[发明专利]基于块对角与低秩表示的高光谱伪装目标检测方法

说明书

本发明公开了一种基于块对角与低秩表示的高光谱伪装目标检测方法，用于解决现有高光谱伪装目标检测方法目标检测效率低的技术问题。技术方案是首先利用k‑means聚类算法将背景划分为不同的类别；其次根据聚类结果将原始数据进行排序；然后利用PCA字典学习算法得到每一类的字典，进而获得全局的背景字典；再依据低秩和稀疏表示理论建立块对角低秩检测模型；模型求解后将原始数据分为背景部分和包含伪装目标的稀疏部分；最后在稀疏部分中提取出伪装目标。由于在低秩和稀疏表示理论的框架下，利用聚类算法对背景进行精细化描述，使得对背景的描述更加准确，提高了伪装目标检测效率。

技术领域

本发明涉及一种高光谱伪装目标检测方法，特别是涉及一种基于块对角与低秩表示的高光谱伪装目标检测方法。

背景技术

随着伪装技术在现代战争中的广泛应用，伪装目标检测及其技术发展成为研究热点。尽管现代伪装手段出现了反雷达、反红外、反可见光等伪装手段，但是由于高光谱图像能够有效反映不同物质在可见光、红外甚至更宽的光谱范围内的反射率特性，这些伪装手段不能在全波段为范围进行伪装，因此利用高光谱图像进行伪装目标检测受到了越来越多的关注，而且在实际应用中具有较强的实用性。

利用高光谱遥感图像对伪装目标检测时，最理想的方式是直接利用伪装目标的先验光谱信息在图像中寻找与该光谱相同或相近的像元最终确定目标位置。但是在实际应用中，伪装目标的光谱信息很难获得，而且光谱极易受大气、光照等影响，出现“同物异谱、同谱异物”的现象，即使得到先验信息也很难保证在检测过程中与真实目标相匹配。因此，采用无监督的高光谱目标检测方法成为一种有效的伪装目标检测途径。该方法不需要提供待测伪装目标先验光谱信息的前提下，仅利用图像像元之间的光谱差异性进行目标检测的高光谱目标检测技术，在实际应用中具有较强的实用性。

传统的高光谱无监督目标检测算法一般假设图像背景服从高斯分布。在这种假设下可以利用全局或局部的统计特性来检测伪装目标。然而，在实际应用中由于受到空间分辨率限制，图像背景具有较高的复杂性，仅通过假设背景服从高斯分布来进行伪装目标检测，不能取得很好的检测效果。

近年来，基于低秩和稀疏表示的高光谱无监督目标检测算法受到越来越多的关注。该类算法假设图像中的背景服从低秩特性，从而将原图像分解为低秩和稀疏两部分，其中目标被包含到稀疏部分，最后在稀疏部分提取目标，完成检测任务。在实际应用中具有很好的灵活性和可扩展性。文献“Xu Y,Wu Z,Li J,et al.Anomaly Detection inHyperspectral Images Based on Low-Rank and Sparse Representation[J].IEEETransactions on GeoscienceRemote Sensing,2016,54(4):1990-2000.”公开了一种基于低秩和稀疏表示的高光谱无监督目标检测方法。该方法假设图像像元可以被背景字典的原子线性表示，而表示系数矩阵具有低秩特性，从而建立低秩稀疏表示模型。通过模型求解，将原始图像分解为背景部分和稀疏部分。最后在稀疏部分中提取出感兴趣目标。文献所述方法在检测伪装目标时，存在表示背景时未考虑背景的细节，比如背景包含的种类信息、背景结构信息等，造成背景表示不准确的问题，导致伪装目标检测效率不高。

发明内容

为了克服现有高光谱伪装目标检测方法目标检测效率低的不足，本发明提供一种基于块对角与低秩表示的高光谱伪装目标检测方法。该方法首先利用k-means聚类算法将背景划分为不同的类别；其次根据聚类结果将原始数据进行排序；然后利用PCA字典学习算法得到每一类的字典，进而获得全局的背景字典；再依据低秩和稀疏表示理论建立块对角低秩检测模型；模型求解后将原始数据分为背景部分和包含伪装目标的稀疏部分；最后在稀疏部分中提取出伪装目标。由于在低秩和稀疏表示理论的框架下，利用聚类算法对背景进行精细化描述，使得对背景的描述更加准确，提高了伪装目标检测效率。

本发明解决其技术问题所采用的技术方案是：一种基于块对角与低秩表示的高光谱伪装目标检测方法，其特点是包括以下步骤：