《高光谱遥感图像目标检测ppt课件.ppt》由会员分享,可在线阅读,更多相关《高光谱遥感图像目标检测ppt课件.ppt(78页珍藏版)》请在三一办公上搜索。
1、高 光 谱 遥 感,Hyperspectral Remote Sensing,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,高光谱数据降维 光谱特征提取 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 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 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,高 光 谱 遥 感,Hyperspectral Remote Sensing,第五讲 高光谱图像目标检测,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,
2、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,第五讲 高光谱图像目标检测,本 讲 内 容,高光谱图像目标检测技术概述 基于纯点模型的目标检测 基于多元统计混合模型的目标检测 基于几何方式混合模型的目标检测 高光谱图像异常检测,第五讲 高光谱图像目标检测,高光谱图像目标检测概述高光谱目标检测的优势高光谱目标检测方法分类高光谱目标检测的一般
3、流程基于纯点模型的目标检测基于多元统计混合模型的目标检测基于几何方式混合模型的目标检测高光谱图像异常检测,接下来,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,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,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
4、息有无:,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,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,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,x,F(x),MdF(x),第五讲 高光谱图像目标检测,高光谱图
5、像目标检测概述基于纯点模型的目标检测纯点模型基于纯点模型的似然比检验基于纯点模型的检测方法基于多元统计混合模型的目标检测基于空间投影的混合模型目标检测高光谱图像异常检测,接下来,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:,其中:,为观测光谱向量,为目标光谱,为背景光谱。,附加噪声,或者写成如下形式:,二 基于纯点模型的目标检测,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
6、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:,为背景干扰,均值:,方差:,二 基于纯点模型的目标检测,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 )。,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,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
7、确定检测阈值。,无目标,有目标,=,二 基于纯点模型的目标检测,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:,是预先确定的虚警概率,先验光谱信息,二 基于纯点模型的目标检测,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(Match Filter)。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。,二 基于纯点模型的目标检测,基于纯点模型的似然比检验,小结:基于纯点
8、模型的似然比检验的算子形式为:分割阈值的计算为:,二 基于纯点模型的目标检测,基于纯点模型的检测方法,CEM(Constrained Energy Minimization)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,基于纯点模型的检测方法,CEM(Constrained Energy Minimization)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:,二 基于纯点模型的目标检测,基于纯点模型的检测方法,CEM(Constrain
9、ed Energy Minimization)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),二 基于纯点模型的目标检测,其中:,数据的互相关矩阵,基于纯点模型的检测方法,CEM(Constrained Energy Minimization)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。,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,CEM滤波算子,干扰模型的滤波算子,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
10、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,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:,估计均值,估计互协方差矩阵,二 基于纯点模型的目标检测,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,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
11、泥跑道,泥土地,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,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,高光谱数据降维 光谱特征提取 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 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 线性混合模型光谱解混合光谱解混合的意义、光谱解混合方法(最小二乘法)、光谱解混合的应用,混合比例系数求解的物理意义:,上一讲回顾,第四讲 高光谱图像特征提取与光谱解混合,估计误差为:,最小二乘法估计的混
12、合系数为:,上一讲回顾,第四讲 高光谱图像特征提取与光谱解混合,正交补算子,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,第五讲 高光谱图像目标检测,上一讲回顾,高光谱图像目标检测概述高光谱目标检测的优势;高光谱目标检测方法分类(按先验信息的有无、按数据观测模型、按技
13、术路线);高光谱目标检测的一般流程(空间投影、目标与背景分离)。基于纯点模型的目标检测基于多元统计混合模型的目标检测基于空间投影的混合模型目标检测高光谱图像异常检测,按先验信息有无的分类:,第五讲 高光谱图像目标检测,上一讲回顾,第五讲 高光谱图像目标检测,上一讲回顾,高光谱图像目标检测概述基于纯点模型的目标检测纯点模型(目标替代模型、干扰模型)、基于纯点模型的似然比检验(基于目标替代模型和干扰模型的二元假设检验、CFAR等)、基于纯点模型的检测方法(CEM算子)基于多元统计混合模型的目标检测基于空间投影的混合模型目标检测高光谱图像异常检测,目标替代模型干扰模型,其中:,为观测光谱向量,为目标
14、光谱,为背景光谱。,附加噪声,为背景干扰,第五讲 高光谱图像目标检测,第五讲 高光谱图像目标检测,上一讲回顾,对于目标替代模型,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:对于干扰模型,则似然函数可简化为:,无目标,有目标,=,第五讲 高光谱图像目标检测,上一讲回顾,CEM(Constrained Energy Minimization)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。,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。,CEM滤波算子,干扰模型的滤波算子,第五讲 高光谱图像
15、目标检测,上一讲回顾,第五讲 高光谱图像目标检测,高光谱图像目标检测概述基于纯点模型的目标检测基于多元统计混合模型的目标检测基于混合光谱的二元假设检验AMSD算法基于几何方式混合模型目标检测高光谱图像异常检测,接下来,基于混合光谱的二元假设检验,由于对线性混合模型认知方式的不同,混合点检测算法通常被分为两类:基于统计方式的和基于几何方式的。基于统计方式的检测算法主要从统计模型和似然比检验的角度出发,认为图像数据服从一定的统计分布,利用似然函数比构建检测器。,统计方式,统计方式认为图像的变化主要来源于随机噪声向量,在检测过程中用一个统计分布(通常为多元正态分布)来拟合。,三 基于多元统计混合模型
16、的目标检测,基于混合光谱的二元假设检验,通常认为:图像光谱变化主要来自于服从一定统计分布(例如多元正态分布)随机向量的线性组合。对线性混合模型的数学表达式拆分,将代表背景和目标的端元区分开。 其中: 矩阵形式,代表了目标空间,三 基于多元统计混合模型的目标检测,基于混合光谱的二元假设检验,这样可以得到一个判断是否存在异常的二元检测模型:由此要设计一个似然函数:,无目标,有目标,三 基于多元统计混合模型的目标检测,AMSD算法,AMSD算法利用空间投影,建立似然函数,如图,为观测值,是由背景端元构成的Q维子空间,是由目标端元构成的P维子空间,构成全空间的端元,B点是P点在背景子空间中的投影,S则
17、是它在全空间的投影。,三 基于多元统计混合模型的目标检测,AMSD算法,AMSD算法利用空间投影,建立似然函数,如图,三 基于多元统计混合模型的目标检测,B点是P点在背景子空间中最小均方估计,S则是它在全空间 上的估计值。,PSSB,即PS PB,AMSD算法,AMSD算子形式:如图,因为PS PB ,所以可利用广义似然比构建检测算子如下,三 基于多元统计混合模型的目标检测,有目标,无目标,AMSD算法,AMSD算子形式:根据三角定理,还可简化上述似然函数:可以从分子和分母的统计特性推断出检测器是服从一个F分布的统计量。其中,分子:分母:,三 基于多元统计混合模型的目标检测,AMSD算法,AM
18、SD算法是建立在先验光谱信息基础上的。在此,利用端元提取的结果,寻找全端元和背景端元,构建子空间进行投影。,三 基于多元统计混合模型的目标检测,需要先验光谱信息,AMSD算法,AMSD算法结果,三 基于多元统计混合模型的目标检测,是否属于异常子空间,检测结果与投影后图像与F分布之间比较,T3,T7,T4,T1,第五讲 高光谱图像目标检测,高光谱图像目标检测概述基于纯点模型的目标检测基于多元统计混合模型的目标检测基于几何方式混合模型的目标检测正交子空间投影算法(OSP)低概率检测算法(LPD)高光谱图像异常检测,接下来,正交子空间投影算法(OSP),几何方式的目标检测算法不涉及到数据统计分布拟合
19、的问题。基于几何方式的目标检测算法,它们来源于信号处理相关理论。这类算法的理论基础是最小二乘原理。最小二乘原理利用最小化观测值与模型之间的差距来确定它们的契合程度,它的最大优点在于不需要知道数据服从什么样的统计分布,因此它不必估计观测数据的统计参数。,四 基于几何方式混合模型的目标检测,正交子空间投影算法(OSP),在高光谱图像处理领域,利用最小二乘原理构建检测算子的方法有很多,其中以Harsanyi 和Chang提出的正交子空间投影(Orthogonal Subspace Projection,OSP)算法及其系列算法使用的最为广泛。OSP算法一般分为两步:第一步是利用正交子空间投影来抑制背
20、景,第二步是利用匹配滤波来突出目标。,四 基于几何方式混合模型的目标检测,正交子空间投影算法(OSP),类似于统计方式的检测方法,这一类异常检测方法也需要使用目标与背景分离的线性混合模型:,四 基于几何方式混合模型的目标检测,为目标光谱向量,为背景端元矩阵,为白噪声,目标信息,背景信息,正交子空间投影算法(OSP),背景端元构成一个矩阵,它是影响目标检测的主要干扰源,OSP算法的第一步是要消除背景端元矩阵OSP算子首先将观测数据投影到 子空间的正交子空间中,这个投影算子表示为,四 基于几何方式混合模型的目标检测,正交子空间投影算法(OSP),OSP算法第一步: 矩阵的构建:其中:#代表求矩阵的
21、伪逆矩阵:这一算子与最小均方理论中的正交补算子相似,四 基于几何方式混合模型的目标检测,正交子空间投影算法(OSP),OSP算法第二步:OSP第二步是找到一个 维的向量 使得输出的信噪比最大:,四 基于几何方式混合模型的目标检测,正交子空间投影算法(OSP),两步合成的OSP算法:OSP算子形式:该算子作用于混合模型公式:,四 基于几何方式混合模型的目标检测,正交子空间投影算法(OSP),OSP算子结果,四 基于几何方式混合模型的目标检测,正交子空间投影算法(OSP),OSP算法的作用是将图像中所有像素向量投影到一组矢量方向(由目标向量和背景向量共同确定)上,算法将高光谱图像立方体转化成为多幅
22、投影图像,每一个投影图像就代表一种目标的结果。,四 基于几何方式混合模型的目标检测,先验光谱信息的不同,产生不同的检测效果,正交子空间投影算法(OSP),从理论上讲,OSP算法的输出并不满足CFAR检测的要求,但在实际应用中可以假定输出数据服从某种统计分布,再利用CFAR准则来分离出图像异常。一般的,对数正态分布是一种比较好拟合分布。也可以使用一般的图像分割方法,例如基于直方图的自适应阈值法等。,四 基于几何方式混合模型的目标检测,低概率检测算法(LPD),OSP算法需要已知端元向量,算法实现要借助于端元提取的结果,特别是背景端元的提取。为了增强算法的实用性,Harsanyi提出了低概率检测(
23、Low Probability Detection,LPD)算法。LPD算法假设:目标在图像中所占的面积非常小,从整体上看发生概率较低,可视为不存在。此时,用图像显著特征值对应的特征向量取代OSP算法中的 个背景端元就构成LPD算法。,四 基于几何方式混合模型的目标检测,低概率检测算法(LPD),LPD方法利用图像互相关矩阵的较大特征值对应的特征向量,代替OSP算法中的背景端元矩阵U,即:利用该矩阵构建正交子空间。,四 基于几何方式混合模型的目标检测,低概率检测算法(LPD),机理:图像互相关矩阵的前 几个特征向量形成的主成分分量集中了图像大部分的信息。由于图像的大部分信息都是背景,因此由此建
24、立的端元矩阵则代表了图像背景的特点,从而省略了背景端元提取的步骤,增强了实用性。,四 基于几何方式混合模型的目标检测,低概率检测算法(LPD),其缺点是:由于光辐射强度是非负的,则图像互相关矩阵的第一特征向量一定是非负的。由于特征向量之间存在正交约束,因此其他特征向量一定包含负值,这样它们就不能有效代表地物光谱,该算子对背景的抑制会没有针对性。如果使用较少特征向量会降低对背景的有效抑制,但如果使用过多的特征向量,由于图像能量较多集中在前几个特征向量,由此构成的投影算子会抑制目标,因此在构建LPD算子时需要仔细考虑使用特征向量的数目。,四 基于几何方式混合模型的目标检测,第五讲 高光谱图像目标检
25、测,高光谱图像目标检测概述基于纯点模型的目标检测基于多元统计混合模型的目标检测基于几何方式混合模型的目标检测高光谱图像异常检测高光谱图像异常检测RX算法,接下来,高光谱图像异常检测,在实际应用中,要想获取先验光谱信息较难。从光谱数据库的角度来说,库存光谱曲线的标准性、适用性、完备性等都存在不足,且目前还没有通用的光谱数据库。其次,地面真实测量在实际应用(例如战场侦察)中几乎不可实现。因此图像异常检测技术成为军事遥感应用研究的重点。,五 高光谱图像异常检测,高光谱图像异常检测,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(例如:在自然背景中的人造目标),具有较强的实用性
26、。高光谱异常检测在军事侦察应用具有现实意义:异常检测可以为判读员对目标鉴别和识别提供初步结果,减少图像搜索的过程。异常检测为多传感器相互协作的广域目标检测提供感兴趣区域(ROI)。异常检测不需要背景或目标的先验光谱信息,具有较强的实用性。同时,减少了因不准确的反射率反演带来的误差,降低了标准光谱数据对真实观测数据的“污染”。,五 高光谱图像异常检测,高光谱图像异常检测,作为目标检测技术的一种特殊情况,异常检测与目标检测之间并没有本质的区别,因此,部分异常检测方法可以从目标检测方法中转化过来。关键是提取后验光谱信息来估计先验信息。异常检测也有包括纯点模型和混合点模型的检测方法。其中由Reed和X
27、iaoli Yu提出的自适应多波段的CFAR检测器是纯点模型中主要的检测算法,在没有先验信息的情况下就演化成RX算法,RX算法是目前较为广泛使用的异常检测方法之一。,五 高光谱图像异常检测,RX算法,RX检测算法是一种基于目标替代模型的异常检测算子。目标替代模型经过简化后,RX算子表示为:,无目标,有目标,其中,为图像均值,为数据的互协方差矩阵,五 高光谱图像异常检测,RX算法,RX算子实际上是计算图像波谱与均值波谱的Mahalanobis距离,是一种能量检测算子。RX算法输出具有近似的CFAR特性,其结果在理论上趋近于开方分布。算子公式中的互协方差矩阵还可以用数据的互相关矩阵代替,则RX算子
28、进一步简化为:在RX算法中,可以看到只需要数据的互相关矩阵或互协方差矩阵。,五 高光谱图像异常检测,RX算法,RX实际上是一种能量检测算子。如果用互相关矩阵的逆 的均方根分解带入算子: 则RX算子转化为:,五 高光谱图像异常检测,RX算法,变换 称之为白化或球化变换,因为它能使随机向量的的互相关矩阵成为单位矩阵,消除了波段之间的相关性。,五 高光谱图像异常检测,RX算法,RX算法结果,五 高光谱图像异常检测,RX算法,在RX算法中,只需要数据的相关矩阵,而不需要任何其他信息。因此,它的算子形式对于每个像素点都是不同的。由于没有使用任何波谱信息,RX算法的实用性较强。在实际数据处理中,它是建立在
29、多元正态分布的基础上,由于原始数据通常表现为多个正态分布的组合,因此RX更适合于用在局部范围里的异常检测。此外,由于算子是能量检测算子,对于相对背景差异不明显的异常(弱异常),其检测效果不理想。,五 高光谱图像异常检测,第五讲 高光谱图像目标检测,小 结,基于纯点模型的目标检测 CEM基于多元统计混合模型的目标检测 AMSD基于空间投影的混合模型目标检测 OSP LPD高光谱图像异常检测 RX,END,第五讲 高光谱图像目标检测,上一讲回顾,高光谱图像目标检测概述基于纯点模型的目标检测纯点模型(目标替代模型、干扰模型)、基于纯点模型的似然比检验(基于目标替代模型和干扰模型的二元假设检验、CFAR等)、基于纯点模型的检测方法(CEM算子)基于多元统计混合模型的目标检测基于混合光谱的二元假设检验(目标与背景分离模型)、AMSD算法基于空间投影的混合模型目标检测高光谱图像异常检测,第五讲 高光谱图像目标检测,上一讲回顾,高光谱图像目标检测概述基于纯点模型的目标检测基于多元统计混合模型的目标检测基于空间投影的混合模型目标检测正交子空间投影(OSP,基于线性混合模型)、低概率检测、(LPD,基于线性混合模型)高光谱图像异常检测,
链接地址:https://www.31ppt.com/p-1515925.html