一种面向伪装目标识别的高光谱图像波段选择方法

本发明涉及高光谱图像的特征波段选择，具体涉及一种面向伪装目标识别的高光谱图像波段选择方法。

背景技术：

1、遥感技术和成像光谱仪的发展使得高光谱遥感图像的分辨率不断提高，对高光谱图像中各地物光谱曲线的分析使我们可以找到各地物的诊断性光谱特征，这是高光谱图像相比其他影像数据的优势所在。不过在遥感探测能力得到提高的同时，其庞大的数据量会带来“维数灾难”问题，给后续影像的分析和处理工作带来了极大的困难。因此，对高光谱图像进行降维处理是十分必要的，它可以在尽可能多地保留重要的判别信息的前提下，消除图像中冗余和不相关的信息。

2、特征提取和波段选择是高光谱图像降维最常用的两类方法。特征提取一般是利用不同的方法建立原始高维空间与低维子空间之间的映射，这会导致原始高光谱数据物理特征被改变，十分不利于图像的解译工作。常用的特征提取方法有主成分分析和线性判别分析等。波段选择的目的则是在尽可能保留高光谱数据固有特征的前提下，从所有波段里选择判别信息丰富和弱相关的波段子集。根据对地物类别信息关注程度的不同，波段选择方法常被分为基于信息量和基于类别可分性两类。基于信息量的波段选择方法包括最佳指数法、自适应波段选择法等，它们往往会忽视波段之间的相关性。

3、目前基于类别可分性的波段选择方法也大都关注的是各波段图像整体的可分性。在面对伪装目标识别任务时，尤其是在可见光波段，由于伪装目标与相似背景之间具有极高的光谱相似度，导致难以选择出能够有效区分伪装目标和相似背景的特征波段组合。故而本文提出一种面向伪装目标识别的高光谱图像波段选择方法。

技术实现思路

1、针对现有的波段选择方法在面对伪装目标识别任务时难以选择出能够有效区分伪装目标和相似背景的特征波段组合的问题，本发明提出了一种面向伪装目标识别的高光谱图像波段选择方法，通过组合光谱度量参数，建立光谱差异度指数模型，以实现伪装目标识别任务中高光谱图像特征波段的准确选择。

2、本发明解决其技术问题所采用的技术方案是：

3、一种面向伪装目标识别的高光谱图像波段选择方法，包括以下步骤：

4、1)数据采集：利用高光谱视频相机获取伪装车辆高光谱图像数据集；数据采集实验场景由背景及涂漆伪装车辆组成；

5、2)数据预处理：对采集到的高光谱图像数据集进行预处理；

6、由于大气条件和光照条件对图像质量的影响，首先需要对采集的高光谱图像数据集进行大气校正和噪声去除；接着，对数据集进行数据标准化处理，使其变成无量纲数据集。

7、3)选择光谱度量参数：选择用于构建模型的光谱度量参数；

8、以最大化伪装目标和相似背景的光谱差异度为目标，选择光谱梯度角(sga)、归一化fréchet距离(f)以及皮尔逊相关系数(r)三个光谱度量参数来构建光谱差异度指数模型。

9、4)构建光谱差异度指数模型：根据所选三个光谱度量参数和光谱差异度之间的相关关系，同时结合尺度的影响，构建光谱差异度指数模型。

10、5)特征波段选择：提取平均光谱矢量以进行特征波段的选择；

11、从数据集中分别提取伪装车辆的平均光谱矢量和草地背景的平均光谱矢量，对二者进行均匀子空间划分，根据光谱差异度指数模型计算各子空间内不同波段的光谱差异度指数sd，选择各子空间内sd最大的波段作为特征波段。

12、6)波段选择效果评估：

13、将数据集划分为训练集和测试集，使用支持向量机分类器(svm)进行目标识别实验，根据与其他波段选择方法的总体精度oa和识别结果图的对比，验证本发明波段选择方法的效果。

14、进一步，步骤3)的过程为：

15、步骤3.1：为表征伪装目标和相似背景光谱矢量之间的形态差异度，引入光谱梯度角作为模型的首个构成参量。它首先对两个光谱矢量分别进行一阶求导，得到两者对应的梯度向量，然后计算两梯度向量之间的广义夹角，即光谱梯度角。对于两维数为n的光谱矢量x和y，其梯度向量sg(x)和sg(y)分别为：

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分别为光谱矢量x和y第i个光谱维度的幅度值。两梯度向量构成的光谱梯度角为：

19、

20、步骤3.2：为表征伪装目标和相似背景光谱矢量之间的幅值差异度，引入归一化fréchet距离作为模型的第二个构成参量。光谱矢量之间的fréchet距离为离散化的fréchet距离，假设宽高分别为m和n的高光谱图像矩阵为y＝[y1,…,yi,…,yj,…,ymn]，定义两个连续的映射x:[1,n]→yi和y:[1,n]→yj，其中n为波段数，x表示第i个像素点的光谱矢量，y表示第j个像素点的光谱矢量。则两光谱矢量之间的fréchet距离表示为：

21、

22、式中，d为距离度量函数，这里取的是欧氏距离。式中先求取两个曲线间的采样点x(τ)和y(τ)之间的欧氏距离的最大值，然后对这一系列最大距离进行归一化处理，找到它们的最小值，即为归一化fréchet距离。

23、步骤3.3：为度量伪装目标和相似背景光谱矢量之间相关性的强弱，强化所选波段的独立性和差异性，引入皮尔逊相关系数作为模型的第三个构成参量。光谱矢量x和y之间的皮尔逊相关系数表式为：

24、

25、式中，n是光谱矢量x和y的光谱维数；xi和yi分别是光谱矢量x和y的第i个光谱维度的幅度值；x和y则分别为两光谱矢量的均值；r(x,y)的取值范围为(-1,1)，其值越大表示光谱矢量之间的相关性越大，反之相关性越小。

26、进一步，步骤4)的过程为：

27、在所选三个光谱差异性度量参数中，光谱梯度角和归一化fréchet距离与光谱差异度指数在统计学上皆呈正相关，但两者的相关程度不同，故在模型中将两者以点乘方式结合，置于分子位置；皮尔逊相关系数r与光谱差异度指数在统计学上呈负相关，两光谱矢量间的皮尔逊相关系数取值为(-1,1)，当其值为负时会导致模型其他参量对模型的贡献度急剧下降，因此为皮尔逊相关系数加上一个常量b使其结果都为正值以消除这一影响，同时为了最大化保留皮尔逊相关系数对模型的贡献度，取常量b的值为1，使得相关系数扩展为由r+1∈(0,1)来衡量，将其置于分母位置。

28、假设两光谱矢量分别为x和y，光谱差异度指数模型如下表示：

29、

30、光谱差异度指数sd(x,y)可以定量地表征光谱矢量x和y之间的差异度，sd(x,y)的值越大，意味着对应波段两光谱矢量之间的形态差异和幅值差异越大、相关性越小，被选择为特征波段的优先级越高。

31、进一步，步骤6)的过程为：

32、步骤6.1：总体精度和识别结果对比

33、实验使用支持向量机分类器svm对数据集中的伪装车辆目标进行识别，以径向基函数作为分类器的核函数。选择总体精度oa(overall accuracy)用于评价不同波段选择方法的识别效果。分别随机挑选两组数据集中80％的样本作为各自svm的训练样本，剩余的作为测试样本。所有的实验均重复进行10次，将所有结果的平均值作为最终实验结果。参与对比实验的5种方法分别为最优聚类框架法ocf、端到端的波段选择网络框架bs_net、遗传优化算法ga、基于光谱角sam以及基于fréchet距离的波段选择方法，对比方法中的参数设置均遵循其默认设置。

34、实验通过改变所选波段数量来对比分析不同方法的性能，在10-60的波段范围内以10为步长选择波段进行识别结果比较；

35、步骤6.2：计算效率对比

36、实验将sd波段选择方法与其他5种方法进行了计算效率的对比。

37、本发明的有益效果主要表现在：本发明通过组合光谱度量参数，建立光谱差异度指数模型，根据模型设计算法进行高光谱图像特征波段的选择，改善了现有的波段选择方法在面对伪装目标识别任务时难以选择出能够有效区分伪装目标和相似背景的特征波段组合的问题。