本發(fā)明屬圖像處理技術(shù)領(lǐng)域，涉及高光譜圖像的顯著性目標(biāo)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(biāo)檢測方法。

背景技術(shù)：

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(shù)據(jù)。隨著高光譜成像技術(shù)的日漸成熟，成像設(shè)備在其光譜分辨率和空間分辨率等指標(biāo)上有了很大提升。使得原本主要在常規(guī)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(shù)據(jù)上。目前，對于高光譜圖像顯著性目標(biāo)檢測問題的相關(guān)研究尚處于發(fā)展階段?，F(xiàn)有的高光譜圖像顯著性目標(biāo)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(xiàn)“s.l.moan,a.mansouri,etal.,saliencyforspectralimageanalysis[j].ieeejournalofselectedtopicsinappliedearthobservationsandremotesensing,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(jìn)行主成分分析(principlecomponentanalysis，pca)等方式對光譜信息進(jìn)行利用。目前，現(xiàn)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(spectralangle)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(jié)果中，物體邊緣響應(yīng)較大而內(nèi)部響應(yīng)很低的顯著圖不均一現(xiàn)象。此外，現(xiàn)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(shù)據(jù)造成的影響，以及由數(shù)據(jù)規(guī)模帶來的巨大計算量。因此，急需要突破現(xiàn)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(biāo)檢測方法來解決現(xiàn)有的問題。

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于矩陣分解的高光譜顯著性目標(biāo)檢測方法。矩陣分解的思想不同于itti模型和區(qū)域?qū)Ρ确椒ǎ仃嚪纸獾乃枷胧抢酶吖庾V圖像空間上的相似性與光譜上的連續(xù)性，構(gòu)造稀疏矩陣與低秩矩陣，而顯著性目標(biāo)恰好是矩陣分解中的稀疏矩陣。構(gòu)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?qū)?shù)據(jù)造成的影響，利用底層構(gòu)建超像素結(jié)構(gòu)來減少運(yùn)算量。傳統(tǒng)利用區(qū)域?qū)Ρ人枷氲姆椒?，?dǎo)致顯著性物體內(nèi)部出現(xiàn)不均一的問題，而本發(fā)明方法基于矩陣分解，跳出傳統(tǒng)方法的框架使得顯著性物體內(nèi)部勻質(zhì)均一。

一種基于矩陣分解的高光譜圖像顯著性目標(biāo)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(gòu)成光譜梯度特征數(shù)據(jù)塊x＝{g1,g2,…,gn}^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(yīng)的原始光譜向量yi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(shù)，p為高光譜圖像的波段數(shù)，δλ是相鄰波段波長差值；

步驟2：構(gòu)建圖像特征矩陣：將步驟1得到的光譜梯度特征數(shù)據(jù)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(yīng)的光譜梯度特征，m為光譜梯度特征的維數(shù)，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(jìn)行低秩稀疏矩陣分解，并利用交替迭代乘子法對其進(jìn)行求解，得到稀疏矩陣s：

其中，l是低秩矩陣，代表背景部分；s是稀疏矩陣，代表顯著性目標(biāo)；λ是權(quán)重系數(shù)；||·||*是核范數(shù)，||·||1是1范數(shù)；

步驟4：顯著圖計算：將步驟3得到的稀疏性矩陣s進(jìn)行歸一化處理，得到顯著圖，即顯著性目標(biāo)檢測結(jié)果。

本發(fā)明的有益效果是：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，同時可以構(gòu)建圖像特征矩陣；通過對圖像特征矩陣進(jìn)行矩陣低秩稀疏分解，得到低秩背景部分與稀疏的顯著性矩陣，從而避免了顯著性物體內(nèi)部的分塊不均一問題。

具體實施方式

下面結(jié)合實施例對本發(fā)明進(jìn)一步說明，本發(fā)明包括但不僅限于下述實施例。

高光譜遙感圖像為一立方體結(jié)構(gòu)，空間維反映地面不同位置對應(yīng)的像素在某一太陽光波段上的反射率，光譜維反映某一位置的像素在不同波段上入射光與反射光的關(guān)系。一幅高光譜圖像可以表示成一p×n的數(shù)據(jù)集合yn＝{y1,y2,…,yn}，其中，yi為像素i對應(yīng)的原始光譜向量，i＝1,2,…,n，n為高光譜圖像的像素總數(shù)。

1、光譜梯度特征生成

光譜梯度是指沿著原始光譜向量每兩個相鄰分量之差與對應(yīng)波長之差的比值。而由一系列光譜梯度所構(gòu)成的向量稱為光譜梯度特征。通過對每個像素計算光譜梯度特征得到光譜梯度圖像，可以使所提取的光譜梯度特征維持原始圖像的空間關(guān)系。

其中：表示像素i的光譜梯度特征的第j個分量，表示原始光譜向量yi的第j個分量，i＝1,2,…,n，j＝2,…,p，p為高光譜圖像的波段數(shù)，δλ是相鄰波段波長差值。

對高光譜圖像中每一個像素按照公式(2)計算其對應(yīng)的光譜梯度特征，所有光譜梯度特征即構(gòu)成光譜梯度數(shù)據(jù)塊x＝{g1,g2,…,gn}^t。光譜梯度特征在一定程度上能夠減小因光照不均而導(dǎo)致的亮度差異，從而也就能夠減弱由這種差異對后續(xù)步驟所造成的影響。

2、構(gòu)建圖像特征矩陣

完成上述步驟后，將得到的光譜梯度特征數(shù)據(jù)塊x轉(zhuǎn)換成一個二維的圖像特征矩陣f。二維圖像特征矩陣f的每一列為一個像素對應(yīng)的光譜梯度特征，列數(shù)即為像素個數(shù)n，行數(shù)為光譜梯度特征的維數(shù)p-1。

3、低秩稀疏矩陣分解

由于背景中的空間相似性，特別是同一顯著性物體內(nèi)的像素，都具有局部空間相似性，因此，可以利用低秩稀疏矩陣分解來檢測顯著性目標(biāo)。此外，在自然景象中存在著大量類似的空間結(jié)構(gòu)，這種空間上的冗余意味著背景是低秩的底層。為了區(qū)分背景與顯著性物體，采用以下矩陣分解模型：

其中：l是低秩矩陣，s是稀疏矩陣，是權(quán)重系數(shù)，可取任意有理數(shù)，本發(fā)明中λ＝3，||·||*是核范數(shù)，||·||1是1范數(shù)。

將圖像特征矩陣f分解成一個低秩背景矩陣l和一個稀疏檢測矩陣s，通過核范數(shù)來限制l的低秩性，通過1范數(shù)來限制s的稀疏性。由于與整個圖像相比，顯著性物體僅占據(jù)少量像素，因此，顯著性目標(biāo)的求解可以通過求解方程(3)來找到稀疏矩陣s，很好地避免itti模型帶來的限制。

對目標(biāo)方程(3)，由于其涉及兩個變量s、l，它們是可分離的目標(biāo)，因此，可利用交替方向乘子法(alternatingdirectionmethodofmultipliers，簡稱admm)進(jìn)行求解，具體過程如下：

首先，引入一個輔助變量h，并將方程(3)寫成：

然后，引入拉格朗日乘子使函數(shù)變形為：

其中：lγ,η(l,s,h,p,q)即為拉格朗日方程，p、q是拉格朗日乘子，γ、η是懲罰系數(shù)，||·||f是f范數(shù)，const為常量。

接下來，按以下步驟進(jìn)行迭代更新：

(1)固定其他參數(shù)，按下式更新矩陣l：

其中，uσv^t是h^k+q^k/η的奇異值分解結(jié)果，表示計算矩陣∑的軟閾值。

(2)固定其他參數(shù)，按下式更新矩陣s：

其中，表示計算矩陣軟閾值的操作。

(3)固定其他參數(shù)，按下式更新矩陣h：

其中，i是單位矩陣。

重復(fù)步驟(1)-(3)進(jìn)行迭代更新，直至迭代次數(shù)k超過規(guī)定的最大次數(shù)，或者時(ε≥0)，迭代更新結(jié)束，得到稀疏矩陣s。

4、顯著圖計算

將以上步驟得到的稀疏性矩陣s經(jīng)過歸一化操作，就得到了顯著圖，即顯著性目標(biāo)檢測結(jié)果。

通過實驗驗證，本發(fā)明方法在在查全率為0.7時，查準(zhǔn)率可提高10％；在查準(zhǔn)率為0.7時，查全率可提高有20％。