高光谱影像图谱信息目标检测的研究(可编辑)
高光谱影像图谱信息目标检测的研究
华中科技大学
硕士学位论文
高光谱影像图谱信息目标检测研究
姓名:谭静
申请学位级别:硕士
专业:通信与信息系统
指导教师:田岩
2011-01-24
华 中 科 技 大 学 硕 士 学
位 论 文
摘 要
在模式识别领域中,基于图像的目标检测与识别始终是最具有实用价值和重
要意义的研究方向之一,特别是在航空航天领域,它已经成为了卫星导航定位的
一项关键技术。但目前该技术依然存在两个缺陷,导致其还难以满足实际的要求:
(1)在基于模板匹配的目标检测技术中,要求目标与预先给定的参考模板基本
一致,但是在实际情况中,目标的角度、尺度甚至是灰度分布可能发生很大变化;
(2 )在基于光谱匹配的目标检测技术中,由于地物固有的光谱不确定性,会导
致结果出现很大偏差。本文主要针对上述两个问题进行了研究。
针对模板相关匹配算法在实时图发生大角度旋转和大比例尺度变化时,定位
结果可能会发生偏差的问题,本文提出了一种基于对数极坐标变换的模板匹配改
进方法。方法的基本思想是:首先通过对数极坐标变换,获得目标的可信赖区域,
并将其作为新的模板图;其次,利用对数极坐标变换能将尺寸和旋转变化为位移
的特性,估计模板对数极坐标图相对于实时目标图的偏移量,从而对模板图进行
最后,利用校正后的模板图对实时图遍历匹配求得目标的位置。所提校正。
方法
对于存在旋转、尺度、平移变化的目标能够自动地检测和识别定位。
高光谱图像由于具有图谱合一的特性,为遥感探测提供了崭新的手段。但在
实际情形中,由于大气、传感器、地理位置等因素加之地物本身的复杂性的影响,
会使得地物的光谱曲线会发生变异,产生不确定性,从而导致“同物异谱”和“异
物同谱”的发生,这对利用光谱匹配进行地物识别带来困难。对此,本文基
于地
物目标的光谱不确定性的考虑,提出了一种基于光谱不确定性的目标检测算
法。
首先对上述因素产生的光谱不确定性进行
分析
定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析
,获知地物的不确定性及其定
量指
即不确定度;进而将不确定度引入到光谱检测的算法中,以期提升传统标,
光谱
识别算法的性能。实验结果验证了所提方法的有效性。
关键词:高光谱影像,目标检测,对数极坐标变换,模板匹配,不确定性分
析
I
华 中 科 技 大 学 硕 士 学 位 论 文
Abstract
In the field of pattern recognition, image-based
object detection and recognition
are always the most practical value and importance of the research direction.
Particularly in the aerospace field, it has become a key satellite navigation
technology. However, there are still two major shortcomings of the technology causing
it doesn’t meet the requirements in practice. The first shortcoming is that the template
matching based method requires that the given target and reference images should be
consistent in their sizes; however, there are certain difference between the target and
template images since their angles and scales even the gray may be changed to certain
exten; the second problem is that for the target detection techniques based on spectral
matching, it will cause results to a large deviation due to the uncertainty of the
spectrums. In this paper, the traditional algorithms for the above two issues were
studied.
For the detection method based on the template matching technique, in order to
overcome the disadvantage casued by the variations of angles and sizes, an
improved template matching method based on the Log-polar transform was proposed.
The entire schme of the proposed method was consist the following components:
firstly, by Log-polar transform, the matching relibale region was obtained and used for
the new template map; secondly, using the characteristics of Log-polar transform
which can transform the size and rotation into the displacement in the Log-polar field,
to estimate the bias between the matched image pair; and then the real image was
corrected by the above bias. The final matching result was obtained by the corrected
real image in the relabile region.
Different from the traditional detecting technique, hyperspectral remote sensing
not only provides 2D images of space, but also the spectral information. The fact that
different objects have different spectrums was the foundation of the image
classification based on spectrums. However, in practice, the object spectrum was not
stationary because of the influence of geographical
position, sensors, environment,
and so on, which casued the phenomena of “same object with different spectrums ”
and “different objects same image ”. The uncertainty of spectrum deduced the
performance of the image calssion method based on spectrum. Considering the impact
of uncertainty on the spectrum uncertainty, an newly detection method was proposed.
By analyzing the spectrum untainty, and quantitative indicators of spectrum
uncertainty was described. Thus by introducing the uncertainty into the traditional
II
华 中 科 技 大 学 硕
士 学 位 论 文
spectral detection algorithms, an modified detection method was designed.
Theorectical analysis shows that the execllent performance of the proposed methed.
And several experimental results also demonstrate the effectiveness of the proposed
method.
Keywords: Hyperspectral image, Target detection, Log-polar transforms, Template
matching, Uncertainty analysis
III
独创性声明
本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及
取得
的研究成果。尽我所知,除文中已经标明引用的内容外,本论文不包含任何
其它
个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集
体,均已在文中以明确方式标明。本人完全意识到,本声明的法律结果由本人承
担。
学位论文作者签名:
日期: 年 月 日
学位论文版权使用授权书
本学位论文作者完全了解学校有关保留、使用学位论文的规定,即:学校有
权保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和
借阅。本人授权华中科技大学可以将本学位元论文的全部或部分内容编入有关数
据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
保密? ,在_____年解密后适用本授权书。
本论文属于
不保密?。
(请在以上方框内打“?”)
学位论文作者签名: 指导教师签名:
日期: 年 月 日 日期: 年 月 日
华 中 科 技 大 学 硕 士 学 位 论 文
1 引 言
1.1 概述
从二十世纪八十年代以来,空间技术、信息技术和传感器技术的飞速发展,
使得人类获得高空间、光谱和时间分辨率的遥感影像成为可能。高光谱遥感
[1]
Hyperspectral Remote Sensing 技术是当下最具活力的遥感手段之一 。高光谱遥
感通过搭载在不同空间平台上的高光谱传感器,即成像光谱仪 Imaging
Spectrometer ,在一定波长范围内,以数十至数百个连续且细分的光谱波段对地
表区域同时成像。这样在获得地表图像信息的同时,也获得了其光谱信息。由于
兼具丰富的光谱信息和图像信息,高光谱遥感可以实现多波段和单波段遥感器无
法胜任的目标探测任务。
目前基于高光谱数据的目标探测和识别基本上都是从三个途径进行
的:图像
维、特征维以及光谱维。地物的空间信息变化以及分布主要是由图像维来表示的,
高光谱的图像维可以对地物的分布和变化做出形象的显示[2] 。基于图像维的目标
形状、灰度分布等,所以该类算法对信检测算法主要依靠基于目标的边缘、
噪比、
空间分辨率具有很高的要求。高光谱数据中的每个像元都对应一条谱线,它们一
起组成了高光谱的光谱维。一般来说,地物的光谱具有物质“唯一性”,即由于
地物本身的成分含量的不同,不同地物的光谱曲线并不相同,因此能更加有效的
区分不同物质。同时高光谱图像能同时提供目标的空间维信息和光谱维信息,为
目标的特征提取、融合和识别提供了数据基础。目前高光谱遥感已经在植被生物
量估计、环境检测、地质岩矿的识别、海洋水色定量检测、植被的精细分类以及
城市规划等诸多领域得到了广泛的应用。
1.2 研究现状和发展趋势
目前,随着高光谱技术的高速发展,各种基于高光谱影像的处理和分析算法
被提出。按照高光谱数据的特征分析,其目标探测算法也可以从图像空间、特征
空间、光谱空间入手。由于高光谱图像其光谱分辨率高,相比多光谱数据,能够
比较完整表示的地物的特征空间单形体结构,所以针对高光谱数据特点的目标检
测算法便有着迫切的需要。
基于高光谱图像的目标检测和识别是高光谱遥感技术的重要应用之一。对于
1
华 中 科 技 大 学 硕 士 学 位 论 文
高光谱数据而言,传统的目标检测算法因未考虑其光谱信息已不能完全满足要
求。考虑到传统的检测算法的检测和识别效率高,可被作为初检测算法,减少检
测范围。目前,高光谱影像的目标检测技术主要可以分为:基于图像维信息的目
标检测技术和基于光谱维信息的目标技术。下面进行简单介绍:
基于图像维的目标检测技术
基于图像维的目标检测技术的一般过程包括图像预处理、图像分割、特征提
取、模型匹配。如果原始图像质量不高(如信噪比低下),目标特征很模糊,则
需要对原始数据进行预处理,提高图像信噪比。图像分割是按照一定的准则
把原
始数据进行分割,将图像中背景和目标进行分离,被分割区域尽量满足同质性和
唯一性。特征提取是在图像分割的基础上,在目标区提取能表现目标特征的各种
如:空间特征、形状特征、灰度特征、纹理特征等。模型匹配是指将信息,
提取
出来的图像特征与先验的目标图像特征进行比对,判断是否吻合,最终完成整个
[2]
目标检测识别的过程 。目标检测的流程如图 1.1 所示:
图像输入
结果输出
图像预处理 图像分割 特征提取
图像匹配
图 1.1 基于图像维的检测过程
匹配是整个目标检测流程的最后也是最重要的一步。按照匹配策略的不同,
目标检测算法可分为:基于灰度匹配的目标检测技术、基于特征匹配的目标检测
技术、基于模型匹配的目标检测技术和基于变换域匹配的目标检测。
(a ) 基于灰度匹配的目标检测技术
基于灰度匹配的目标检测技术,主要是利用图像之间的灰度信息进行匹配。
它通过提出一种图像灰度的相似性指标[8]来刻画图像之间的匹配程度,该方法无
需进行图像分割和提取图像特征的过程,可以消除由图像预处理所带来的信息损
该类方法因为原理比较简单而广泛应用于定位精度估计、误差估计、收失。
敛速
度估计等方面。但由于只考虑的单个像素点的灰度信息而没有利用灰度统计特
征,因此匹配效率不高,检测精度受图像噪声、光照条件、灰度信息变化等因素
的影响较大。此外对目标存在尺度变化和角度变化时并不适用。
(b ) 基于特征匹配的目标检测技术
基于图像特征的目标检测技术主要用于参考图和实时图不同源的情形。由于
利用图像特征进行检测,因此特征选择成为这类算法有效实施的关键。特征选择
的目的是构造对比例、旋转、缩放、灰度变换具有不变性的特征[9] [10] 。其主要优
2
华 中 科 技 大 学 硕 士 学 位 论 文
点是有目的提取图像的显著特征,减少图像的冗余信息。该类算法有一定的鲁棒
性,对含有轻微扭曲和一定噪声的图像都可以适用。但该方法也存在着不少缺点:
(1)算法
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
非常复杂,没有一般规律可遵循,需要针对具体的目标数据选择
合适的匹配模型;(2 )不能够充分利用图像信息,只是依靠特征来代表目标全部
信息,所以提取特征的质量很大程度上决定了检测精度。
(c ) 基于模型匹配的目标检测技术
在机器视觉领域,基于模型匹配的目标检测技术使用最多。它主要是模拟人
眼对目标识别过程,如“Snake”模型[10]一主动轮廓模型。它的主要优点是无需
目标的先验信息,不受目标结构的限制,能表示任何形状,但它也有明显的缺点:
检测精度受制于模板的噪声强度和初始位置,而且迭代过程容易陷入局部最优。
(d ) 基于变换域的目标检测技术
变换域的目标检测是指通过数学方法变换的方法,将图像数据从一个特征域
变换到另一个特征域的检测方法,如傅立叶变换检测、对数极坐标变换检测、小
基于变换域的目标检测具有良好的鲁棒性,其检测精度对图波变换检测等。
像噪
声、光照条件、灰度信息变化等因素容忍性高,对图像之间存在较大尺度和旋转
的情形也有良好的适用性。
基于光谱维的目标检测技术
基于光谱维的目标检测主要是利用目标光谱信息。光谱匹配是目前光谱维目
标检测方法中使用最为广泛也最为成熟的一项技术。
由于地物的光谱曲线具有唯一性,因此可以利用地物光谱曲线的形状可以作
为判别地物类别归属的
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
。一般来说,利用某种准则比较两条光谱曲线形状相
似度来判断地物的类别。从目前研究方向来看,按照使用方法可以将其分为两个
[2]
途径 :
1 . 建立光谱数据库,对于未知地物的光谱曲线,将其与数据库中地物光谱
曲线进行相似度计算,进而将其划归到与其相似度最大的类别中。
2 . 不需要数据库数据,从高光谱影像像元的光谱曲线出发,根据光谱形状
相似度准则,比较两两光谱之间的相似性,按照像元之间光谱相似程度进行类别
划分。
目前,基于光谱维的目标检测技术,一般有两个技术难点待解决:一
是光谱
[2]
匹配准则;二是建立自然界地物标准光谱数据库 。
由于高光谱数据的特征,基于光谱维目标高光谱检测算法和传统多光谱目标
检测算法有着明显的不同,下面主要介绍几种典型的方法:
3
华 中 科 技 大 学 硕 士 学 位 论 文
基于最小距离准则的目标检测算法
该算法的基本准则是:地物的光谱向量可以看成高维坐标空间的点,当两个
点之间的距离很小时,即认为这两条光谱曲线是相似的。用于刻画两光谱距离接
近与否可以使用一个阈值来判断。这种方法主要适用于已知各个类别的参考
光谱
曲线的情形。
通常以如下方式来表示向量之间的距离[14] :
D x , y [?xi ?y i λ ]1/ λ (1.1)
当λ 1 时,明氏距离成为曼氏;λ 2 时,成为欧氏距离。
最小距离匹配法的流程如下:
? 输入已知的参考光谱曲线;
? 计算高光谱影像中各个未知光谱曲线与各个参考光谱曲线的距离
1/ 2
? n ?
d x ?? x ?M 2 ? (1.2)
i k kj ij
?j 1 ?
其中:i 为地物参考光谱类别数;n 为数据波段数;M 表示已知参考光谱曲
ij
线中第 i 种地物在j 波段的光谱辐射能量。
? 设d x d x , i 1, 2, „, c; c 为地物参
考光谱的类别数 ,若
m k i k min
dm xk 不超过一定的阈值,则待匹配的地物xk 属于光谱库
中的第 m 种
地物。
? 如果有 N 个待匹配的地物或像元,则循环上述步骤,依次求出
d x d x ,其中k 1,2,„,c 。
m k i k min
该算法的优点是实现直观、简单。但它的缺点也很明显:它对因成分不同产
生的光谱不确定性十分敏感,导致检测精度下降。
基于 Bhattacharyya 距离检测算法
在高光谱目标检测算法中,人们发现如果只是使用一种光谱特征作为识别与
检测的依据并不可靠。Bhattacharyya 距离充分利用了协方差、均值信息,可以很
好的度量高光谱超维空间的距离。其表达式为[15] :
1 T ?1
1 ?1 ?
B [u u ] [ / 2] [u u ] ln [ ]/
| || |
+? ? + ? ? ? +? ? ? ?
? ? 1.3
8 1 2 1 2 1 2 2 ??2 1 2
1 2 ??
式中: ? 是高光谱向量的协方差矩阵;u 是其参考光谱平均向量。
i i
最大似然算法(MLC )
最大似然算法主要是假设高光谱向量服从高斯分布,通过目标
样本
保单样本pdf木马病毒样本下载上虞风机样本下载直线导轨样本下载电脑病毒样本下载
计
算其高
4
华 中 科 技 大 学 硕 士 学 位 论 文
斯分布的参数,然后求得待定光谱属于该类的最大概率,比较概率大小来判
定目
标地物种类。最大似然算法的判别公式如下表示[16] :
T ?1
g x ?ln ? ? x ?m ? x ?m 1.4
i i i i
i
式中 C 是类别数;总光谱波段数为 N ;第i 类均值向量为m ,x 为像元光谱
i
向量, ?i 为第 i 类N ×N 的协方差阵。
通常设定同类地物的高光谱向量服从高斯分布,否则可将其正交化。其判别
函数为:
D X P ω | x , i 1,2,..., m 1.5
i i
若D X ?D X , i ?j , j 1,2,...,m ,则x 为ω 类。
i j i
光谱角度匹配 SAM
两个光谱向量之间的夹角就叫做光谱角,光谱角算法主要是指:通过
参考光
参考光谱向谱向量与待测光谱向量之间的夹角来表征两向量之间的相关性。
量可
[2]
从高光谱影像中提取或通过野外、实验室测量得到 。两光谱之间的夹角计
算如
下[17] :
1/ 2 1/2
?nb ?? nb ? ? nb ? ??
α cos?1 ??t r ???t 2 ? ??r 2 ? ?? 1.6
??i 1 i i ???i 1 i ? ?i 1
i ? ????
该算法对乘性噪声不敏感,能有效改善检测精度。检测流程如下:
? 提取目标的参考光谱向量;
? 计算高光谱影像中每一待测光谱向量与目标参考光谱向量之间的夹角
0 ~ π/ 2
α (变化范围为 )。
i
? 设定阈值 T,如果待测光谱与目标参考光谱之间夹角小于某个阈值,则
将其判定为目标像元。
交叉相关光谱匹配
该算法由 Bakker 于 1997 年提出的光谱相似度准则得到,交叉相关
光谱匹配
技术主要借鉴了图像匹配中的互相关算法,利用相关系数准则比较目标参考
光谱
与待测光谱之间的相似程度。主要度量指标有:相关显著性标准、偏度、相
关系
通过计算不同匹配位置时目标参考光谱与测试光谱之间的相关系数,确数。
定待
测光谱的地物种类。目标参考光谱在匹配位置 M 时与待测光谱的相关系数
为[18] :
? R ?R R ?R
r r t t
rm
1.7
[? R ?R 2 ][?
R ?R 2 ]
r r t
t
5
华 中 科 技 大 学 硕 士 学
位 论 文
式中:R 、R 分别是为待测光谱和目标光谱;
r t
n 为目标光谱和待测光谱重叠光谱波段数;
m 为交叉匹配位置。
根据协方差的性质可将上式改写为:
n R R ? R R
? ? ?
r t r t
rm 1.8
2 2 2 2
[n R ? R ][n R ? R ]
? ? ? ?
r r t t
当r 1时,说明两光谱完全相同.
m
综上所述,虽然目前已有了大量的高光谱目标检测方法,但针对具体问
题,
检测算法的性能仍有提升空间。主要原因有二:
1. 传统的基于空间维检测算法的局限性
基于空间信息的目标检测算法主要是利用目标的灰度、形状等信息来进
行,
如常用的模板匹配算法。传统的基于模板匹配的目标检测要求目标和事先给定的
模板图像基本一致。但在实际情况中,目标和模板图像可能存在着方向、尺度甚
至是灰度分布的差异,这显然会导致匹配算法性能下降甚至失效。
2. 地物固有的光谱不确定性问题
利用高光谱遥感技术可以获取地表目标近似连续的光谱辐射特性,并将这种
光谱辐射特性用光谱曲线的形式表现。一般来说对于同一地物,传感器获得的光
谱曲线将会有大致固定的形状,这是基于光谱识别的基础。因此可以通过分析光
谱曲线的形状、位置和走势等特征识别光谱曲线所代表的目标种类,此即基于光
谱维的目标识别算法,如光谱角匹配、欧氏距离等。但是地物光谱受到时间、地
点、物质结构等因素的影响,相同类别的地物光谱辐射特性往往并不完全一致,
而呈“谱带”状分布[5],此即光谱的不确定性,光谱不确定性的存在导致了目标
识别结果会产生一定的误差。
本文主要是针对上述两方面不足,从高光谱影像的特点出发,运用高维数据
分析方法和统计学习理论,研究光谱不确定性的形成机理及其光谱不确定性的度
量,进而构造基于光谱不确定性的识别和检测方法,以提高目标检测和识别的效
果。
1.3 论文的研究内容
本文将主要研究高光谱遥感在目标检测方面的应用,包括两个方面:其一,
针对空间维的目标匹配算法中存在目标和参考模板不一致的问题,提出了一
种基
6
华 中 科 技 大 学 硕 士 学 位 论 文
于极坐标变换的改进匹配算法,该算法能较好的克服匹配图像对之间存在尺度变
换和角度旋转的问题;其二,针对地物光谱的不确定性问题,研究了地
物光谱不
确定性的度量,并藉此改进传统的光谱识别算法。本文主体研究内容框图如图 1.2
所示。
目标检测
基于图像维目标 基于光谱维目标
检测算法 检测算法
择 选 的 域 区 信 准 置 配 对 转 旋 除 进 消 改 的 略 策 索 搜
光谱不确定性度量
欧氏距离改进策略
基于光谱不确定性的
基于对数极坐标的
目标检测算法
目标检测改进算法
图 1.2 示意图
论文具体内容安排如下:
第二章 介绍高光谱遥感技术的基础知识和高光谱影像处理的基本方法。包
括高光谱图像的数据特点,处理方法。
第三章 针对基于图像维的目标检测算法的缺点,本文提出了一种基于对数
极坐标变换的模板匹配算法,并给出了实验结果以及与其它方法的对比。
第四章 分析了光谱不确定性的产生机理,提出了光谱不确定性的度量方法,
并基于光谱不确定性度量对高光谱检测算法进行改进。
第五章 总结
全文
企业安全文化建设方案企业安全文化建设导则安全文明施工及保证措施创建安全文明校园实施方案创建安全文明工地监理工作情况
,并对未来可能的研究方向进行了展望。
7
华 中 科 技 大 学 硕 士 学 位 论 文
2 基于高光谱图像的目标检测
2.1 高光谱图像的分析方法
从分析的过程上来看,高光谱图像的分析包括预处理、特征提取、检测和识
别等,从维度上来看,高光谱的图像分析又可以分为图像空间维,光谱维和联合
空间等。本章主要对主要的高光谱图像分析方法进行简明的介绍,并分析其优缺
点,明确本文工作的源起和意义。
2.1.1 高光谱影像的预处理方法
高光谱遥感数据和传统遥感数据具有明显的不同特点,因此它们的分析与处
理方法也有很大区别。对于高光谱遥感数据来说,波段选择、图像融合等方法被
广泛应用。根据高光谱数据数据冗余的特点,预处理的主要目的就是在尽量保留
信息的同时减少数据量,这样既有利于进行图像的特征提取,也有利于减少检测、
分类等处理的时间。
数据降维
高光谱图像的高光谱分辨率固然是其突出特点,但是它也带来了相邻的波段
相关性较大、数据冗余度高的缺点,所以需要对数据进行筛选。筛选的方式主要
有两种:波段选择和光谱维变换。
波段选择是指在原有的波段中直接剔除冗余度高的波段而保留独立性强的
波段。通过波段选择的手段可以达到“降低数据维数”的目的。这样既可以减少
数据的维数,还可以保留大部分光谱数据信息。波段选择的原则主要如下[20] :
(1) 在给定选择波段数的前提下,对于所需区分几种地物类别来说,利用
所选择的波段或波段组合最容易区别;
(2 ) 在未给定选择波段数的前提下,达到需求时,所选择的波段数最少。
由于方差是信息量大小的一种刻画方式,因此可将方差作为波段选择的一个
重要依据。由于高光谱图像相邻波段间的相关性很大,所以方差最大的几个波段
很可能是相邻的几个波段,显然这样并不能获得最多的信息。因此选择波段组合
还需要求所选择的波段之间相关性要小。即这两个条件要相互制约,方式时,
缺
一不可。常用到的判定准则有:最佳指数[25]、组合波段的协方差矩阵行列式[22-24]
和熵与联合熵[21]等。
波段选择还可以采取光谱维变换方式进行,如主成份分析 (PCA )方法[26][27],
8
华 中 科 技 大 学 硕 士 学 位 论 文
一般情况下,这种方法效率高,但变换后的光谱辐射值会产生变化。
尽管已有了许多的波段选择方法,但是现有的波段选择算法还存在以下不
足:(1)选择波段数目的确定(2 )算法耗时过长:大部分的波段选择策略是基
于遍历过程,针对高光谱数据的少则几十多则几百的波段数,需要耗费大量时间。
图像融合
由于不同地物在不同波段具有不同的光谱特性,为了集成不同波段的目标特
性,使之易于解译,有必要研究高光谱图像的融合技术,即采取一定的手段,将
其主要目的多源图像按照一定方式进行组合已得到一幅信息量更高的图像,是为
了综合不同波段的优点。
数据保存
由于高光谱数据拥有三维空间,数据量很大,因此高光谱数据的存储问题也
[45]
日益突出。针对高光谱数据的谱间相关性和空间相关性,量化编码 、离散余弦
变换[43]、小波变换[44]等算法被相继提出。
2.1.2 高光谱影像的一般分析方法
高光谱探测技术的发展刺激并推动了高光谱遥感数据处理技术的发展。高光
谱遥感技术的应用领域的幅度和应用水平的深度都有了实质性的飞跃。因为高光
谱图像信息主要包括图像空间信息和光谱信息组成,因此高光谱图像的分析方法
[2]
可以大致分为两类:基于空间维的分析方法和基于光谱维的分析方法 。
1 基于空间维的分析方法
基于空间维的分析方法是基于高光谱图像单一波段或者是多波段融合后的
单色图像而言的。其分析方法可以沿用传统的图像处理方法,如:图像分割、图像
增强等。在目标定位、国土资源勘探等方面,基于空间维的处理方法以其处理速
度快、算法简单得到了广泛应用。但由于技术的限制,高光谱图像的空间分辨率
还不能和其他成像技术相比,因此基于空间维的高光谱分析方法通常只是作为辅
助分析手段。
2 基于光谱维的分析方法
基于光谱维的分析方法主要是基于不同类别的地物其光谱特征不一样,按其
用途不同,可以分为基于统计分析的方法和基于成因分析的方法两种。
基于统计分析的光谱分析方法是指利用数学工具统计分析大量的光谱数据,
分类。 从中寻找规律,并通过该规律来指导地物
从目标地物的光谱数据中发现物质含量、生长周期等自然属性的方法称作光
谱成因分析法,如:HAPKE 算法。该类分析法主要是通过构建地物光谱模型来
9
华 中 科 技 大 学 硕 士 学 位 论 文
反演地物的组份含量等参数,目前已在国土探测、野外植被勘探等领域得到了广
泛应用[34][35] 。
由于高光谱技术的广阔前景,目前世界上越来越多了研究机构投入其中,很
多性能优异的高光谱成像仪被研制出来。与高速发展的光谱硬件相比,高光谱数
[2]
据使用效率仍然不足。我国从 1980 年开始引进和发展高光谱数据处理系统 ,
有效的开展了大量针对性的实验,积极参加相关领域的国际基础研究,但与欧美
的发达国家相比,还存在很大的差距。
2.2 小结
本章主要对高光谱数据分析和处理方法进行了介绍和分析。指出了目前高光
谱图像检测面临的困难和主要问题,进而明确了本文的研究方向。
10
华 中 科 技 大 学 硕 士 学 位 论 文
3 基于对数极坐标的图像维目标检测算法
3.1 引言
在图像维进行检测时,模板匹配方法是应用最为频繁和有效的方法之一。但
在实际利用中,模板图和实时图之间由于存在取景角度、高度以及气候条件等差
异,导致目标和模板图像之间存在旋转、尺度变化,从而对匹配精度产生很大影
响。针对这一问题,人们往往希望利用一些算法(比如不变矩理论)对实时图进
行特征提取,要求这些特征具有旋转、尺度不变性。然后利用这些特征与先验的
目标特征进行比对,完成整个目标检测过程。但目前现有的图像特征提取算
法大
多是针对目标具有规则形状提出的,而且精度不高,所以使用这种方法的目标检
测结果并不理想。
在对视网膜视皮层映射关系的模拟研究时,人们发现图像在笛卡尔坐标系中
旋转变换映射到对数极坐标系时,转变为目标区域的纵向和横向平的尺度、
移。
对数极坐标这种特殊的“尺度、旋转不变性”特征,为解决上述问题提供了思路。
3.2 基于对数极坐标变换的目标检测算法
3.2.1 对数极坐标系
Schwartz 等科学家首先提出了 Log―polar 模型,之后 Tistarelli and Sandini、
Weiman and Juday 等科学家对其模型进行了进一步的研究并开创了对数极坐标变
换在目标运动跟踪、人工智能方面的应用。对数极坐标变换是一种特殊的图像变
换域算法,它提出了对数极坐标系的概念,并给出了由传统的笛卡尔坐标系转换
到对数极坐标系的转换模型。
下图 3.1 所示对数极坐标系与笛卡尔坐标系的对应关系图:
11
华 中 科 技 大 学 硕 士 学 位 论 文
图3.1 对数极坐标取样映射图
图3.2 为照相师图像对数极坐标映射后图像:
图3.2 照相师图像对数极坐标映射后图像
对数极坐标的性质[22] :
笛卡尔坐标系:
z x +iy
(3.1 )
极坐标系:
ρ x 2 +y 2 θ arctg y / x (3.2 )
对数极坐标系:
ε log ρ ω θ (3.3 )
k
针对目标图像发生尺度变化情况:如某目标图像以注视点为中心放大
倍,
变换式对应如下:
ε log k * ρ (3.4 )
1
分解后有:
12
华 中 科 技 大 学 硕 士 学
位 论 文
ε log k +log ρ
(3.5 )
1
即:
ε ε+log k
(3.6 )
1
目标尺度变化相当于映射变换图向下移动log k 个单位。
针对目标图像发生旋转变化情况:目标围绕注视点旋转 L 弧度,有:
ω ω+L
(3.7 )
1
相当于映射变换图向右移动 L 个单位,这两个性质被称为距离不变性与角度
3.3 所示: 不变性。如下图
a 原图 b 原图缩小一半 c 逆时针旋转 20 ?
d 与 a 对应的对数极坐标图 e 与 b 对应的对数极坐标图 f 对 c 对应的对数极坐标图
图3.3 变换样图
3.2.2 基于对数极坐标变换的目标检测算法
由于对数极坐标系具有的这种旋转、尺度不变性的性质,人们设计出了一种
基于对数极坐标变换的目标检测算法。简述算法如下[29] :首先根据公式计算出实
时图进行对数极坐标变换后的图像,然后在大视场图中的每一个位置提取与目标
同样大小的区域,最后对该区域图像同样进行对数极坐标变换。若再对这两幅对
数极坐标变换图像进行相似性度量,则可得到一个在该位置上的相似性度量值。
13
华 中 科 技 大 学 硕 士 学 位 论 文
N N
????S i , j m, n ?S i , j ??×??T m, n ?T ??
C i, j m 1 n 1
(3.8 )
N N 2 N N 2
????S i , j m, n ?S i , j ?? × ????T m, n ?T ??
m 1 n 1 m 1 n 1
其中,假设待搜索图像 S 的尺寸为M ×M ,模板 T 的尺寸为N ×N ,其中M
N 代表图像象素个数。模板 T 在图像 S 上平移,搜索窗口所覆盖的子图记作 S i , j ,
i, j 为子图的左上角顶点在搜索图 S 中的坐标。
将模板图像在搜索图像中进行遍历,得到每一位置处的相似性度量值,选择
相似性值较大处的位置作为最后的搜索定位结果(也就是选取阈值,大于阈值的
可以看成目标)。如图3.4 所示:
注视点选择
实时图 对数极坐标变换 变换图 匹
配
运
算
基准变换图
图3.4 传统算法流程图
3.3 基于对数极坐标的目标检测的改进算法
3.3.1 置信区域的选择
由图3.3 可以看出,b 图相对a 图缩小了 1/2。而其对数坐标转换图d 图相对
于 e 图的变化主要是:转换后图像的其上大部分都是沿半径轴向上平移,其最下
端引入了由于尺度变小带来的新的信息。
对数极坐标转换性质决定了把一幅图像转换为其对数极坐标图时,当尺度发
生变化时,变换后的图像不仅会发生平移变换,而且会使得其图像中引入新的信
息;尺度放大时,变换后的图像的最上端将引入非线性放大的原图像的中心区域,
对于变换后的对数极坐标图,其最下端会引入非目标区域的背尺度缩小时,
景信
息。综上,对于基于对数极坐标变换的目标检测算法,不能直接利用变换后的图
像进行匹配,而应该找出两幅图像中有对应关系的部分(通常称之为置信区域)
进行匹配计算。在传统算法中,都是利用变换后图像的中间部分作为置信区域进
行计算,但在实际中,由于没有定量的描述手段,导致该区域选择非常不稳定,
14
华 中 科 技 大 学 硕 士 学 位 论 文
从而影响检测精度。
根据以上分析,可以发现置信区域的大小和实时图与参考图中目标尺度的比
有关。当σ 大于 1 时,实时图中目标尺寸比参考图中目标尺寸大。因σ
此两子图
做对数极坐标变换时,实时图对应的对数极坐标图最上端会引入以前的亚像素信
息,这些都是需要剔除的区域。
以上是定性的分析结果,下面用具体的例子来说明如何定量的划分置信区
域。
背景区域的剔除
(a )原始图像
b 对数极坐标
图3.5 对数极坐标变换
如上图 3.5 (a )所示,该图像大小为:121*121,它的内切圆
半径为r 60 。
其对数极坐标图像 b 的宽度为R 121 (即原图
3.5 (a )中外切圆映射位置)。则
'
图a 内切圆映射到图像b 的位置r 为:
' log r
r R *
3.9 ) (
log 2r
'
可以计算得,r 112 ,即为下图 3.6 中所示实线位置处:
图3.6 示意图
15
华 中 科 技 大 学 硕 士 学
文 位 论
实线下方为多余的背景信息,如直接代入互相关计算就会带来多余的信息
量,因此需要去掉。
亚像素区域的剔除
通过对数极坐标映射将均匀取样的笛卡尔空间图像变换成非均匀取样的对
数极坐标空间图像,由于对数映射在坐标原点不处理,因此,称坐标原点为变换
“盲点”。同时,在接近“盲点”的圆环上,对数映射将对该环上像素过取样而
相当于产生了许多亚像素区域,很多情况下这些像素直接代入互相关计算也会带
来不必要的信息量。因此,可以确定一个最小半径
r ,将小于此半径的圆环上
min
的点形成的区域剔除。
根据对数极坐标变换公式,对数极坐标系采用一组同心圆和矩形棋盘格构成
非均匀取样网格。每一个同心圆上取样像素个数和该同心圆周长有关,它取值多
少决定了角度轴分辨率大小,而同心圆的个数决定了距离轴分辨率的大小。
由上面可以知道,当某一圆上像素点个数和变换后角度轴最大长度相等时,
r 。 该圆所取半径即为最小半径
min
2π* r R
(3.10 )
min
R
r
min
(3.11 )
2π
式(3.10 )中的R 为图像变换后角度轴长度。图 3.7 示出了上述的
思想。
图3.7 飞机极坐标变换组图
如图 3.8 所示,该图大小为(121*121),变换后图像大小为(121*121),
则
最小半径为:
R 121
r ?19
(3.12 )
min
π π
2 2
所以剔除区域如下图 3.8 所示 图像中实线以上部分 :
16
华 中 科 技 大 学 硕 士 学 位 论 文
图 3.8 剔除示意图
置信区域的选择
当已知目标尺度大小比σ 时,则图像放大缩小后反映在其相应的对数
极坐标
图像上的图像偏移量为dr ,则其dr 为:
logσ
dr R *
(3.13 )
log 2r
σ
当 小于 1 时,实时图中目标尺寸比参考图中目标尺寸小,实时图对应的对
数极坐标图从最下端向上dr 位置就会引入非目标的背景信息。反之,参考图中
目标尺寸比实时图中目标尺寸小时,参考图对应的对数极坐标图从最上端向下
dr 位置就会引入以前的亚像素信息。
根据上述原则,我们可以设置置信区域,
R log r log σ
R * ?R *
实时图置信区域为:
( , ) (3.14 )
2π log 2r log 2r
R log σ log r
+R * R *
参考图置信区域为:
( , ) (3.15 )
2π log 2r log 2r
其中σ 为实时图和参考图目标尺度大小比,R 为转换后图像的宽度, r
为
原图内切圆半径。
以下图3.9 为例进行说明:
17
华 中 科 技 大 学 硕 士 学 位 论 文
实时图 参考图
实时图对应的对数图 参考图对应的对数图
图 3.9 实时图与参考图的对数极坐标变换图
如图 3.9 所示,实时图和参考图目标尺度大小比σ 为 0.5,则利用式(3.13 )
计算其 dr 19 ,因此实时图对应的对数图其置信区域为(19,112-19),而参考
图对应的对数图其置信区域为(19+19,112),如下图 3.10 所示(实线之间图像):
图置信区域 参考图 实时图对应的对数
对应的对数图置信区域
图 3.10 实时图与参考图置信区的确定
这样就定量的设置了置信区域,从而可以有效的消除目标尺度变化、背景信
息、扩大化的亚像素信息给对数图中带来的除平移以外的新的信息,使其互相关
值更加有效、准确,从而有助于提高匹配的精度。
3.3.2 消除大尺度旋转对配准的影响
利用传统算法进行试验时,可以发现对于发生尺度变化的目标识别能力较
18
华 中 科 技 大 学 硕 士 学 位 论 文
好,而对于发生旋转变化的目标识别能力较弱(只能对发现旋转角度较小的目
标)。这是由于对数极坐标变换对于旋转目标相当于进行了角度轴的平移,因此
互相关值很小而无法发现目标。在解决这个问题之间,先了解一个基本知识:
a 图 b 图
c 图 d 图
图3.11 旋转对数极坐标示例
根据对数极坐标理论,当只存在旋转变换时,转换阵图像就表现为平行于角
度轴的左右平移,即目标旋转后变换阵呈现左右的平移,而投影信号本身的形状
并未改变(如图3.11所示)。因此,若实时图与标准图为同一目标,那么通过一定
地循环移位操作,两幅图像的灰度分布将存在一个最佳匹配位置,此位置处两幅
图像的相关系数趋近于1。
通过以上分析,可以通过某种算法求得该平移量,然后根据平移量对图像进
行校正,那么自然可以克服大尺度旋转对配准的影响。由于旋转变换只是对
角度
轴的平移,所以其角度轴投影可以作为其特征进行运行,相似度公式如下:
m a?1
Tnum i ?a ?Tnum i + Tnum m ?i ?Tnum i
? s g ? s g
RC a i a i 0
(3.16 )
m m
Tnum i 2 ? Tnum i 2
? s ? g
i 0 i 0
a Tnum i
其中 为横向移动的距离, s 表示实时图角度轴坐标为 i 的投影。
Tnum i 表示参考图角度轴坐标为i 的投影。这里角度轴(横坐标)投影为该横
g
坐标轴上所有像素之和。
R a a
在(3.16 )中,当 C 取得最大值时, 即为最优匹配对应的移位距离值
(即偏移量),具体过程如图3.12所示。
19
华 中 科 技 大 学 硕 士 学 位 论 文
对数极坐标参考图 对数极坐标实时图
角度轴投影 角度轴投影
移位相似度计算