本發(fā)明涉及高光譜遙感圖像目標檢測，尤其涉及一種融合多層信息的高光譜目標檢測方法。
背景技術：
1、目前,在人類活動的濕地及其他復雜環(huán)境常有各種材質類型的人工物品遺留，比如塑料瓶、金屬罐、織物等，而暴風等氣象現(xiàn)象也會在濕地、河湖岸線等環(huán)境產生破損木質垃圾；各種材質的垃圾會對自然生態(tài)系統(tǒng)造成一定的危害，往往這些目標物的形狀、顏色和紋理可能與周圍環(huán)境高度相似，很容易被環(huán)境掩蓋，對于一些體積小、對比度低的垃圾目標，采用常規(guī)的檢測技術，難以被準確檢測和識別；隨著遙感技術的發(fā)展，高光譜遙感技術能夠有效解決這一難題，它區(qū)別于傳統(tǒng)的遙感技術，可以通過檢測成百上千個窄波段獲取目標材料納米級的光譜波段信息，從而能夠利用目標與背景波段的區(qū)別進行檢測和識別；光譜分辨率在10-2λ數(shù)量級范圍內的光譜圖像稱為高光譜圖像。
2、專利申請?zhí)枮閏n202211162154.1的發(fā)明專利《一種基于無監(jiān)督分割的高光譜圖像小目標檢測方法》，提供了一種基于無監(jiān)督分割的高光譜圖像小目標檢測方法，對待檢測的高光譜目標圖像進行歸一化處理，建立高光譜圖像分割模型；根據高光譜圖像分割結果圖，統(tǒng)計分割結果圖中每一連通域內包含的像素個數(shù)，判斷每一連通域內像素個數(shù)是否小于設定的閾值n；將待檢測圖像劃分為多個連通域，并將連通域內的像素個數(shù)小于設定的閾值n的連通域判定為待檢測小目標的感興趣區(qū)域；將感興趣區(qū)域內的像素光譜與已知光譜模板作為自適應余弦估計高光譜檢測器的輸入，檢測感興趣區(qū)域內的像素是否為目標像素；最后輸出高光譜目標圖像的檢測結果；上述技術方案將感興趣區(qū)域內的像素光譜與已知光譜模板作為自適應余弦估計高光譜檢測器的輸入，過分依賴目標材料的先驗信息，導致模型泛化能力弱、魯棒性低，容易造成一些誤檢和漏檢，且忽略了高光譜三維結構中的空間維度信息，導致檢測精度較低，另外僅依賴基于深度學習網絡的高光譜圖像分割模型以及后續(xù)的自適應余弦估計高光譜檢測器，具有單一模型的局限性，不能有效地應對復雜的高光譜圖像場景。
技術實現(xiàn)思路
1、本發(fā)明的目的是提供一種融合多層信息的高光譜目標檢測方法，能夠用于對航空遙感設備采集的高光譜圖像進行目標檢測，特別適合復雜場景中散落生活垃圾目標的檢測識別。
2、本發(fā)明采用下述技術方案：
3、一種融合多層信息的高光譜目標檢測方法，包括如下步驟：
4、s1：采集高光譜遙感圖像，并對高光譜遙感圖像中的原始高光譜數(shù)據進行標準化處理；
5、s2：從標準化處理后的高光譜數(shù)據中提取多個感興趣點作為感興趣目標，將所提取的多個感興趣點對應的光譜特征曲線進行算術平均，得到感興趣目標的平均先驗光譜，根據平均先驗光譜構建光譜數(shù)據庫；
6、s3：對光譜數(shù)據庫中圖像的空間域數(shù)據進行濾波降噪處理，再對處理后的圖像的光譜域數(shù)據進行離散傅里葉變換處理獲取融合了空間域數(shù)據和光譜域數(shù)據的融合先驗空譜域信息，根據融合先驗空譜域信息，構建自適應余弦估計模型并獲取感興趣正常目標信息d1；
7、s4：將光譜數(shù)據庫中的高光譜數(shù)據經過低秩稀疏表示和矩陣分解的方法分解，對得到的低秩矩陣和稀疏矩陣進行優(yōu)化，根據優(yōu)化后的低秩矩陣和稀疏矩陣設計非高斯檢測器，利用構建的非參數(shù)控制的曼哈頓距離檢測模型評估異常像素，得到感興趣異常目標信息d2；
8、s5：融合感興趣正常目標信息d1和感興趣異常目標信息d2，最終獲取目標檢測結果。
9、優(yōu)選的，所述的步驟s1中，利用最大值與最小值方法對原始高光譜數(shù)據進行標準化處理。
10、優(yōu)選的，所述的步驟s2中，利用隨機抽樣技術，對經過標準化后的高光譜數(shù)據，在既定的感興趣區(qū)域內提取多個感興趣點。
11、優(yōu)選的，所述的步驟s3中，對光譜數(shù)據庫中的圖像空間域數(shù)據進行二維的高斯濾波降噪處理。
12、優(yōu)選的，所述的步驟s3中，還對經降噪處理后的圖像光譜域數(shù)據進行二維離散傅里葉變換處理，得到融合了空間域數(shù)據和光譜域數(shù)據的融合先驗空譜域信息。
13、優(yōu)選的，所述的步驟s3中，最后根據融合先驗空譜域信息，構造融合空間域和光譜域信息的自適應余弦估計模型，并計算得出感興趣正常目標信息d1。
14、優(yōu)選的，構建自適應余弦估計模型包括以下步驟：
15、s3301：高光譜數(shù)據服從多元正態(tài)分布，建立服從多元正態(tài)分布的二元假設模型；
16、s3302：對二元假設模型進行推導、求解得到二元假設模型中背景噪聲方差和目標信號與噪聲的聯(lián)合方差的極大似然估計；
17、s3303：根據得到的極大似然估計構建自適應余弦估計模型，并計算得出感興趣正常目標信息d1。
18、優(yōu)選的，所述的步驟s4中，具體包括如下步驟：
19、s410：利用低秩稀疏表示和矩陣分解的方法將高光譜數(shù)據分解為低秩矩陣、稀疏矩陣和噪聲矩陣；分解后的稀疏矩陣和低秩矩陣輸出給步驟s420；
20、s420：利用godec算法在秩和稀疏約束下，通過最小化分解誤差對步驟s410得到的低秩矩陣和稀疏矩陣進行優(yōu)化，將優(yōu)化后的低秩矩陣和稀疏成分輸出給步驟s430；
21、s430：根據優(yōu)化后的低秩矩陣和稀疏矩陣，設計非高斯檢測器，利用非參數(shù)控制的曼哈頓距離檢測模型評估異常像素并得到感興趣異常目標信息d2。
22、優(yōu)選的，所述的s430中，根據從步驟s420中得到的低秩矩陣和稀疏矩陣，設計非高斯檢測器；將從稀疏矩陣中提取的光譜向量集合，通過最小化l1范數(shù)計算得到代表最高概率背景的標準向量，進而構建非參數(shù)控制的曼哈頓距離檢測模型；最后根據曼哈頓距離檢測模型得到的曼哈頓距離評估異常像素，得到感興趣異常目標信息d2。
23、優(yōu)選的，所述的步驟s5中，將步驟s3中獲取到的感興趣正常目標信息d1和步驟s4中獲取到的感興趣異常目標信息d2進行加權信噪比指數(shù)融合，最終得到目標檢測結果d。
24、本發(fā)明的有益效果為，對于易被環(huán)境掩蓋的各類垃圾，包括人類遺留的塑料瓶、金屬罐、織物以及氣象災害產生的破損木質垃圾等，通過對預處理后的高光譜圖像提取光譜特征曲線并構建光譜數(shù)據庫，精準捕捉到與環(huán)境高度相似、體積小且對比度低的垃圾目標的獨特光譜特性，突破傳統(tǒng)檢測方法受環(huán)境干擾的局限，大幅提升檢測準確性；
25、基于先驗目標的空間域和光譜域信息構建的自適應余弦估計模型，可根據濕地環(huán)境及垃圾目標的多樣性，自適應調整檢測策略，獲取感興趣正常目標信息，顯著增強了檢測系統(tǒng)對復雜多變場景的適應性與可靠性，克服了傳統(tǒng)手段難以應對復雜環(huán)境的困境；
26、利用異常特征分解方法構建的曼哈頓距離檢測模型，能有效挖掘細微垃圾目標的異常特征，獲取感興趣異常目標信息，解決了微小垃圾易被忽略的問題，為全面維護生態(tài)環(huán)境提供有力支撐；
27、最后，通過融合以上得到的多層信息得到目標檢測結果，整合多維度數(shù)據，進一步降低誤檢和漏檢率，全方位提升檢測效能。
1.一種融合多層信息的高光譜目標檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的步驟s1中，利用最大值與最小值方法對原始高光譜數(shù)據進行標準化處理。
3.根據權利要求1所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的步驟s2中，利用隨機抽樣技術，對經過標準化后的高光譜數(shù)據，在既定的感興趣區(qū)域內提取多個感興趣點。
4.根據權利要求1所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的步驟s3中，對光譜數(shù)據庫中的圖像空間域數(shù)據進行二維的高斯濾波降噪處理。
5.根據權利要求4所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的步驟s3中，還對經降噪處理后的圖像光譜域數(shù)據進行二維離散傅里葉變換處理，得到融合了空間域數(shù)據和光譜域數(shù)據的融合先驗空譜域信息。
6.根據權利要求5所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的步驟s3中，最后根據融合先驗空譜域信息，構造融合空間域和光譜域信息的自適應余弦估計模型，并計算得出感興趣正常目標信息。
7.根據權利要求6所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：構建自適應余弦估計模型包括以下步驟：
8.根據權利要求1所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的步驟s4中，具體包括如下步驟：
9.根據權利要求8所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的s430中，根據從步驟s420中得到的低秩矩陣和稀疏矩陣，設計非高斯檢測器；將從稀疏矩陣中提取的光譜向量集合，通過最小化范數(shù)計算得到代表最高概率背景的標準向量，進而構建非參數(shù)控制的曼哈頓距離檢測模型；最后根據曼哈頓距離檢測模型得到的曼哈頓距離評估異常像素，得到感興趣異常目標信息。
10.根據權利要求1所述的一種融合多層信息的高光譜目標檢測方法，其特征在于：所述的步驟s5中，將步驟s3中獲取到的感興趣正常目標信息和步驟s4中獲取到的感興趣異常目標信息進行加權信噪比指數(shù)融合，最終得到目標檢測結果。