高光谱目标检测方法、装置、计算机设备和存储介质

本技术涉及高光谱目标检测，特别是涉及一种高光谱目标检测方法、装置、计算机设备和存储介质。

背景技术：

1、高光谱遥感是遥感科学的一项前沿技术手段，既能成像又能测谱，是遥感科技发展的重大突破。高光谱图像中的每个像元都对应一条近乎连续的光谱曲线，可以反映物质的诊断性光谱吸收差异，为地物信息的精确提取提供了丰富的光谱信息。高光谱目标检测作为高光谱图像的优势应用之一受到了人们的广泛关注，并在矿产勘探，伪装识别，医疗诊断与环境监测等方面得到了广泛的应用。

2、高光谱图像具备丰富的光谱信息，不同于利用地物空间纹理与形态信息进行目标识别的传统目标检测方法，高光谱目标检测通过利用感兴趣对象的光谱特征对目标进行精细的辨识。高光谱目标检测旨在关注待检测场景中的感兴趣对象，将待检测场景中除感兴趣对像外的其它成分均视为背景。然而对于高光谱目标检测，一般拥有的先验知识仅有感兴趣对象的光谱特征，没有待检测场景中的类别标签信息。并且由于背景的复杂性(背景中可能包含多种物质类别)、同一物质光谱的固有变化等现象为高光谱目标检测带来了困难。高光谱目标检测的主要挑战在于从复杂背景中根据先验目标光谱精确识别定位目标并能有效地抑制背景。

3、为了利用材料的光谱特征来检测高光谱场景中的感兴趣目标，在过去的几十年里，已经开发了许多高光谱目标检测方法。如约束能量最小化(cem)、自适应相干\余弦估计器(ace)和正交子空间投影(osp)，这些方法需要精心设计的人工特征提取方法与先验假设，且难以利用光谱的非线性特征，对复杂检测场景的适应性较差。为了利用光谱波段之间的非线性关系，将上述高光谱目标检测方法扩展到相应的基于核非线性版本。如核约束能量最小化(kcem)，核自适应相干估计(kace)和核正交子空间投影(kosp)。基于核的高光谱目标检测方法通过使用相应的核函数将数据隐式地映射到高维的核特征空间中，以使数据被很好地分离。但基于核的高光谱目标检测方法依赖于数据转化到高维的核特征空间中变为线性可分的假设。为了不对数据的统计分布做任何明确假设，基于表示的高光谱目标检测方法应运而生。如基于稀疏表示的目标检测器(std)，联合稀疏和协同表示的htd方法(cscr)，基于背景字典学习的高光谱目标检测分解模型(dm-bdl)。虽然基于表示的高光谱目标检测方法能取得很好的检测效果，但由于噪声等因素的影响很难获得纯净的背景字典且矩阵分解中的最优字典原子数对于不同的数据可能不同，需要人为经验设置，这大大限制了其适应不同场景的能力。

4、近年来，得益于深度神经网络优异的非线性特征表示能力与高级语义特征提取能力，在高光谱分类，解混，超分辨率和变化检测等领域引起了研究人员的广泛关注，并为高光谱目标检测提供了新的方向。然而对于高光谱目标检测，先验信息的极其匮乏为基于深度学习的高光谱目标检测方法带来了困难。一些研究者从迁移学习的角度出发以期望克服由于先验信息匮乏而无法以监督学习的方式训练检测器，如基于卷积神经网络的htd(cnnd)方法，基于元学习和连体网络的htd(mlsn)方法，与传感器无关的htd(sihtd)方法，基于迁移学习的高光谱图像光谱-空间联合目标检测方法等。然而采用迁移学习的思想将在源域已知标签信息的数据集上学习到的模型知识迁移到目标域待检测场景中会受限于模型知识对检测场景的适应性的影响，导致目标检测性能不好。除了采用迁移学习的思想，一些研究者通过合成扩充目标与背景样本来帮助模型进行训练。例如，一种用于htd的深度卷积神经网络的方法(htd-net)、基于双流卷积神经网络的htd方法(tscntd)、一种用于htd的孪生transformer网络(sttd)和一种用于高光谱目标检测的带有目标波段随机掩模(tbrm)的光谱聚合和分离网络(sasn)。尽管这些基于深度学习的检测器取得了优异的检测性能，但仍受限于扩充的目标与背景样本的质量，这可能会给模型带来知识的偏差。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种高光谱目标检测方法、装置、计算机设备和存储介质。

2、一种高光谱目标检测方法，所述方法包括：

3、获取同一批次光谱图像样本；每一所述光谱图像样本包括若干像元光谱；每一所述像元光谱被划分为多个光谱块；

4、将每一光谱图像样本表示为光谱图，对每一光谱图进行数据增强，得到对应的增强光谱图；所述光谱图包括节点和边；所述节点为所述光谱图像样本中的光谱块；所述边表示两个光谱块相邻；

5、通过预先构建的结构相同且参数共享的第一光谱图transformer和第二光谱图transformer分别对同一批次光谱图像样本对应的光谱图和增强光谱图进行局部-全局特征提取，输出多个第一特征对应的第一特征集合和多个第二特征对应的第二特征集合；每一光谱图transformer包括图卷积网络和transformer编码器；

6、根据预先设置的第一原型组和第二原型组分别对所述第一特征集合和所述第二特征集合进行聚类，得到第一聚类相似性矩阵和第二聚类相似性矩阵，根据第一聚类相似性矩阵当前列向量和第二聚类相似性矩阵相应列向量以及非相应列向量之间的距离，计算当前光谱图的损失，根据所述同一批次光谱图像样本对应光谱图和增强光谱图的损失，得到聚类对比损失；每一聚类相似性矩阵的行向量包括对应光谱图transformer的输出特征被分配给当前列对应原型所属簇的概率，每一列向量对应一个簇；

7、根据所述聚类对比损失和聚类一致性损失训练所述第一光谱图transformer和第二光谱图transformer，得到训练好的第一光谱图transformer和第二光谱图transformer；所述聚类一致性损失是通过所述第一特征集合和第二特征集合聚类分配的平均交叉熵得到的；

8、获取待检测光谱图像，将先验目标光谱与所述待检测光谱图像中的待检测像元光谱分别输入训练好的第一光谱图transformer和第二光谱图transformer，得到对应的输出特征，根据输出特征之间的相似性得到目标检测结果。

9、一种高光谱目标检测装置，所述装置包括：

10、样本获取模块，用于获取同一批次光谱图像样本；每一所述光谱图像样本包括若干像元光谱；每一所述像元光谱被划分为多个光谱块；

11、光谱图增强模块，用于将每一光谱图像样本表示为光谱图，对每一光谱图进行数据增强，得到对应的增强光谱图；所述光谱图包括节点和边；所述节点为所述光谱图像样本中的光谱块；所述边表示两个光谱块相邻；

12、特征提取模块，用于通过预先构建的结构相同且参数共享的第一光谱图transformer和第二光谱图transformer分别对同一批次光谱图像样本对应的光谱图和增强光谱图进行局部-全局特征提取，输出多个第一特征对应的第一特征集合和多个第二特征对应的第二特征集合；每一光谱图transformer包括图卷积网络和transformer编码器；

13、聚类对比模块，用于根据预先设置的第一原型组和第二原型组分别对所述第一特征集合和所述第二特征集合进行聚类，得到第一聚类相似性矩阵和第二聚类相似性矩阵，根据第一聚类相似性矩阵当前列向量和第二聚类相似性矩阵相应列向量以及非相应列向量之间的距离，计算当前光谱图的损失，根据所述同一批次光谱图像样本对应光谱图和增强光谱图的损失，得到聚类对比损失；每一聚类相似性矩阵的行向量包括对应光谱图transformer的输出特征被分配给当前列对应原型所属簇的概率，每一列向量对应一个簇；

14、网络训练模块，用于根据所述聚类对比损失和聚类一致性损失训练所述第一光谱图transformer和第二光谱图transformer，得到训练好的第一光谱图transformer和第二光谱图transformer；所述聚类一致性损失是通过所述第一特征集合和第二特征集合聚类分配的平均交叉熵得到的；

15、目标检测模块，用于获取待检测光谱图像，将先验目标光谱与所述待检测光谱图像中的待检测像元光谱分别输入训练好的第一光谱图transformer和第二光谱图transformer，得到对应的输出特征，根据输出特征之间的相似性得到目标检测结果。

16、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

17、获取同一批次光谱图像样本；每一所述光谱图像样本包括若干像元光谱；每一所述像元光谱被划分为多个光谱块；

18、将每一光谱图像样本表示为光谱图，对每一光谱图进行数据增强，得到对应的增强光谱图；所述光谱图包括节点和边；所述节点为所述光谱图像样本中的光谱块；所述边表示两个光谱块相邻；

19、通过预先构建的结构相同且参数共享的第一光谱图transformer和第二光谱图transformer分别对同一批次光谱图像样本对应的光谱图和增强光谱图进行局部-全局特征提取，输出多个第一特征对应的第一特征集合和多个第二特征对应的第二特征集合；每一光谱图transformer包括图卷积网络和transformer编码器；

20、根据预先设置的第一原型组和第二原型组分别对所述第一特征集合和所述第二特征集合进行聚类，得到第一聚类相似性矩阵和第二聚类相似性矩阵，根据第一聚类相似性矩阵当前列向量和第二聚类相似性矩阵相应列向量以及非相应列向量之间的距离，计算当前光谱图的损失，根据所述同一批次光谱图像样本对应光谱图和增强光谱图的损失，得到聚类对比损失；每一聚类相似性矩阵的行向量包括对应光谱图transformer的输出特征被分配给当前列对应原型所属簇的概率，每一列向量对应一个簇；

21、根据所述聚类对比损失和聚类一致性损失训练所述第一光谱图transformer和第二光谱图transformer，得到训练好的第一光谱图transformer和第二光谱图transformer；所述聚类一致性损失是通过所述第一特征集合和第二特征集合聚类分配的平均交叉熵得到的；

22、获取待检测光谱图像，将先验目标光谱与所述待检测光谱图像中的待检测像元光谱分别输入训练好的第一光谱图transformer和第二光谱图transformer，得到对应的输出特征，根据输出特征之间的相似性得到目标检测结果。

23、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

24、获取同一批次光谱图像样本；每一所述光谱图像样本包括若干像元光谱；每一所述像元光谱被划分为多个光谱块；

25、将每一光谱图像样本表示为光谱图，对每一光谱图进行数据增强，得到对应的增强光谱图；所述光谱图包括节点和边；所述节点为所述光谱图像样本中的光谱块；所述边表示两个光谱块相邻；

26、通过预先构建的结构相同且参数共享的第一光谱图transformer和第二光谱图transformer分别对同一批次光谱图像样本对应的光谱图和增强光谱图进行局部-全局特征提取，输出多个第一特征对应的第一特征集合和多个第二特征对应的第二特征集合；每一光谱图transformer包括图卷积网络和transformer编码器；

27、根据预先设置的第一原型组和第二原型组分别对所述第一特征集合和所述第二特征集合进行聚类，得到第一聚类相似性矩阵和第二聚类相似性矩阵，根据第一聚类相似性矩阵当前列向量和第二聚类相似性矩阵相应列向量以及非相应列向量之间的距离，计算当前光谱图的损失，根据所述同一批次光谱图像样本对应光谱图和增强光谱图的损失，得到聚类对比损失；每一聚类相似性矩阵的行向量包括对应光谱图transformer的输出特征被分配给当前列对应原型所属簇的概率，每一列向量对应一个簇；

28、根据所述聚类对比损失和聚类一致性损失训练所述第一光谱图transformer和第二光谱图transformer，得到训练好的第一光谱图transformer和第二光谱图transformer；所述聚类一致性损失是通过所述第一特征集合和第二特征集合聚类分配的平均交叉熵得到的；

29、获取待检测光谱图像，将先验目标光谱与所述待检测光谱图像中的待检测像元光谱分别输入训练好的第一光谱图transformer和第二光谱图transformer，得到对应的输出特征，根据输出特征之间的相似性得到目标检测结果。

30、上述高光谱目标检测方法、装置、计算机设备和存储介质，通过将像元光谱构建为光谱图，并对其进行数据增强，得到对应的增强光谱图，然后使用光谱图transformer提取光谱图与增强图的局部-全局特征并通过一组原型向量对特征进行聚类，通过最大化语义相似的光谱图聚类簇的相似性并使语义与其不相同的光谱图聚类簇远离它们以使模型具备鉴别光谱差异的能力，利用聚类一致性损失保持光谱图与其增强图聚类的一致性，以帮助模型更好地进行光谱鉴别性学习，在检测时，经过光谱鉴别性学习的光谱图transformer同时区分待检测像素与先验目标的光谱之间的异同，以突出目标并抑制背景。采用本方法能够更好地鉴别光谱之间的差异，提高高光谱目标检测精度。