一種采用局部自適應閾值分割的高光譜圖像異常探測方法
【專利摘要】本發(fā)明屬于高光譜圖像異常目標檢測領域，具體涉及一種采用局部自適應閾值分割的高光譜圖像異常探測方法。讀入高光譜數(shù)據(jù)；采用非線性KRX算子對高光譜數(shù)據(jù)處理得到檢測結果灰度圖；對檢測的灰度圖像進行預處理消除背景干擾；將圖像分成若干個m×n的子圖像對每一個子圖像進行閾值迭代法選取閾值；用得到的自適應閾值Ti對子圖像二值化，遍歷整幅圖像進而得到最終檢測結果。本發(fā)明提出了針對大面積背景干擾抑制的算法，利用形態(tài)學濾波開運算的結構元素將背景干擾有效的提取和消除；采用迭代法計算出局部最佳閾值，無需大量試驗驗證求取閾值可大大減少實際處理中的工作量，提高了異常目標檢測的效率和準確率。
【專利說明】一種采用局部自適應閾值分割的高光譜圖像異常探測方法

【技術領域】
[0001] 本發(fā)明屬于高光譜圖像異常目標檢測領域，具體涉及一種采用局部自適應閾值分 割的高光譜圖像異常探測方法。

【背景技術】
[0002] 目標檢測是高光譜遙感圖像應用的一個重要方向。根據(jù)是否需要先驗知識，現(xiàn)有 的目標檢測技術可分為需要先驗目標信息或已知背景的目標檢測算法和無需任何先驗信 息的異常目標檢測算法。由于在很多實際處理中缺少足夠的光譜先驗信息，因此，無需任何 先驗信息的高光譜圖像異常檢測更符合實際應用的需求。
[0003] RX算子是目前使用最廣泛的異常探測算法之一，作為經(jīng)典算法，它源自多光譜圖 像檢測，并由Reed和XiaoliYu在1990年最早提出來。該算法是在一些簡化的假設條件 下，構造似然比檢測算子直接對高光譜圖像進行處理，這使得檢測結果會產(chǎn)生較高的虛警。 傳統(tǒng)的RX算子是基于線性統(tǒng)計模型推到得到的，它忽略了高光譜數(shù)據(jù)上百個波段間豐富 的非線性信息，導致在實際應用中檢測效果不理想。為此，Kwon等人進一步地提出了一種 基于核的非線性RX改進算法，該算法利用核函數(shù)將原始輸入空間的非線性分析映射為高 維特征空間的線性分析，更好地利用高光譜圖像波段之間的非線性統(tǒng)計特性。然而，當存在 較大面積不感興趣的背景干擾時，KRX算子往往會出現(xiàn)將干擾誤判成目標的現(xiàn)象。新型背 景抑制核RX(Opening-operationKernelRX, 0KRX)算法，該算法針對KRX檢測的灰度值圖 像大面積亮背景干擾的提取，從根本上解決這種干擾引起的虛警問題。
[0004] 在實際異常檢測應用中，閾值的自適應選取尤為重要。這是由于對檢測結果的獲 得必須是具有實效性的，通過人工分割時，是對全局進行最佳閾值的選取，需要多次實驗驗 證才能確定。隨著現(xiàn)代遙感技術的飛速發(fā)展，高光譜遙感在處理中的地物信息更加豐富， 這使得通過人工分割方法獲取最佳閾值變得非常困難。另一方面，對于僅存在于局部范圍 內(nèi)而淹沒于全局背景中的異常目標或一些較弱的異常目標，全局閾值分割方法將失效，給 異常目標檢測性能帶來了巨大的影響。采用局部自適應閾值分割的方法可以減少實際處 理中的工作量，提高了異常目標檢測的效率和準確率。為了準確地進行高光譜遙感圖像的 異常探測，同時解決僅存在于局部范圍內(nèi)而淹沒于全局背景中的異常目標檢測，全局閾值 分割將失效這一問題，本發(fā)明提出了一種局部自適應閾值分割的高光譜異常目標檢測方法 (Opening-operationlocaladaptivethresholdKernelRX, 0AKRX)〇


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種無需通過反復大量試驗獲取最佳閾值，降低算法在實 際處理中的工作量，具有更強的實用性的一種采用局部自適應閾值分割的高光譜圖像異常 探測方法。
[0006] 本發(fā)明的目的是這樣實現(xiàn)的：
[0007] (1)讀入高光譜數(shù)據(jù)；
[0008] (2)采用非線性KRX算子對高光譜數(shù)據(jù)處理得到檢測結果灰度圖：
[0009] (2. 1)選擇同心雙層窗，對原始高光譜圖像數(shù)據(jù)歸一化，然后根據(jù)合成圖像大小和 目標分布，選擇目標檢測窗口設為3X3像素，背景信息提取窗口大小設為11X11像素； [0010] (2. 2)選擇現(xiàn)有的核函數(shù)中高斯徑向基核函數(shù)RBF，選用徑向基核，其中Xi為核函 數(shù)中心，即目標窗內(nèi)的待檢測像元，σ2為核函數(shù)的寬度參數(shù)，X為背景窗內(nèi)待檢測像元；
[0011] k(X·Xi)=exp(I IX-XiI IVσ2)
[0012] (2. 3)采用非線性KRX算子對原始高光譜數(shù)據(jù)處理得到檢測結果灰度圖F;
[0013] (3)對檢測的灰度圖像進行預處理消除背景干擾：
[0014] (3. 1)采用一個直徑r大于最大異常目標的圓形結構元素B對檢測結果灰度值圖 像進行形態(tài)學開運算，對檢測結果灰度圖F進行鄰域連接，將相鄰的噪聲連接起來構成一 塊區(qū)域，消去圖像中的異常目標，獲得圖像背景干擾的灰度圖像G:
[0015] G = FoB
[0016] (3. 2)灰度圖像G中的背景干擾體現(xiàn)為高亮度信息，根據(jù)圖像上的點p通過對灰度 圖像進行灰度分解得到的一個的二值圖像G，存在灰度為me[0,M-1]使得M為灰度圖像 中的最大灰度級：
[0017]

【權利要求】
1. 一種采用局部自適應閾值分割的高光譜圖像異常探測方法： (1) 讀入高光譜數(shù)據(jù)； (2) 采用非線性KRX算子對高光譜數(shù)據(jù)處理得到檢測結果灰度圖： (2. 1)選擇同心雙層窗，對原始高光譜圖像數(shù)據(jù)歸一化，然后根據(jù)合成圖像大小和目標 分布，選擇目標檢測窗口設為3X3像素，背景信息提取窗口大小設為11X11像素； (2. 2)選擇現(xiàn)有的核函數(shù)中高斯徑向基核函數(shù)RBF，選用徑向基核，其中Xi為核函數(shù)中 心，即目標窗內(nèi)的待檢測像元，〇 2為核函數(shù)的寬度參數(shù)，X為背景窗內(nèi)待檢測像元； k(X?Xi) =exp(IIX-XiIIV〇 2) (2. 3)采用非線性KRX算子對原始高光譜數(shù)據(jù)處理得到檢測結果灰度圖F; (3) 對檢測的灰度圖像進行預處理消除背景干擾： (3. 1)采用一個直徑r大于最大異常目標的圓形結構元素B對檢測結果灰度值圖像進 行形態(tài)學開運算，對檢測結果灰度圖F進行鄰域連接，將相鄰的噪聲連接起來構成一塊區(qū) 域，消去圖像中的異常目標，獲得圖像背景干擾的灰度圖像G: G=FoB (3. 2)灰度圖像G中的背景干擾體現(xiàn)為高亮度信息，根據(jù)圖像上的點p通過對灰度圖像 進行灰度分解得到的一個的二值圖像6，存在灰度為me[0,M-1]使得M為灰度圖像中的 最大灰度級：
利用分解得出的二值圖像6與原灰度圖像F矩陣的Hadamard積，消去圖像背景：F=(F-G).,; (4) 將圖像f分成若干個mXn的子圖像f,; (5) 對每一個子圖像進行閾值迭代法選取閾值： 將圖像氧中的像素點最大值和最小值的均值作為初始閾值Titl: T.n =^max(Fi)+ /2; 將初始閾值Titl作為閾值把圖像的像素點分成兩部分，即圖像見和圖像^ :
再取兩部分圖像的灰度均值作為新的閾值： Tn =^meaniFn) +Diean(Pi2)^/2 , 計算新的閾值Til代替Ti(l，重復迭代過程直至Tik+1=Tik為止； 對閾值進行預判決，即存在一個為大于〇的實數(shù)e，當e- 〇,有|2；-11^浥)|<^或 |2；-min(f；)|< 〃時，判決子圖像屬于背景，求取的閾值設置為子圖像中最大灰度值，否則取迭 代停止時的Tik作為該子圖像的分割閾值，其中T,為對應子圖像的分割閾值：
【文檔編號】G06T5/00GK104504686SQ201410734796
【公開日】2015年4月8日 申請日期:2014年12月4日 優(yōu)先權日:2014年12月4日
【發(fā)明者】趙春暉, 王佳, 王玉磊, 肖健鈺, 尤偉 申請人:哈爾濱工程大學