[发明专利]一种基于样本过采样的稀疏表示高光谱图像目标检测方法

说明书

本发明提供一种基于样本过采样的稀疏表示高光谱图像目标检测方法，方法包括：首先从待检测的高光谱图像上选择目标训练样本和背景训练样本；然后利用合成少数类的过采样技术生成新的目标训练样本，扩充目标训练样本的数量从而平衡目标和背景训练样本之间的数量；然后构建稀疏表示模型并计算稀疏向量重构残差，计算目标检测统计值；最后根据目标检测统计值，实现目标检测。本发明的有益效果是：针对目前稀疏表示在高光谱图像目标探测领域应用时，在字典构造过程中，目标训练样本与背景训练样本不平衡的问题，本发明利用合成少数类样本技术进行目标训练样本扩充，解决样本数量不平衡的问题，能够更为精确地恢复测试像元的稀疏表示向量，使得目标检测效果得到了进一步提升。

技术领域

本发明属于遥感图像处理领域，主要是涉及一种基于样本过采样的稀疏表示高光谱图像目标检测方法。

背景技术

高光谱图像具有很高的光谱分辨率，往往可以低于10nm，其包含数百甚至数千个光谱段落，可以提供丰富的光谱信息。不同地物光谱曲线的差异性是高光谱图像上不同类地物像元可以进行区分的基础。在高光谱图像目标检测中，根据像元的光谱特征将其标记为目标或者背景，目前广泛应用于地质学、植被研究等。经典的目标检测方法的有效性依赖于对统计模型的正确的假设，不能保证这些假设在现实场景中一定成立。近些年来，随着计算机技术的发展，机器学习等相关知识被逐步引用到高光谱图像目标检测方法当中去。

图像作为信号的一种表现形式，其本质上是稀疏的，且高光谱图像波段数目多，维度高，包含的信息量大，它的稀疏性相对更加明显。稀疏表示成功应用于高光谱图像目标检测方法当中，利用目标和背景子字典中的几个训练原子来表示测试像素，并通过求解稀疏约束优化问题得到恢复的表示。但是，由于高光谱图像目标检测过程中，目标像素本来在整个高光谱图像中数量少，会导致目标训练样本极其有限，使得目标训练样本与背景训练样本数据量不均衡。如果直接将稀疏表示直接用到目标检测中，构造的目标字典会导致目标字典的训练样本远小于背景字典的训练样本，难以很好地恢复目标稀疏向量，导致最终检测模型的弱化。如何利用有限的训练样本构建稀疏表示模型，很好的处理不均衡训练样本的情况，是本专利方法的关键难点。

利用合成少数类的过采样技术(Synthetic minority oversampling technique,SMOTE)，在目标训练样本附近位置生成新样本达到类别平衡的目的，能够弥补稀疏表示在高光谱图像目标检测中的缺陷。

发明内容

针对现有稀疏表示方法在高光谱图像目标检测中的应用问题，结合SMOTE技术的优势，解决目标字典和背景字典中目标训练样本与背景训练样本数据量不均衡问题，从而更好地恢复稀疏向量，获得理想的检测性能，本发明提出一种基于样本过采样的稀疏表示高光谱图像目标检测方法，主要包括以下步骤：

S1：从待检测的高光谱图像X上选择N_t个目标训练样本；

所述高光谱图像X为B×N的矩阵数据，B为所述高光谱图像X波段数，N为所述遥感图像X的像元数；其中，N个像元包括若干个目标像元和若干个背景像元；所述目标训练样N_t数量小于目标像元数量。

S2：从待检测的高光谱图像X上选择N_b个背景训练样本；

S3：通过SMOTE技术扩充目标训练样本，使用采样倍数n来调节生成的新的目标训练样本数(n-1)N_t，则目标总训练样本数为nN_t；

S4：利用S3目标训练样本和S2背景训练样本，构建稀疏表示模型；

S5：分解稀疏向量，并计算重建残差，并构建检测器D_{Oversampling-STD}；

S6：利用S5得到的检测器对高光谱图像中的所有像元进行检测，得到目标检测结果。

进一步的，所述S3具体包括以下步骤：