[发明专利]一种基于深度学习的高光谱目标显著性检测方法

说明书

本发明公开了一种基于深度学习的高光谱目标显著性检测方法，所述目标显著性检测方法至少包括深层特征提取步骤和显著性优化步骤，其中，所述深层特征提取步骤包括将原始高光谱图像经双通道的卷积神经网络完成包括空间特征和光谱特征的深层特征提取；所述显著性优化步骤包括将基于提取的深层特征完成背景线索和前景线索计算，并基于计算结果进行显著性优化，生成最终的显著性图。本发明基于深度学习提取高光谱图像的空间和光谱深层特征，提升了特征的鲁棒性，且卷积神经网络采用自监督训练，无需真值标签；利用显著性优化，能够提升生成显著性图的质量，突出显著性目标。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于深度学习的高光谱目标显著性检测方法。

背景技术

高光谱图像是由数十或数百幅连续的窄波段图像组成，称为“数据立方体”，其包含了目标场景的空间维信息和光谱维信息。随着高光谱成像技术的发展，人们有能力获取具有更高空间分辨率和光谱分辨率的高光谱数据。目前，高光谱图像已在许多领域中发挥出重要作用，如地物遥感、目标检测、农业生产、医学诊断、国防军事等。

人类视觉注意机制描述了现实场景中人眼关注的突出对象或区域，并引申到目标显著性检测，其主要基于RGB图像。

在早期研究中，显著性线索通常采用局部或全局对比特征，这些特征是通过颜色或纹理获得的。尽管这些浅层特征在某些特定的场景中具有良好的性能，但是缺乏足够的鲁棒性。

近年来，深度学习被引入到目标显著性检测中，用于提取目标的深层特征，与传统方法相比，基于深度学习的目标显著性检测方法可以生成效果更好的显著性图。

高光谱图像具有更为丰富的空间和光谱信息，能够应用到目标显著性检测中。然而，不同于传统RGB图像，高光谱图像具有较高的光谱特征维数，数据处理的难度较大。现有的高光谱目标显著性检测方法大都基于浅层光谱特征，如光谱梯度，特征提取根据单个像素的光谱。这类方法未能充分利用高光谱图像中目标空间和光谱特征信息，所以将深度学习方法应用到高光谱目标显著性检测中具有重要意义和价值。

发明内容

本发明的目的在于，针对传统的高光谱目标显著性检测技术一般基于浅层光谱特征，未能充分利用高光谱图像中目标空间和光谱特征信息的问题，提出了一种基于深度学习的高光谱目标显著性检测方法，以提取高光谱图像的深层特征信息，同时提升生成显著性图的质量。

本发明目的通过下述技术方案来实现：

一种基于深度学习的高光谱目标显著性检测方法，所述目标显著性检测方法至少包括深层特征提取步骤和显著性优化步骤，其中，所述深层特征提取步骤包括将原始高光谱图像经双通道的卷积神经网络完成包括空间特征和光谱特征的深层特征提取；所述显著性优化步骤包括将基于提取的深层特征完成背景线索和前景线索计算，并基于计算结果进行显著性优化，生成最终的显著性图。

根据一个优选的实施方式，记原始高光谱图像为X∈R^W×H×L，其中，W、H为图像尺寸，L为光谱维数；记深层特征为I∈R^W×H×C，C代表特征维数，且C＜L；所述双通道的卷积神经网络包括空间特征通道和光谱特征通道，其中，所述空间特征通道被配置为采用3×3卷积，并采用下采样和上采样，保持空间特征尺寸与原始高光谱图像尺寸一致，提取的空间特征维数为C/2；所述光谱特征通道被配置为采用1×1卷积，提取的光谱特征维数为C/2；所述双通道的卷积神经网络将提取的所述空间特征和光谱特征融合后，获得特征维数为C的深层特征I。