基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统

摘要

本发明公开了一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统，所述方法包括以下步骤：根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。本发明能够对高光谱海洋图像数据进行快速、准确的舰船检测。

说明书

技术领域

本发明属于遥感图像处理技术领域，特别是一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统。

背景技术

高光谱遥感技术也称为成像光谱学，自上世纪80年代初诞生以来，如今已经逐渐成为一个颇具特色的前沿遥感技术。它通过机载或者星载上的传感器远距离收集地物辐射的信息，不同地物的电磁波特征不同，因此可以作为区分不同地物的依据。高光谱遥感是在传统的多光谱遥感技术的基础上，进一步提高其光谱分辨率。通常多光谱数据由5到10个带宽为70-400nm的波段组成，而高光谱图像数据则由100到200个带宽为5-10nm的波段组成，包含了近红外区域以及可见光波长范围，这就使得高光谱数据相比于传统的多光谱数据具有更丰富的光谱信息，弥补了多光谱数据不足的缺陷。同时，高光谱数据还具有“图谱合一”的特点，其数据可以从两个维度上观察，在空间维度上，每个像元都对应着一条连续的光谱曲线，而在光谱维度上，每一个波段上都有着一幅与地物对应的传统二维图像。因此，高光谱遥感技术被广泛应用于气体检测、地质识别、海洋环境和军事应用等多个领域。

基于传统的低秩表示和稀疏约束的异常目标检测算法，由于在求解过程中，平等地对待各奇异值的权重，往往在背景比较复杂地情况下，会对背景地一些细节部分造成误判，导致检测结果出现较多的虚警目标。

通过以上描述，如何降低虚警目标数量，提高低秩表示和稀疏约束模型对背景细节描述准确性是亟待解决的问题。

发明内容

本发明的目的在于提供一种速度快、精度高的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法及系统。

实现本发明目的的技术解决方案为：一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，包括以下步骤：

根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；

根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；

在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；

对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。

本发明还提供一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测系统，包括：

自适应背景学习模块，根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；

模型构建模块，根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；

权重更新模块，在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；

目标检测模块，对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。

本发明与现有技术相比，其显著优点在于：(1)利用改进的奇异值分解算法对背景训练样本进行自适应背景字典学习，得到了一个过完备的背景字典；(2) 通过引入自适应权重核范数近似的方法，刻画了复杂背景纹理和边缘信息，提高了对高光谱海洋图像舰船目标检测的能力。

下面结合附图详细说明本文发明提供的基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法。

附图说明

图1是本发明基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法的流程图。

图2为本发明实施例的伪彩色图像和舰船目标的分布图像示意图。

具体实施方式

结合图1，本发明基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测方法，具体过程为：

步骤1，根据改进的奇异值分解算法对背景训练样本进行自适应背景学习：

对于背景的训练样本y

式中，A

由于上述问题有两个变量需要优化，一般通过固定其中一个变量，优化另一个变量，再以交替固定更新优化的方式进而求解。因此，将问题分解为稀疏编码和字典更新两个部分。假设现在更新迭代的次数为i，那么更新的具体过程如下：

首先在稀疏编码阶段，利用正交匹配追踪算法计算稀疏系数矩阵γ。

然后在字典更新阶段，按列对字典A

(1)定义

(2)更新a

(3)定义E'

(4)对E'

(5)i＝i+1

最终通过迭代计算直至达到迭代次数或者收敛到指定的误差，自适应学习得到背景字典。

步骤2，根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模：

(2.1)高光谱海洋图像数据中所有像元可以分为背景和舰船目标部分，那么原始高光谱海洋图像数据Y∈R

Y＝AX+T

其中，A为背景字典，X为系数向量，T为舰船目标。

(2.2)由于大部分像元应该归为海洋背景部分，系数X具有低秩的特性；舰船目标在海洋中稀疏存在的，具有稀疏特性。因此可以给出基于低秩表示和稀疏约束的舰船目标检测数学模型：

s.t. Y＝AX+T

其中，||·||

步骤3，在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的：

通过步骤2中获得低秩表示和稀疏约束的舰船目标检测模型，利用自适应权重核范数近似的方式，将模型转化为如下模型：

s.t. Y＝AX+T

其中，||X||

步骤4，对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测：

首先，需要对原目标函数进行解耦操作，通过引入一个变量Z，使得X＝Z，那么问题就变成：

s.t Y＝AX+T,X＝Z

那么，上式的广义拉格朗日函数就可以给出：

其中(Y

由于该问题涉及到多变量的优化，可以采用交替更新某个变量，与此同时，保持其他变量不变的方式求解，假设现在更新迭代的次数为k，那么更新的具体过程如下：

(1)固定Z和T，更新X：

(2)固定X和T，更新Z：

(3)固定X和Z，更新T：

最终，通过多次迭代，得到我们要求的稀疏矩阵T即舰船目标。

本发明还提供一种基于自适应权重核范数近似的低秩表示和稀疏约束的海上舰船检测系统，包括：

自适应背景学习模块，根据改进的奇异值分解算法对背景训练样本进行自适应背景学习；

模型构建模块，根据低秩表示和稀疏约束模型对高光谱海洋图像数据进行建模；

权重更新模块，在低秩背景矩阵恢复时，根据上次迭代的奇异值大小更新权重，从而达到自适应权重核范数近似的目的；

目标检测模块，对高光谱海洋图像数据处理得到稀疏矩阵并根据检测算子进行舰船目标的检测。

上述系统中各模块的具体处理方法与前述的海上舰船检测方法部分相同，此处不再赘述。

为了测试本文算法的性能，本实施例采用蓬莱19-3C平台附近海域的舰船高光谱数据集，该数据集是由航空高光谱遥感器AISA+收集的，具有258个波段数。去除58个低信噪比波段，去除的波段号为1～20，51～58，229～258，选择剩下的 200个波段进行检测研究。另外，选取的舰船数据集图像的像素大小为100×100，并且该数据的伪彩色图像和舰船目标的分布图像如图2所示，其中(a)为伪彩色图像，(b)为真值图，可以看出，本实验的算法具有较好的检测效果。

综上所述，本发明区别于传统低秩表示和稀疏约束框架，根据改进的奇异值分解算法对背景训练样本进行字典学习，采用自适应权重核范数近似的方式，加强了对背景细节的刻画，通过对海洋背景部分检测的优化，提高了对高光谱海洋舰船目标的检测能力，降低了虚警目标数量。