高光谱遥感图像目标检测

SIPARemoteSensingNUDT●卫星信息处理与应用实验室高光谱遥感HyperspectralRemoteSensingSIPARemoteSensingNUDT●卫星信息处理与应用实验室第四讲高光谱图像特征提取与光谱解混合上一讲内容回顾一．高光谱数据降维二．光谱特征提取三．光谱混合模型–图像光谱特征变化分析、光谱混合机理、混合模型四．线性混合模型端元提取–端元提取的目的和意义、线性混合模型端元提取原理、线性混合模型端元数目的估计、线性混和模型端元提取方法五．线性混合模型光谱解混合–光谱解混合的意义和原理、光谱解混合方法、光谱解混合的应用SIPARemoteSensingNUDT●卫星信息处理与应用实验室高光谱遥感HyperspectralRemoteSensing第五讲高光谱图像目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室数据降维端元提取光谱解混合光谱特征提取本讲内容所处的位置关系•高光谱遥感应用基本流程地物光谱特性分析高光谱成像机理遥感物理学基础传感器定标高光谱图像目标检测高光谱图像地物分类基于光谱特征的地物识别高光谱遥感的军、民应用光谱的获取高光谱图像预处理特征提取与解混合数据处理技术应用几何校正辐射校正反射率反演图像压缩与解压缩本讲内容SIPARemoteSensingNUDT●卫星信息处理与应用实验室第五讲高光谱图像目标检测本讲内容一．高光谱图像目标检测技术概述二．基于纯点模型的目标检测三．基于多元统计混合模型的目标检测四．基于几何方式混合模型的目标检测五．高光谱图像异常检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室第五讲高光谱图像目标检测一．高光谱图像目标检测概述–㈠高光谱目标检测的优势–㈡高光谱目标检测方法分类–㈢高光谱目标检测的一般流程二．基于纯点模型的目标检测三．基于多元统计混合模型的目标检测四．基于几何方式混合模型的目标检测五．高光谱图像异常检测接下来……SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈠高光谱目标检测的优势•具有光谱识别和鉴别目标的能力，对图像空间分辨率的要求不高。•借助光谱信息可以在场景中区分真实和诱饵目标。•具有在复杂背景条件下自动检测图像异常的能力。–通常，遥感图像目标检测是建立在一定先验信息的基础上。–异常检测算子能够在没有先验信息的条件下检测与周围环境存在光谱差异的目标。一高光谱图像目标检测概述SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡高光谱目标检测方法分类•分类方式：–按先验信息的有无–按数据观测模型–按技术路线一高光谱图像目标检测概述SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡高光谱目标检测方法分类一高光谱图像目标检测概述–按先验信息有无：原始的高光谱数据预处理·数据格式化·坏点修复·波段配准·无用数据删除辐射校正波段融合和波段选择·取样·平均数据调整·白化·分割·归一化已知目标和背景未知目标已知背景已知目标未知背景未知目标和背景目标检测局部异常检测目标检测自适应异常检测输出结果·图像解译参数以及阈值确定·离线的大气校正人工输入SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡高光谱目标检测方法分类一高光谱图像目标检测概述–按数据观测模型：→基于纯点模型的检测→基于混合点模型–基于线性混合模型–基于非线性混合模型SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡高光谱目标检测方法分类一高光谱图像目标检测概述–按技术路线：→基于统计方式的检测–纯点模型–线性混合模型→基于几何方式的检测–纯点模型–线性混合模型几何方式统计方式SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢高光谱目标检测一般流程一高光谱图像目标检测概述•目前所采用的大部分检测算法，其算子的处理流程可分为两步：–空间投影→目的：抑制背景的信号能量，突出目标能量。–目标与背景分离→阈值分割→目标鉴别第一阶段：投影滤波器第二阶段：检测器xF(x)MdF(x)SIPARemoteSensingNUDT●卫星信息处理与应用实验室第五讲高光谱图像目标检测一．高光谱图像目标检测概述二．基于纯点模型的目标检测–㈠纯点模型–㈡基于纯点模型的似然比检验–㈢基于纯点模型的检测方法三．基于多元统计混合模型的目标检测四．基于空间投影的混合模型目标检测五．高光谱图像异常检测接下来……SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈠纯点模型•纯点模型不考虑光谱混合，模型相对简单–目标与背景之间除了二次散射和阴影的关系外，不存在其他的相互作用，观测数据要么是属于目标，要么是属于背景。•图像观测光谱可以写为如下形式：wsxwsxbtxtsbs其中：为观测光谱向量为目标光谱为背景光谱。w附加噪声或者写成如下形式：ttbxswxssw二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈠面向目标检测的纯点模型•通常，我们将背景和噪声结合在一起，称之为干扰，可定义干扰模型：–多元正态分布是最常用的统计分布之一，这主要是因为它具有良好的可操作性，且已经成功地应用于许多目标检测技术中。•针对干扰模型，可假设v服从多元正态分布：tsxxv为背景干扰),(~bNv均值：方差：b二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡基于纯点模型的似然比检验•对于目标检测问题，可以利用二元似然比检验构建检测算子，对于给定的观测波谱，似然比由条件概率密度给出：•如利用极大似然估计等方法，可获取上式中的部分统计参数，则可称为广义似然比检验（GLRT）。)|()|(absentsignalxppresentsignalxp)(x的值大于某一个阈值，则接受目标存在的假设。二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡基于纯点模型的似然比检验•对于非干扰模型，利用多元正态分布表示的二元假设检验的形式如下：–似然比函数的自然对数形式如下：•可视为空间投影,下一步就是确定检测阈值。),(~:0bbNxH),(~:1ttNxH无目标有目标)(xDy)()(21)()(2111ttTtbbTbxxxx=)(xDy二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡基于纯点模型的似然比检验•基于该似然函数，利用恒虚警率（CFAR）确定检测阈值。所需要的阈值为：•对于干扰模型，其目标与背景统计分布的方差可视为一致（为什么？），则似然函数中：•由此，似然函数可简化为：adyHypPFA)|(0是预先确定的虚警概率atbxxDyTbt1)()(先验光谱信息二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡基于纯点模型的似然比检验•由于检测器输出是多个多元正态分布的线性组合：–上式中，C可视为匹配滤波器（MatchFilter）。•因此：似然函数的输出也服从正态分布，可以用正态分布CFAR准则来计算阈值。kLkkTxcxcy1222)(2211uxveP)(1btc二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈡基于纯点模型的似然比检验•小结：–基于纯点模型的似然比检验的算子形式为：–分割阈值的计算为：222)(2211uxveP二基于纯点模型的目标检测xxDyTbt1)()(SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•CEM（ConstrainedEnergyMinimization）算法–CEM算子是从信号处理的匹配滤波器角度提出。–将高光谱图像数据视为多维信号序列。–通过滤波器（投影），突出已知目标，压制未知背景信号。二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•CEM（ConstrainedEnergyMinimization）算法–对感兴趣目标d，设计一个线性滤波器c，使图像的滤波输出能量最小–则滤波器的算子形式：211min()min(')'1NiwwiycRcNdctTttRRc11二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•CEM（ConstrainedEnergyMinimization）算法–这样的构成的检测算子就称之为约束能量最小化算法（CEM）xcDTCEM二基于纯点模型的目标检测tTttRRc11其中：niTjjxxNR11数据的互相关矩阵SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•CEM（ConstrainedEnergyMinimization）算法–比较干扰模型似然比算子与CEM算子，其差别就在于观测值是否消除了均值向量的影响以及一个系数。niTjjxxNR11tTtR11CEM是利用数据的互相关矩阵代替互协方差矩阵。CEM增加了一个比例系数。二基于纯点模型的目标检测11()()TtTttRDxxRxxDyTbt1)()(CEM滤波算子干扰模型的滤波算子SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•先验信息和后验信息–先验信息：事件发生前（遥感数据未产生时），已有的关于数据内容的知识。例如，光谱库的谱线等。–后验信息：事件发生以后（已得到遥感数据）再从中获取的信息。–在高光谱遥感中，利用端元提取获取的光谱信息，都属于后验信息。–此外，对数据的统计分析所获得参数也属于后验信息，它们都是对实际的统计参数的估计。二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•先验信息和后验信息–在检测算法中，大部分的参数可利用后验信息估计得到，主要是正态分布的统计参数：NjjbxNu11TbjnjbjxxN)()(11估计均值估计互协方差矩阵二基于纯点模型的目标检测SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•检测结果展示–所选数据：二基于纯点模型的目标检测20406080100120140160180200204060801001201401601802002040608010012014016020406080100120140160第19波段（波长位置：675.8nm）图像及数据处理区域，（a）具有均一地物类型的图像，（b）目标所在区域(a)(b)SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•检测结果–所选数据：二基于纯点模型的目标检测水泥跑道指挥塔水泥跑道泥土地SIPARemoteSensingNUDT●卫星信息处理与应用实验室㈢基于纯点模型的检测方法•检测结果展示–处理结果二基于纯点模型的目标检测CEM投影结果投影后数据的CFAR结果50100150501001505010015050100150SIPARemoteSensingNUDT●卫星信息处理与应用实验室第四讲高光谱图像特征提取与光谱解混合上一讲内容回顾一．高光谱数据降维二．光谱特征提取三．光谱混合模型–图像光谱特征变化分析、光谱混合机理、混合模型四．线性混合模型端元提取–端元提取的目的和意义、线性混合模型端元提取原理、线性混合模型端元数