基于分布异常的高光谱遥感影像小目标检测算法

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第l期路威等:基于分布异常的高光谱遥感影像小目标检测算法412高光谱遥感影像小目标自动检测蠹互意裟妻警篙勰菜需喜鐾本文的高光谱影像小目标自动检测算法主要上的分布差异,较好地分离目标和背景信息。

包含3个部分(见图1)。第1部分完成高光谱影

像的特征初选工作;第2部分对特征初选后的数

据进行实码遗传优化投影寻踪(RCGOA.PP),将

高维特征空间中的小目标结构信息集中投影在低

维特征空间上,突出目标信息;第3部分借助图像

分割算法对第2部分产生的特征影像进行目标分

割,确定目标在影像中的位置。

_二二_延_:I一一i兰堡竺些苎墅兰堡I{Ⅱ

II二二照二II—

臣亟叵|III

一一一.一一....一一.一一一一一......一一一一一一....一一一一一一一j

图1高光谱遥感影像目标检测流程Fig.1Theflowoftargetdetectingforhyperspectralimagery

2.1高光谱数据特征初选

文献[2]指出,对某一具体分析任务而言,目标信息在高维特征空间中并不是均匀分散于每个特征方向上,而是分布得非常离散和不均衡;通过特征变换,可以将兴趣信息集中在低维特征空问中。

研究不同波段上高光谱影像间的相关性可以发现:高光谱影像在不同的成像谱段间有较大差别,地物信息分布差距较大;而在同一谱段内各波段间相关性较大,地物信息变化相对平缓。图2是AVIRIS获取的影像问的相关性图示,其中白色表示高相关区,黑色表示低相关区。图中可以看出,从可见光到近红外光谱范围,同一成像波段范围内,影像问的相关性大;不同成像波段范围问,影像间的相关性小,这主要由传感器的响应能力和获取入射能量的差异引起。在进行目标检测时,特征变换的输入数据应在去除相关冗余的情

图2AVlRIS数据波段相关性示意图

Fig.2TherelativityofbandforAVIRISimage

本文高光谱影像特征初选的步骤如下:

1.按相关系数大小划分成像光谱范围,实验中发现,组合后波段子群的分布基本满足蓝、绿、红和近红外的光谱划分特点;

2.用平均法将每个波段子群组合为一个特征波段。

2.2实码遗传优化投影寻踪(RCC抑A。PP)投影寻踪(简称PP)的主要思想【4j是将高维数据中的兴趣结构线性投影到低维空间中,进而通过分析和研究低维投影数据以达到了解原始高维数据的目的,其中兴趣结构通过设置投影指标函数来描述。其处理流程见图3。

同投最原

维影佳低始

数兴趣指优化投数据维数握数

据结构标方法影变换数分析据

空函方据特

间数向征

图3投影寻踪数据处理流程

Fig.3The

data

processing

flowofprojectionpursuit在高光谱遥感影像中,大面积均匀分布的背景地物(如土壤、植被、水域)中的独立建筑物、车辆、船只等目标一般属于异常分布的目标点。因此,可以通过投影寻踪的方法,将高光谱影像中蕴含的异常目标结构,集中投影在低维特征影像中,从而突出目标点的属性信息。

2.2.1投影指标

高光谱影像中,大面积的背景地物可近似认

第1期路威等:基于分布异常的高光谱遥感影像小目标检测算法43

代种群y;{戈i};

5.对步骤4产生的新子群进行交叉操作,生成子代种群y;{戈h

6.对步骤5产生的新子群进行变异操作,生成子代种群y:{戈小

7.对步骤4~6产生的子群yj{戈i}计算选择概率,并按照概率进行排序,然后进入步骤3,开始新的一轮遗传优化,直到对种群的遗传操作无意义时退出。

2.3特征影像目标分割

第2部分产生的特征影像中虽然突出了数据中隐藏的小目标结构信息,但目标在影像中的具体位置还未确定,因此,必需借助特定的影像分害Ⅱ算法对特征影像分割,确定目标的具体位置。本文投影寻踪生成的特征影像已将背景信息和兴趣目标信息最大程度地分离,其灰度直方图能很好地表现背景和兴趣目标的分布。另外,在特征影像中背景属于主要地物,而兴趣小目标零星地以点或小区域形状分布于影像中,因此,特征影像的直方图中主体是背景的分布信息,直方图两端次要的部分才是小目标的分布信息(见图4),只要找到直方图主体分布和次要分布的交界点,即可确定分割阈值。

图4直方图中目标和背景分布示意图

Fig.4Thedistributingfigureoftargetandbackgroundinhistogram

具体确定分割阈值的方法为(见图4):由直方图概率分布最高点所在的灰度级处,按灰度级增大和减小两个方向分别搜索,寻找第一个概率分布为零的位置,这两个位置对应的灰度级即为特征影像分割的阈值,其分割出来的次要分布即是影像中的兴趣小目标。

3实验结果与分析

根据上述原理,本文用VC”6.0语言开发了此算法的实验程序,选用一景AVIRIS传感器获取的高光谱数据进行了小目标自动检测实验,数据由NASA提供,主要地物类型是农作物和独立房屋,辐射率数据经过ATREM大气校正算法得到反射率数据,数据的相关信息见表1。

由于大气吸收的原因,原始数据中的大气吸收和噪声干扰波段被剔除,其余的165个波段数据组成本文的实验数据。图5是实验数据中第20、45、123波段的假彩色合成影像,图中标出了影像中的独立居民地(红方块标示)、道路交叉点(蓝三角标示)和深沟堑(青兰椭圆标示)三种主要兴趣目标,其中有些目标比较小,用人工判读的方法不易发现。

表1数据参数

Tab.1Parametersofdata

成像参数参数值

成像时间1996—07.05

光谱分辨率约10nm

波段数224

光谱覆盖范围369.85。2506.81nm

影像大小200dpi×200dpi首先,利用波段组合方法(图1中第1部分),

将原始165个波段的数据组合成12个特征波段;

相关文档
最新文档