[發明專利]基于矩陣分解的高光譜圖像顯著性目標檢測方法

有效

• 申請號: 201710510904.2
• 申請日: 2017-06-29
• 公開（公告）號: CN107316309B
• 公開（公告）日: 2020-04-03
• 發明（設計）人: 魏巍;張磊;高一凡;嚴杭琦;張艷寧
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/32;G06K9/46
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 常威威

本發明提供了一種基于矩陣分解的高光譜顯著性目標檢測方法。通過在原始高光譜圖像的光譜維上計算光譜梯度，提取圖像的光譜梯度特征，消除了光照帶來的不利影響，同時構建圖像特征矩陣；然后，通過對圖像特征矩陣進行矩陣低秩稀疏分解，得到對應背景部分的低秩矩陣和對應顯著性目標的稀疏矩陣，從而避免了顯著性物體內部的分塊不均一問題，實現顯著性目標檢測的同時也可以減少運算量。

技術領域

本發明屬圖像處理技術領域，涉及高光譜圖像的顯著性目標檢測方法，具體涉及一種基于矩陣分解的高光譜圖像顯著性目標檢測方法。

背景技術

高光譜圖像是利用成像光譜儀將視場中觀測到的各種地物的光譜信息記錄下來得到的影像數據。隨著高光譜成像技術的日漸成熟，成像設備在其光譜分辨率和空間分辨率等指標上有了很大提升。使得原本主要在常規圖像上開展的物體檢測、識別和跟蹤等課題逐漸得以延伸到高光譜數據上。目前，對于高光譜圖像顯著性目標檢測問題的相關研究尚處于發展階段。現有的高光譜圖像顯著性目標檢測方法主要采用Itti模型，將顏色特征替換為高光譜圖像的光譜特征，使模型適用于高光譜圖像。例如，文獻“S.L.Moan,A.Mansouri,et al.,Saliency for Spectral Image Analysis[J].IEEE Journal ofSelected Topics in Applied Earth Observations and Remote Sensing,2013.6(6):p.2472-2479.”就是將光譜投影到CIELAB顏色空間中利用圖像進行主成分分析(PrincipleComponent Analysis，PCA)等方式對光譜信息進行利用。目前，現有方法以像元作為顯著性估計的基本單位，通過主成分分析、歐氏距離、光譜夾角(Spectral Angle)等手段來評估不同像元光譜之間的差異，借此衡量出各像元的顯著性。這種由像元顯著性反映全圖顯著性的做法的主要問題在于檢測結果中，物體邊緣響應較大而內部響應很低的顯著圖不均一現象。此外，現有方法都依賴于單一模型，無法消除高光譜圖像中亮度變化對光譜數據造成的影響，以及由數據規模帶來的巨大計算量。因此，急需要突破現有高光譜檢測方法中的固有思路，提出新的高光譜圖像顯著性目標檢測方法來解決現有的問題。

發明內容

為了克服現有技術的不足，本發明提供一種基于矩陣分解的高光譜顯著性目標檢測方法。矩陣分解的思想不同于Itti模型和區域對比方法，矩陣分解的思想是利用高光譜圖像空間上的相似性與光譜上的連續性，構造稀疏矩陣與低秩矩陣，而顯著性目標恰好是矩陣分解中的稀疏矩陣。構建待分解的特征矩陣時，使用光譜梯度特征消除亮度不均勻對數據造成的影響，利用底層構建超像素結構來減少運算量。傳統利用區域對比思想的方法，導致顯著性物體內部出現不均一的問題，而本發明方法基于矩陣分解，跳出傳統方法的框架使得顯著性物體內部勻質均一。

一種基于矩陣分解的高光譜圖像顯著性目標檢測方法，其特征在于包括以下步驟：

步驟1：光譜梯度特征生成：對高光譜圖像的每一個像素i，按計算得到其光譜梯度特征，所有像素的光譜梯度特征即構成光譜梯度特征數據塊X＝{g₁,g₂,…,g_n}^T；其中，表示像素i的光譜梯度特征的第j個分量，表示像素i對應的原始光譜向量y_i的第j個分量，i＝1,2,…,n，j＝2,…,p，n為高光譜圖像總的像素個數，p為高光譜圖像的波段數，Δλ是相鄰波段波長差值；

步驟2：構建圖像特征矩陣：將步驟1得到的光譜梯度特征數據塊X表示成一個大小為m×n的二維圖像特征矩陣F，其中，每一列即為一個像素對應的光譜梯度特征，m為光譜梯度特征的維數，m＝p-1；

步驟3：低秩稀疏矩陣分解：按下式將圖像特征矩陣F進行低秩稀疏矩陣分解，并利用交替迭代乘子法對其進行求解，得到稀疏矩陣S：