[發明專利]一種基于樣本過采樣的稀疏表示高光譜圖像目標檢測方法

在審

• 申請號: 202011335905.6
• 申請日: 2020-11-25
• 公開（公告）號: CN112365490A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 陶洋;林飛鵬;楊雯;翁善
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于樣本過采樣的稀疏表示高光譜圖像目標檢測方法，方法包括：首先從待檢測的高光譜圖像上選擇目標訓練樣本和背景訓練樣本；然后利用合成少數類的過采樣技術生成新的目標訓練樣本，擴充目標訓練樣本的數量從而平衡目標和背景訓練樣本之間的數量；然后構建稀疏表示模型并計算稀疏向量重構殘差，計算目標檢測統計值；最后根據目標檢測統計值，實現目標檢測。本發明的有益效果是：針對目前稀疏表示在高光譜圖像目標探測領域應用時，在字典構造過程中，目標訓練樣本與背景訓練樣本不平衡的問題，本發明利用合成少數類樣本技術進行目標訓練樣本擴充，解決樣本數量不平衡的問題，能夠更為精確地恢復測試像元的稀疏表示向量，使得目標檢測效果得到了進一步提升。

技術領域

本發明屬于遙感圖像處理領域，主要是涉及一種基于樣本過采樣的稀疏表示高光譜圖像目標檢測方法。

背景技術

高光譜圖像具有很高的光譜分辨率，往往可以低于10nm，其包含數百甚至數千個光譜段落，可以提供豐富的光譜信息。不同地物光譜曲線的差異性是高光譜圖像上不同類地物像元可以進行區分的基礎。在高光譜圖像目標檢測中，根據像元的光譜特征將其標記為目標或者背景，目前廣泛應用于地質學、植被研究等。經典的目標檢測方法的有效性依賴于對統計模型的正確的假設，不能保證這些假設在現實場景中一定成立。近些年來，隨著計算機技術的發展，機器學習等相關知識被逐步引用到高光譜圖像目標檢測方法當中去。

圖像作為信號的一種表現形式，其本質上是稀疏的，且高光譜圖像波段數目多，維度高，包含的信息量大，它的稀疏性相對更加明顯。稀疏表示成功應用于高光譜圖像目標檢測方法當中，利用目標和背景子字典中的幾個訓練原子來表示測試像素，并通過求解稀疏約束優化問題得到恢復的表示。但是，由于高光譜圖像目標檢測過程中，目標像素本來在整個高光譜圖像中數量少，會導致目標訓練樣本極其有限，使得目標訓練樣本與背景訓練樣本數據量不均衡。如果直接將稀疏表示直接用到目標檢測中，構造的目標字典會導致目標字典的訓練樣本遠小于背景字典的訓練樣本，難以很好地恢復目標稀疏向量，導致最終檢測模型的弱化。如何利用有限的訓練樣本構建稀疏表示模型，很好的處理不均衡訓練樣本的情況，是本專利方法的關鍵難點。

利用合成少數類的過采樣技術(Synthetic minority oversampling technique,SMOTE)，在目標訓練樣本附近位置生成新樣本達到類別平衡的目的，能夠彌補稀疏表示在高光譜圖像目標檢測中的缺陷。

發明內容

針對現有稀疏表示方法在高光譜圖像目標檢測中的應用問題，結合SMOTE技術的優勢，解決目標字典和背景字典中目標訓練樣本與背景訓練樣本數據量不均衡問題，從而更好地恢復稀疏向量，獲得理想的檢測性能，本發明提出一種基于樣本過采樣的稀疏表示高光譜圖像目標檢測方法，主要包括以下步驟：

S1：從待檢測的高光譜圖像X上選擇N_t個目標訓練樣本；

所述高光譜圖像X為B×N的矩陣數據，B為所述高光譜圖像X波段數，N為所述遙感圖像X的像元數；其中，N個像元包括若干個目標像元和若干個背景像元；所述目標訓練樣N_t數量小于目標像元數量。

S2：從待檢測的高光譜圖像X上選擇N_b個背景訓練樣本；

S3：通過SMOTE技術擴充目標訓練樣本，使用采樣倍數n來調節生成的新的目標訓練樣本數(n-1)N_t，則目標總訓練樣本數為nN_t；

S4：利用S3目標訓練樣本和S2背景訓練樣本，構建稀疏表示模型；

S5：分解稀疏向量，并計算重建殘差，并構建檢測器D_{Oversampling-STD}；

S6：利用S5得到的檢測器對高光譜圖像中的所有像元進行檢測，得到目標檢測結果。

進一步的，所述S3具體包括以下步驟：