[发明专利]基于光谱显著性的高光谱遥感图像小目标检测方法

说明书

技术领域

本发明以高光谱遥感图像为研究对象，在对高光谱遥感图像的光谱特征及空间特征进行综合分析的基础上，建立高光谱图像的显著性模型，生成光谱显著图；在显著图的基础上自动提取显著目标，实现高光谱图像的小目标检测，为高光谱图像目标识别、分类与检索奠定基础。

背景技术

高光谱遥感(Hyperspectral Remote Sensing)是20世纪80年代发展起来新型对地观测技术，地物以其固有的特性反射、吸收和辐射电磁波，高光谱遥感通过接收、记录电磁波与不同物体相互作用后的高光谱分辨率的辐射信号，实现对地表信息的获取。由于高光谱图像的高空间相关性和高光谱分辨率等特性，使其具有较高的利用价值，已成为精细农业、大气观测、环境监测、自然灾害研究、资源调查等领域的重要数据源。

随着高光谱遥感硬件以及软件技术的发展，硬件技术远远超前于遥感数据的处理技术，面对如此海量的光谱遥感信息，如何充分有效的处理并进一步利用遥感数据是遥感技术领域亟待解决的问题。

高光谱数据处理的一个主要内容就是目标检测，通过判定高光谱图像中不同空间位置是否存在目标，可以为大范围地面信息的获取提供重要途径，有着重要的军事意义和民用价值。高光谱图像包含了观测场景中目标的空间信息和光谱信息，目标检测时不仅可以利用目标空间信息，还可利用光谱信息。光谱特征展现的是不同化学成分物质的固有特性，每一个像元对应一条确定的光谱，这一光谱反应了该像元对电磁波辐射和反射特性。物体的光谱反射率随波长变化的曲线称为光谱反射率曲线，其形状反映了地物的反射光谱特性。通过对目标光谱特征分析，可以根据目标的光谱特征鉴别出目标的类别，利用目标光谱和背景光谱的差异来提取和识别目标，实现复杂环境下和杂乱背景中低空间分辨率的小目标和低对比度目标的检测。

传统的高光谱遥感目标检测主要是依据目标与地物在光谱特征上存在的差异进行检测识别。通常目标检测需要一定的先验信息(如地面真实测量结果和光谱数据库)，而实际应用中获取这种先验信息是很困难的，从而影响了目标的有效检测。

基于光谱显著性的高光谱遥感图像目标检测方法，通过引入“光谱显著性（spectral saliency）”概念，根据光谱显著性建立适用于高光谱图像的显著性模型，对高光谱图像光谱特征和空间特征进行综合分析的基础上，实现高光谱遥感图像感兴趣目标检测，这种方法能在没有先验信息的条件下检测与周围背景存在差异的目标，突出了图像的主要内容，降低了图像处理分析的复杂度，为高光谱遥感图像目标识别、图像分类与检索奠定基础。

发明内容

本发明与已有高光谱遥感图像目标检测方法不同，通过引入“光谱显著性（spectral saliency）”概念，将“显著性”定义为更广泛的概念而不局限于单一的视觉注意范畴。在这里，显著性不仅限于视觉概念，而是度量内容信息量大小的一种方法。本发明利用了光谱反射率（任何物体的反射光谱都蕴含着自身的本质信息，如物体的类别、组成、结构、电学性质及表面特征（粗糙度、质地）等）而不是颜色、亮度等视觉信息定义“光谱显著性”，即在一定程度上突出于背景图像的某一组像元。不需要背景或目标的先验光谱信息，充分利用高光谱图像丰富的光谱和空间信息，建立适用于高光谱图像的显著性模型，能够在复杂的图像中快速定位感兴趣目标，实现高光谱遥感图像的目标检测。主要包括以下几个步骤：图像预处理、局部显著度图生成、全局显著度图生成、显著图融合和显著目标检测。流程如附图1所示。

由于颜色特征或颜色布局特征（如全局统计特征如直方图等）对于高光谱遥感图像而言缺乏足够的内容表达能力，因此传统的视觉注意模型（如Itti模型）不适用于高光谱遥感图像。受到Itti模型的启发，本发明在进行目标检测时利用从高光谱图像中提取的光谱信息和空间信息，采用改进的Itti模型计算局部显著度，构造局部显著图；然后利用改进的进化规划方法，计算全局显著度，创建全局显著图；最后将全局显著图和局部显著图进行归一化合并得到总的显著图，在显著图的基础上自动提取显著目标作为最终的目标检测结果。

1.图像预处理

考虑到本发明的可扩展性和可延续性，便于高光谱图像检索工作的后续研发，本发明首先基于不重叠区域对高光谱遥感图像进行数据分块。