基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法

摘要

基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，属于高光谱遥感图像目标识别领域，本发明为解决现有对高光谱图像进行目标识别处理时存在信息浪费，进而导致目标识别精度较低的问题。本发明目标识别方法的具体过程为：步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离，将被噪声干扰的高光谱图像从噪声中恢复出来；步骤2、通过有约束能量最小化方法，将待识别光谱与目标光谱进行匹配；步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别，获得高光谱图像数据的目标识别结果。本发明用于对空谱联合高光谱图像的目标识别。

说明书

技术领域

本发明涉及一种空谱联合高光谱图像的目标识别方法，属于高光谱遥感图像目标识别领域。

背景技术

高光谱数据由成像光谱仪经过大气等环境收集地物的空间信息和光谱信息。在收集传输过程中，大气、光照以及仪器等因素会造成高光谱数据的损伤降质，最常见的降质即为噪声影响。这种影响会导致获取的图像辨识度不高，降低目标识别精度，因此对高光谱数据进行目标识别之前有必要对数据进行恢复处理。高光谱数据具有丰富的光谱信息，且其谱间分辨率要高于空间分辨率，因此在进行目标识别处理时，会造成关注光谱信息过多而忽视空间信息，造成信息的浪费。

发明内容

本发明目的是为了解决现有对高光谱图像进行目标识别处理时存在信息浪费，进而导致目标识别精度较低的问题，提供了一种基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法。

本发明所述基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，该目标识别方法的具体过程为：

步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离，将被噪声干扰的高光谱图像从噪声中恢复出来；

步骤2、通过有约束能量最小化方法，将待识别光谱与目标光谱进行匹配；

步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别，获得高光谱图像数据的目标识别结果。

本发明的优点：本发明提出的基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法充分利用了高光谱图像光谱的低秩性，以及高光谱数据的空间信息和光谱信息，提高目标识别精度。首先通过低秩矩阵恢复方法对图像进行原图与噪声的分离，之后利用有约束能量最小化方法对高光谱数据的光谱进行目标光谱的匹配，最后从空间角度利用不变矩特征对光谱匹配的结果进行识别，进一步滤除虚警，提高目标识别性能。本发明提出在低秩矩阵恢复的基础上利用有约束能量最小化方法和不变矩特征匹配的高光谱目标识别方法来提高目标识别精度。

附图说明

图1是本发明所述基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法的原理图。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法，该目标识别方法的具体过程为：

步骤1、通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离，将被噪声干扰的高光谱图像从噪声中恢复出来；

步骤2、通过有约束能量最小化方法，将待识别光谱与目标光谱进行匹配；

步骤3、从空间角度利用不变矩特征对光谱匹配的结果进行识别，获得高光谱图像数据的目标识别结果。

具体实施方式二：本实施方式对实施方式一作进一步说明，步骤1所述通过低秩矩阵恢复方法对高光谱图像进行原图和噪声的分离的具体过程为：

步骤1-1、从数据的空间角度将高光谱数据立方按照顺序进行分块，作为低秩矩阵恢复方法的输入；

步骤1-2、采用低秩矩阵恢复方法对高光谱数据进行分离恢复；

步骤1-3、采用增广拉格朗日算法对低秩恢复进行优化处理，获得优化后的恢复结果。

本实施方式中，步骤1-1从数据的空间角度将高光谱数据立方按照顺序进行分块，用于保证低秩恢复的效果和速度。

具体实施方式三：本实施方式对实施方式二作进一步说明，步骤1-3所述对低秩恢复进行优化处理的具体过程为：

设矩阵D为受噪声干扰的高光谱数据，矩阵A为经低秩恢复得到的数据，E是分离出来的噪声矩阵；

加上一个惩罚因子，构造拉格朗日函数：

其中，μ是设定的较小正数因子，Y是与D同形的矩阵，λ是一个为正的加权因子，<Y,D-E-A>表示矩阵Y与矩阵(D-E-A)的内积；

令g(X)＝D-E-X，X表示每步迭代的输出，最终逼近A；

再根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法进行迭代：

步骤1-3-1、根据X_K+1＝arg>K,μ_K)，得出使L(X,Y_K,μ_K)最小的X，令X_K+1＝X；其中，K表示迭代次数，其取值范围为1～1000；YK表示迭代次数为K的Y矩阵；μ_K表示迭代次数为K的较小正数因子；

步骤1-3-2、根据Y_K+1＝Y_K+μ_Kg(X_K+1)，由X_K和Y_K得出Y_K+1；

步骤1-3-3、根据μ_K+1＝ρμ_K，ρ≥1，由μ_K得出μ_K+1；

根据步骤1-3-1至步骤1-3-3的增广拉格朗日迭代方法，迭代至满足迭代终止条件，输出X_K，即获得优化恢复后的低秩矩阵X_K。

具体实施方式四：本实施方式对实施方式三作进一步说明，时，能够获得优化恢复后的低秩矩阵，其中，m和n分别表示步骤1-1中高光谱数据分块后得到的二维矩阵的行和列。

具体实施方式五：本实施方式对实施方式一、二、三或四作进一步说明，步骤2所述通过有约束能量最小化方将待识别光谱与目标光谱进行匹配的具体过程为：

步骤2-1、输入低秩恢复获得的矩阵和目标光谱曲线；

步骤2-2、根据有约束能量最小化公式：计算出每个待测光谱属于目标光谱的隶属度D_CEM，数值越大，待测光谱属于目标光谱的可能性越大；有约束能量最小化公式中，s为目标光谱向量，x为待检测光谱向量；

步骤2-3、对光谱识别得到的数据进行阈值分割，获得待测光谱的识别结果。

具体实施方式六：本实施方式对实施方式五作进一步说明，步骤3所述从空间角度利用不变矩特征对光谱匹配的结果进行识别的具体过程为：首先计算待测图像数据的不变矩特征和目标图像数据的不变矩特征，然后将不变矩特征结果进行匹配。

本实施方式中，采用不变矩特征匹配能够达到保持原有的目标识别率而降低虚警的目的。

具体实施方式七：本实施方式对实施方式六作进一步说明，不变矩特征根据图像数据的一阶、二阶和三阶的中心距构造出图像数据的七个不变矩特征，满足图像数据的尺度、平移和旋转不变形。