本發(fā)明涉及高光譜圖像的特征波段選擇，具體涉及一種面向偽裝目標(biāo)識別的高光譜圖像波段選擇方法。

背景技術(shù)：

1、遙感技術(shù)和成像光譜儀的發(fā)展使得高光譜遙感圖像的分辨率不斷提高，對高光譜圖像中各地物光譜曲線的分析使我們可以找到各地物的診斷性光譜特征，這是高光譜圖像相比其他影像數(shù)據(jù)的優(yōu)勢所在。不過在遙感探測能力得到提高的同時，其龐大的數(shù)據(jù)量會帶來“維數(shù)災(zāi)難”問題，給后續(xù)影像的分析和處理工作帶來了極大的困難。因此，對高光譜圖像進(jìn)行降維處理是十分必要的，它可以在盡可能多地保留重要的判別信息的前提下，消除圖像中冗余和不相關(guān)的信息。

2、特征提取和波段選擇是高光譜圖像降維最常用的兩類方法。特征提取一般是利用不同的方法建立原始高維空間與低維子空間之間的映射，這會導(dǎo)致原始高光譜數(shù)據(jù)物理特征被改變，十分不利于圖像的解譯工作。常用的特征提取方法有主成分分析和線性判別分析等。波段選擇的目的則是在盡可能保留高光譜數(shù)據(jù)固有特征的前提下，從所有波段里選擇判別信息豐富和弱相關(guān)的波段子集。根據(jù)對地物類別信息關(guān)注程度的不同，波段選擇方法常被分為基于信息量和基于類別可分性兩類?；谛畔⒘康牟ǘ芜x擇方法包括最佳指數(shù)法、自適應(yīng)波段選擇法等，它們往往會忽視波段之間的相關(guān)性。

3、目前基于類別可分性的波段選擇方法也大都關(guān)注的是各波段圖像整體的可分性。在面對偽裝目標(biāo)識別任務(wù)時，尤其是在可見光波段，由于偽裝目標(biāo)與相似背景之間具有極高的光譜相似度，導(dǎo)致難以選擇出能夠有效區(qū)分偽裝目標(biāo)和相似背景的特征波段組合。故而本文提出一種面向偽裝目標(biāo)識別的高光譜圖像波段選擇方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有的波段選擇方法在面對偽裝目標(biāo)識別任務(wù)時難以選擇出能夠有效區(qū)分偽裝目標(biāo)和相似背景的特征波段組合的問題，本發(fā)明提出了一種面向偽裝目標(biāo)識別的高光譜圖像波段選擇方法，通過組合光譜度量參數(shù)，建立光譜差異度指數(shù)模型，以實現(xiàn)偽裝目標(biāo)識別任務(wù)中高光譜圖像特征波段的準(zhǔn)確選擇。

2、本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

3、一種面向偽裝目標(biāo)識別的高光譜圖像波段選擇方法，包括以下步驟：

4、1)數(shù)據(jù)采集：利用高光譜視頻相機(jī)獲取偽裝車輛高光譜圖像數(shù)據(jù)集；數(shù)據(jù)采集實驗場景由背景及涂漆偽裝車輛組成；

5、2)數(shù)據(jù)預(yù)處理：對采集到的高光譜圖像數(shù)據(jù)集進(jìn)行預(yù)處理；

6、由于大氣條件和光照條件對圖像質(zhì)量的影響，首先需要對采集的高光譜圖像數(shù)據(jù)集進(jìn)行大氣校正和噪聲去除；接著，對數(shù)據(jù)集進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，使其變成無量綱數(shù)據(jù)集。

7、3)選擇光譜度量參數(shù)：選擇用于構(gòu)建模型的光譜度量參數(shù)；

8、以最大化偽裝目標(biāo)和相似背景的光譜差異度為目標(biāo)，選擇光譜梯度角(sga)、歸一化fréchet距離(f)以及皮爾遜相關(guān)系數(shù)(r)三個光譜度量參數(shù)來構(gòu)建光譜差異度指數(shù)模型。

9、4)構(gòu)建光譜差異度指數(shù)模型：根據(jù)所選三個光譜度量參數(shù)和光譜差異度之間的相關(guān)關(guān)系，同時結(jié)合尺度的影響，構(gòu)建光譜差異度指數(shù)模型。

10、5)特征波段選擇：提取平均光譜矢量以進(jìn)行特征波段的選擇；

11、從數(shù)據(jù)集中分別提取偽裝車輛的平均光譜矢量和草地背景的平均光譜矢量，對二者進(jìn)行均勻子空間劃分，根據(jù)光譜差異度指數(shù)模型計算各子空間內(nèi)不同波段的光譜差異度指數(shù)sd，選擇各子空間內(nèi)sd最大的波段作為特征波段。

12、6)波段選擇效果評估：

13、將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，使用支持向量機(jī)分類器(svm)進(jìn)行目標(biāo)識別實驗，根據(jù)與其他波段選擇方法的總體精度oa和識別結(jié)果圖的對比，驗證本發(fā)明波段選擇方法的效果。

14、進(jìn)一步，步驟3)的過程為：

15、步驟3.1：為表征偽裝目標(biāo)和相似背景光譜矢量之間的形態(tài)差異度，引入光譜梯度角作為模型的首個構(gòu)成參量。它首先對兩個光譜矢量分別進(jìn)行一階求導(dǎo)，得到兩者對應(yīng)的梯度向量，然后計算兩梯度向量之間的廣義夾角，即光譜梯度角。對于兩維數(shù)為n的光譜矢量x和y，其梯度向量sg(x)和sg(y)分別為：

16、sg(x)＝(x2-x1,x3-x2,x4-x3,x5-x4,…,xn-xn-1)

17、sg(y)＝(y2-y1,y3-y2,y4-y3,y5-y4,…,yn-yn-1)

18、式中，xi和yi分別為光譜矢量x和y第i個光譜維度的幅度值。兩梯度向量構(gòu)成的光譜梯度角為：

19、

20、步驟3.2：為表征偽裝目標(biāo)和相似背景光譜矢量之間的幅值差異度，引入歸一化fréchet距離作為模型的第二個構(gòu)成參量。光譜矢量之間的fréchet距離為離散化的fréchet距離，假設(shè)寬高分別為m和n的高光譜圖像矩陣為y＝[y1,…,yi,…,yj,…,ymn]，定義兩個連續(xù)的映射x:[1,n]→yi和y:[1,n]→yj，其中n為波段數(shù)，x表示第i個像素點(diǎn)的光譜矢量，y表示第j個像素點(diǎn)的光譜矢量。則兩光譜矢量之間的fréchet距離表示為：

21、

22、式中，d為距離度量函數(shù)，這里取的是歐氏距離。式中先求取兩個曲線間的采樣點(diǎn)x(τ)和y(τ)之間的歐氏距離的最大值，然后對這一系列最大距離進(jìn)行歸一化處理，找到它們的最小值，即為歸一化fréchet距離。

23、步驟3.3：為度量偽裝目標(biāo)和相似背景光譜矢量之間相關(guān)性的強(qiáng)弱，強(qiáng)化所選波段的獨(dú)立性和差異性，引入皮爾遜相關(guān)系數(shù)作為模型的第三個構(gòu)成參量。光譜矢量x和y之間的皮爾遜相關(guān)系數(shù)表式為：

24、

25、式中，n是光譜矢量x和y的光譜維數(shù)；xi和yi分別是光譜矢量x和y的第i個光譜維度的幅度值；x和y則分別為兩光譜矢量的均值；r(x,y)的取值范圍為(-1,1)，其值越大表示光譜矢量之間的相關(guān)性越大，反之相關(guān)性越小。

26、進(jìn)一步，步驟4)的過程為：

27、在所選三個光譜差異性度量參數(shù)中，光譜梯度角和歸一化fréchet距離與光譜差異度指數(shù)在統(tǒng)計學(xué)上皆呈正相關(guān)，但兩者的相關(guān)程度不同，故在模型中將兩者以點(diǎn)乘方式結(jié)合，置于分子位置；皮爾遜相關(guān)系數(shù)r與光譜差異度指數(shù)在統(tǒng)計學(xué)上呈負(fù)相關(guān)，兩光譜矢量間的皮爾遜相關(guān)系數(shù)取值為(-1,1)，當(dāng)其值為負(fù)時會導(dǎo)致模型其他參量對模型的貢獻(xiàn)度急劇下降，因此為皮爾遜相關(guān)系數(shù)加上一個常量b使其結(jié)果都為正值以消除這一影響，同時為了最大化保留皮爾遜相關(guān)系數(shù)對模型的貢獻(xiàn)度，取常量b的值為1，使得相關(guān)系數(shù)擴(kuò)展為由r+1∈(0,1)來衡量，將其置于分母位置。

28、假設(shè)兩光譜矢量分別為x和y，光譜差異度指數(shù)模型如下表示：

29、

30、光譜差異度指數(shù)sd(x,y)可以定量地表征光譜矢量x和y之間的差異度，sd(x,y)的值越大，意味著對應(yīng)波段兩光譜矢量之間的形態(tài)差異和幅值差異越大、相關(guān)性越小，被選擇為特征波段的優(yōu)先級越高。

31、進(jìn)一步，步驟6)的過程為：

32、步驟6.1：總體精度和識別結(jié)果對比

33、實驗使用支持向量機(jī)分類器svm對數(shù)據(jù)集中的偽裝車輛目標(biāo)進(jìn)行識別，以徑向基函數(shù)作為分類器的核函數(shù)。選擇總體精度oa(overall?accuracy)用于評價不同波段選擇方法的識別效果。分別隨機(jī)挑選兩組數(shù)據(jù)集中80％的樣本作為各自svm的訓(xùn)練樣本，剩余的作為測試樣本。所有的實驗均重復(fù)進(jìn)行10次，將所有結(jié)果的平均值作為最終實驗結(jié)果。參與對比實驗的5種方法分別為最優(yōu)聚類框架法ocf、端到端的波段選擇網(wǎng)絡(luò)框架bs_net、遺傳優(yōu)化算法ga、基于光譜角sam以及基于fréchet距離的波段選擇方法，對比方法中的參數(shù)設(shè)置均遵循其默認(rèn)設(shè)置。

34、實驗通過改變所選波段數(shù)量來對比分析不同方法的性能，在10-60的波段范圍內(nèi)以10為步長選擇波段進(jìn)行識別結(jié)果比較；

35、步驟6.2：計算效率對比

36、實驗將sd波段選擇方法與其他5種方法進(jìn)行了計算效率的對比。

37、本發(fā)明的有益效果主要表現(xiàn)在：本發(fā)明通過組合光譜度量參數(shù)，建立光譜差異度指數(shù)模型，根據(jù)模型設(shè)計算法進(jìn)行高光譜圖像特征波段的選擇，改善了現(xiàn)有的波段選擇方法在面對偽裝目標(biāo)識別任務(wù)時難以選擇出能夠有效區(qū)分偽裝目標(biāo)和相似背景的特征波段組合的問題。