使得数据处理较为复杂。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出了一种基于变分自编码网络的高光谱图像目标检测方法，用于解决现有技术存在的检测精度较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取待检测高光谱图像及待检测目标的真实光谱向量：

从高光谱图像库中选取大小为W×H×L的待检测高光谱图像I，以及与该待检测高光谱图像I包含的待检测目标光谱曲线相似的真实光谱向量d，其中，W、H、L分别为待检测高光谱图像I的宽、高、波段数，W＞0，H＞0，L≥100；

(2)构建变分自编码网络，并对其进行训练：

(2a)构建包括编码网络和与其连接的解码网络的变分自编码网络，其中，编码网络包括第一隐藏层和与其连接的第一输出层，第一输出层的节点总数与其输出特征图的波段数m相等，特征图的大小为W×H×m，2≤m≤L；解码网络包括第二隐藏层和与其连接的第二输出层，第二输出层的节点总数与待检测高光谱图像I的波段数L相等，第二输出层输出的重构高光谱图像R的大小为W×H×L；

(2b)将待检测高光谱图像I输入到变分自编码网络中进行迭代训练，得到训练后的变分自编码网络；

(3)获取待检测高光谱图像的特征图：

将待检测高光谱图像I作为训练后的变分自编码网络中编码网络的输入，得到编码网络输出端的m个特征图{F₁,F₂,…F_s,…,F_m}，F_s为第s个特征图，2≤s≤m；

(4)计算每个特征图中最大像素值所在位置在待检测高光谱图像中对应的光谱向量：

(4a)计算每个特征图F_s中最大像素值对应的坐标(i_s,j_s)：

(i_s,j_s)＝max{P_s(i,j)|0＜i≤W,0＜j≤H}

其中，max表示取最大值操作，P_s(i,j)表示特征图F_s中每个坐标的像素值；

(4b)确定每个(i_s,j_s)在待检测高光谱图像I中对应的光谱向量I(i_s,j_s)，得到m个光谱向量；

(5)计算每个光谱向量与真实光谱向量的光谱角：

计算每个光谱向量I(i_s,j_s)与真实光谱向量d的光谱角SAM(s)，得到m个光谱角，其中：

其中，arccos表示取反余弦操作，||·||₂表示取二范数操作；

(6)获取融合图像：

(6a)从m个光谱角中选取满足SAM(s)≤τ的K个光谱角，2≤K≤m，并提取每个光谱角对应的特征图，得到K个特征图，其中，τ表示设定的阈值；

(6b)对K个特征图进行融合，得到融合后图像f：

其中，F_n表示第n幅特征图；

(7)获取待检测高光谱图像的初始检测图像：

对融合后图像f进行属性滤波，得到开操作概图A、原操作概图C和闭操作概图E，并计算待检测高光谱图像I的初始检测图像D：

D＝|A-C|+|E-C|

其中，|·|表示取绝对值操作；

(8)获取待检测高光谱图像的最终检测目标：

对待检测高光谱图像I的初始检测图像D进行引导滤波，得到待检测高光谱图像I中与已知真实目标光谱曲线相似的目标。

本发明与现有的技术相比，具有以下优点：

第一，本发明采用变分自编码网络，以网络的隐藏节点表征高光谱图像的光谱信息，提取的特征图降低了原高光谱图像波段间的干扰及数据中的冗余信息，有效地提取了目标的光谱特征，使得更好地区分高光谱图像中的目标和复杂的背景，解决了现有技术对背景复杂以及频带干扰的高光谱图像检测精度较低的问题，使得本发明能够降低高光谱图像目标的漏检率，有效地提高了检测精度。

第二，本发明利用光谱角对变分自编码网络提取的特征图进行特征选择，自适应加权融合得到低维辨别图，通过对低维辨别图做后续处理，降低了数据处理量，同时利用属性滤波和引导滤波做后处理，降低了目标点的漏检率，解决了现有技术中高光谱图像数据处理复杂和检测精度低的问题，使得本发明在高光谱目标检测过程中数据处理的复杂度大大降低，提高了检测效率，同时进一步提高了检测精度。

附图说明

图1是本发明的实现流程图；

图2是采用现有技术基于结合稀疏和协同表示CSCR的高光谱目标检测方法的检测结果仿真图；

图3是采用本发明方法的检测结果仿真图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步的详细描述。

参照图1，本发明包括如下步骤：

步骤1)获取待检测高光谱图像及待检测目标的真实光谱向量：

从高光谱图像库中选取大小为W×H×L的待检测高光谱图像I，以及与该待检测高光谱图像I包含的待检测目标光谱曲线相似的真实光谱向量d，其中，W、H、L分别为待检测高光谱图像I的宽、高、波段数，W＞0，H＞0，L≥100，本实例中待检测高光谱图像I为机载可见光/红外成像光谱仪(AVIRIS)采集的真实高光谱图像，大小为80×100×189，真实光谱向量d为某矿物质的光谱向量；

步骤2)构建变分自编码网络，并对其进行训练：

(2a)构建包括编码网络和与其连接的解码网络的变分自编码网络，其中，编码网络包括第一隐藏层和与其连接的第一输出层，第一隐藏层的节点总数为V∈[50,80]，第一输出层的节点总数与第一输出层输出的特征图的波段数m相等，特征图的大小为W×H×m，2≤m≤L；解码网络包括第二隐藏层和与其连接的第二输出层，第二隐藏层的节点总数与第一隐藏层的节点总数相等，第二输出层的节点总数与待检测高光谱图像I的波段数L相等，第二输出层输出的重构高光谱图像R的大小为W×H×L；本实例中V＝70，m＝20；

(2b)将待检测高光谱图像输入到变分自编码网络中进行迭代训练，得到训练后的变分自编码网络；

(2b1)设置训练迭代次数为T，训练总迭代次数为Y，并令T＝1，本实例中Y＝50；

(2b2)将待检测高光谱图像I输入到编码网络的第一隐藏层进行编码，并保存更新后编码网络的神经元节点，同时通过第一输出层输出编码后的特征图；

(2b3)将编码后的特征图输入到解码网络的第二隐藏层进行解码，并保存更新后解码网络的神经元节点，同时通过第二输出层输出解码后的重构高光谱图像R；

(2b4)判断T是否等于Y，若是，则执行(2b5)；否则，令T＝T+1，并执行步骤(2b2)；

(2b5)计算待检测高光谱图像I的每个光谱向量I(u,v)和重构高光谱图像R的每个光谱向量R(u,v)的平均光谱角：

其中，mean表示取均值操作，arccos表示取反余弦操作，||·||₂表示取二范数操作；

(2b6)设定阈值为ξ，并将满足时的变分自编码网络，作为训练后的变分自编码网络。

步骤3)获取待检测高光谱图像的特征图：

将待检测高光谱图像I作为训练后的变分自编码网络中编码网络的输入，得到编码网络输出端的m个特征图{F₁,F₂,…F_s,…,F_m}，F_s为第s个特征图，2≤s≤m；

步骤4)计算每个特征图中最大像素值所在位置在待检测高光谱图像中对应的光谱向量：

(4a)计算每个特征图F_s中最大像素值对应的坐标(i_s,j_s)：

(i_s,j_s)＝max{P_s(i,j)|0＜i≤W,0＜j≤H}

其中，max表示取最大值操作，P_s(i,j)表示特征图F_s中每个坐标的像素值；

(4b)确定每个(i_s,j_s)在待检测高光谱图像I中对应的光谱向量I(i_s,j_s)，得到m个光谱向量；

步骤5)计算每个光谱向量与真实光谱向量的光谱角：

计算每个光谱向量I(i_s,j_s)与真实光谱向量d的光谱角SAM(s)，得到m个光谱角，其中：

其中，arccos表示取反余弦操作，||·||₂表示取二范数操作；

步骤6)获取融合图像：

(6a)从m个光谱角中选取满足SAM(s)≤τ的K个光谱角，2≤K≤m，并提取每个光谱角对应的特征图，得到K个特征图，其中，τ表示设定的阈值；

(6b)对K个特征图进行融合，得到融合后图像f：

其中，F_n表示第n幅特征图；

步骤7)获取待检测高光谱图像的初始检测图像：

对融合后图像f进行属性滤波，得到开操作概图A、原操作概图C和闭操作概图E，并计算待检测高光谱图像I的初始检测图像D：

D＝|A-C|+|E-C|

其中，|·|表示取绝对值操作；

步骤8)获取待检测高光谱图像的最终检测目标：

对待检测高光谱图像I的初始检测图像D进行引导滤波，得到待检测高光谱图像I中与已知真实目标光谱曲线相似的目标。

下面结合仿真实验对本发明的效果作进一步的说明。

1.仿真条件：

本发明的仿真实验是在主频2.50GHz*8的Intel(R)Core(TM)i5-7200U CPU、内存为8GB的硬件环境和MATLAB的软件环境下进行的。

2.仿真内容与结果分析：

本发明的仿真实验是采用本发明方法和现有技术的基于结合稀疏和协同表示CSCR的高光谱目标检测方法进行仿真，在上述仿真条件下，分别进行了两个仿真实验。

参照图2，对采用现有技术的基于结合稀疏和协同表示CSCR的高光谱目标检测方法仿真图进行的仿真实验1进行详细的描述。图2(a)为来自于机载可见光/红外成像光谱仪(AVIRIS)采集的真实高光谱图像，图2(b)为来自于机载可见光/红外成像光谱仪(AVIRIS)采集的真实高光谱图像附带的目标点分布图，图2(b)中的白色亮点表示真实高光谱图像中的目标点。图2(c)为采用现有技术的基于结合稀疏和协同表示CSCR的高光谱目标检测方法对图2(a)的检测结果图，图2(c)中的白色亮点表示检测到的目标点。

参照图3，对采用本发明方法进行的仿真实验2进行详细的描述。图3(a)为来自于机载可见光/红外成像光谱仪(AVIRIS)采集的真实高光谱图像，图3(b)为来自于机载可见光/红外成像光谱仪(AVIRIS)采集的真实高光谱图像附带的目标点分布图，图3(b)中的白色亮点表示真实高光谱图像中的目标点。图3(c)为采用本发明方法的仿真实验结果图，图3(c)中的亮点表示检测到的目标点。

比较图2(c)和图3(c)可以看出：本发明与现有技术的基于结合稀疏和协同表示CSCR的高光谱目标检测方法相比，本发明检测到的目标点的数目有9个，而现有技术的基于结合稀疏和协同表示CSCR的高光谱目标检测方法检测到的目标点的数目只有6个，因此本发明比现有技术的基于结合稀疏和协同表示CSCR的高光谱目标检测方法检测到的目标点数量更多，降低了漏检率，检测效果更好。

为了对两种方法的检测性能进行评价，按照下式，计算检测精度AUC值：

其中，η表示检测精度AUC值，α表示检测结果中的目标点数目，β表示机载可见光/红外成像光谱仪(AVIRIS)采集的真实高光谱图像附带的目标点分布图中的目标点数目。两种方法计算检测精度(AUC)值如下表所示。

表1本发明方法和现有技术方法目标点检测精度对比表

方法类型	检测精度AUC
		现有技术	66.67％
本发明	100％

从表1可见，本发明与现有技术的基于结合稀疏和协同表示CSCR的高光谱目标检测方法相比，使用本发明方法得到的检测精度明显提高。

综上所述，本发明通过利用变分自编码网络提取待检测高光谱图像的光谱向量维特征，利用先验目标光谱和光谱向量维特征进行特征选择，再利用波段融合，属性滤波和引导滤波对目标聚类检测，得到高光谱图像的检测目标，降低了高光谱图像中的频带干扰，减少了冗余信息，提高了目标的检测精度。

Claims (3)

1.一种基于变分自编码网络的高光谱图像目标检测方法，其特征在于，包括如下步骤：

(1)获取待检测高光谱图像及待检测目标的真实光谱向量：

从高光谱图像库中选取大小为W×H×L的待检测高光谱图像I，以及与该待检测高光谱图像I包含的待检测目标光谱曲线相似的真实光谱向量d，其中，W、H、L分别为待检测高光谱图像I的宽、高、波段数，W＞0，H＞0，L≥100；

(2)构建变分自编码网络，并对其进行训练：

(2a)构建包括编码网络和与其连接的解码网络的变分自编码网络，其中，编码网络包括第一隐藏层和与其连接的第一输出层，第一输出层的节点总数与其输出特征图的波段数m相等，特征图的大小为W×H×m，2≤m≤L；解码网络包括第二隐藏层和与其连接的第二输出层，第二输出层的节点总数与待检测高光谱图像I的波段数L相等，第二输出层输出的重构高光谱图像R的大小为W×H×L；

(2b)将待检测高光谱图像I输入到变分自编码网络中进行迭代训练，得到训练后的变分自编码网络；

(3)获取待检测高光谱图像的特征图：

将待检测高光谱图像I作为训练后的变分自编码网络中编码网络的输入，得到编码网络输出端的m个特征图{F₁,F₂,…F_s,…,F_m}，F_s为第s个特征图，2≤s≤m；

(4)计算每个特征图中最大像素值所在位置在待检测高光谱图像中对应的光谱向量：

(4a)计算每个特征图F_s中最大像素值对应的坐标(i_s,j_s)：

(i_s,j_s)＝max{P_s(i,j)|0＜i≤W,0＜j≤H}

其中，max表示取最大值操作，P_s(i,j)表示特征图F_s中每个坐标的像素值；

(4b)确定每个(i_s,j_s)在待检测高光谱图像I中对应的光谱向量I(i_s,j_s)，得到m个光谱向量；

(5)计算每个光谱向量与真实光谱向量的光谱角：

计算每个光谱向量I(i_s,j_s)与真实光谱向量d的光谱角SAM(s)，得到m个光谱角，其中：

其中，arccos表示取反余弦操作，||·||₂表示取二范数操作；

(6)获取融合图像：

(6a)从m个光谱角中选取满足SAM(s)≤τ的K个光谱角，2≤K≤m，并提取每个光谱角对应的特征图，得到K个特征图，其中，τ表示设定的阈值；

(6b)对K个特征图进行融合，得到融合后图像f：

其中，F_n表示第n幅特征图；

(7)获取待检测高光谱图像的初始检测图像：

对融合后图像f进行属性滤波，得到开操作概图A、原操作概图C和闭操作概图E，并计算待检测高光谱图像I的初始检测图像D：

D＝|A-C|+|E-C|

其中，|·|表示取绝对值操作；

(8)获取待检测高光谱图像的最终检测目标：

对待检测高光谱图像I的初始检测图像D进行引导滤波，得到待检测高光谱图像I中与已知真实目标光谱曲线相似的目标。

2.根据权利要求1所述的基于变分自编码网络的高光谱图像目标检测方法，其特征在于，步骤(2a)中所述的第一隐藏层，其节点总数为V∈[50,80]，所述的第二隐藏层，其节点总数与第一隐藏层的节点总数相等。

3.根据权利要求1所述的基于变分自编码网络的高光谱图像目标检测方法，其特征在于，步骤(2b)中所述的将待检测高光谱图像输入到变分自编码网络中进行迭代训练，实现步骤为：

(2b1)设置训练迭代次数为T，训练总迭代次数为Y，并令T＝1；

(2b2)将待检测高光谱图像I输入到编码网络的第一隐藏层进行编码，并保存更新后编码网络的神经元节点，同时通过第一输出层输出编码后的特征图；

(2b3)将编码后的特征图输入到解码网络的第二隐藏层进行解码，并保存更新后解码网络的神经元节点，同时通过第二输出层输出解码后的重构高光谱图像R；

(2b4)判断T是否等于Y，若是，则执行(2b5)；否则，令T＝T+1，并执行步骤(2b2)；

(2b5)计算待检测高光谱图像I的每个光谱向量I(u,v)和重构高光谱图像R的每个光谱向量R(u,v)的平均光谱角：

其中，mean表示取均值操作，arccos表示取反余弦操作，||·||₂表示取二范数操作；

(2b6)设定阈值为ξ，并将满足时的变分自编码网络，作为训练后的变分自编码网络。