[發明專利]基于動量更新的二分類編碼器網絡的高光譜目標檢測方法

在審

• 申請號: 202310554705.7
• 申請日: 2023-05-17
• 公開（公告）號: CN116563711A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 王立國;王霄衣;劉丹鳳;劉海濤;肖瑛
• 申請（專利權）人: 大連民族大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/74;G06V10/764;G06V10/82;G06V10/762;G06N3/0455;G06N3/082;G06N3/084
• 代理公司: 北京東方盛凡知識產權代理有限公司 11562
• 代理人: 劉芳

本發明公開了基于動量更新的二分類編碼器網絡的高光譜目標檢測方法，包括：將獲取的3?D高光譜圖像轉換為2?D矩陣形式的高光譜圖像，進行聚類，獲取聚類結果，并對質心進行初始化操作；基于所述聚類結果，利用歐氏距離找到與各所述個質心鄰近的像元，作為純凈的背景和目標像元，篩選純凈像元；基于純凈像元構建背景?目標訓練樣本集，通過背景?目標訓練樣本集構建基于動量更新的二分類編碼器網絡，并計算損失函數，進行優化，獲取訓練好的二分類編碼器網絡；將2?D矩陣形式的高光譜圖像輸入訓練好的二分類編碼器網絡中，輸出最終檢測圖。本發明能夠更好地分離背景和目標，獲得較高的檢測率，并有效地抑制虛警率。

技術領域

本發明涉及遙感圖像處理技術領域，尤其涉及基于動量更新的二分類編碼器網絡的高光譜目標檢測方法。

背景技術

相比于可見光、紅外光、紫外等光學單通道的探測系統，高光譜成像儀可以獲得反映目標特性的連續的光譜曲線。由高光譜成像儀獲取的高光譜圖像具有光譜分辨率高，“圖譜合一”以及光譜通道多，能夠在成像范圍內連續成像等特點。由于高光譜遙感圖像的光譜分辨率極高，能夠達到納米級，使得原本在多光譜遙感圖像中無法有效探測的目標能夠更好地被探測和識別。高光譜圖像被廣泛地應用于分類、解混、目標檢測以及變化檢測等領域。

目標檢測是高光譜遙感圖像處理領域中的重要應用之一。根據有無先驗的目標光譜，目標檢測可分為有監督和無監督兩種形式。無監督形式又叫做異常檢測。而有監督形式通常叫做目標檢測或目標匹配。高光譜目標檢測在軍事偵察、地質勘探、環境以及農業監測等領域有著廣泛的應用。

經典的目標檢測算法主要分為三類：概率分布模型，子空間模型以及表示模型。典型的概率分布模型包括約束能量最小化濾波(Constrained?Energy?Minimization，CEM)和自適應余弦一致性評估器(Adaptive?Coherence?Estimator，ACE)。典型的子空間模型為正交子空間投影(Orthogonal?Subspace?Projection,OSP)。典型的表示模型包括二元假設稀疏表示(Sparse?Representation-Based?Binary?Hypothesis，SRBBH)檢測器，低秩和稀疏矩陣分解(Sparse?and?Low-Rank?Matrix?Decomposition,SLRMD)模型。由于光譜變異和混合像元問題的存在，經典算法通常無法將背景和目標充分地分離，而造成較低和檢測率和較高的虛警率。

近幾年，深度學習理論飛速發展，基于深度學習的高光譜目標檢測方法的研究得到了廣泛關注。在深度學習中，一般要求樣本的數量要充足，樣本數量越多，訓練出來的模型效果越好，模型的泛化能力越強。但是實際中，盡管具有先驗光譜信息，但由于背景信息未知，且通常情況下，先驗光譜信息僅有1～5個，這并不足以訓練模型。

基于此背景，本發明提出基于動量更新的二分類編碼器網絡的高光譜目標檢測方法。

發明內容

本發明的目的是為了克服上述現有技術存在的缺陷而提供基于動量更新的二分類編碼器網絡的高光譜目標檢測方法。

為實現上述目的，本發明提供了基于動量更新的二分類編碼器網絡的高光譜目標檢測方法，包括：

將獲取的3-D高光譜圖像轉換為2-D矩陣形式的高光譜圖像，將所述2-D矩陣形式的高光譜圖像進行聚類，并對所述2-D矩陣形式的高光譜圖像的質心進行初始化操作；

基于聚類結果，利用歐氏距離篩選純凈像元，其中所述純凈像元包括背景類像元和目標類像元；

基于所述純凈像元構建背景-目標訓練樣本集，通過所述背景-目標訓練樣本集構建基于動量更新的二分類編碼器網絡，并計算損失函數，對所述二分類編碼器網絡進行優化，獲取訓練好的二分類編碼器網絡；

將所述2-D矩陣形式的高光譜圖像輸入所述訓練好的二分類編碼器網絡中，輸出最終檢測圖。