【技術實現步驟摘要】
本專利技術屬于遙感影像在軌智能處理領域，涉及一種基于高光譜影像的機場目標在軌檢測識別方法。
技術介紹
1、隨著天基遙感對地觀測技術不斷成熟，其獲取地物與目標的手段呈現多樣化發展，主要包括高分光學、高分sar、紅外感知、電子偵察等。高光譜遙感對地觀測技術為機場飛機目標在軌檢測與識別提供了重要途徑。不同于可見光、sar以及紅外等遙感手段，其主要技術原理在于通過獲取地物成千上百的譜段反射信息，根據地物的連續不同光譜反射特征信息，采用異常檢測或者光譜匹配等方法，實現信息反演與各類敏感目標識別。當前基于光學遙感的機場飛機目標檢測與識別主要采用目標形狀、紋理等信息進行在軌處理，檢測率與識別率較低，且受地物干擾導致虛警率較高。因此，需構建一種能夠充分利用高光譜單譜段目標空間特征信息、多譜段光譜匹配信息以及已有參考底圖信息進行多源信息融合的方法，提高機場目標的在軌發現與快速預警能力。
技術實現思路
1、本專利技術所要解決的問題是，針對高光譜對地觀測衛星獲取的機場目標影像，提出一種基于高光譜影像的機場目標在軌檢測識別方法，是一種能夠充分利用高光譜單譜段目標空間特征信息、多譜段光譜匹配信息以及已有參考底圖信息進行多源信息融合的方法，提高機場目標的在軌發現與快速預警能力。
2、本專利技術的技術方案為：一種基于高光譜影像的機場目標在軌檢測識別方法，包括以下步驟：
3、步驟1，基于輻射與光譜定標系數，對獲取的高光譜機場影像進行輻射校正與光譜校正；
4、步驟2，基于機場飛機
5、步驟3，選取單波段影像，基于空間特征信息，采用深度學習模型實現機場目標快速檢測；
6、步驟4，基于目標光譜特性庫信息，進行目標光譜匹配檢測，得到機場目標檢測識別結果；
7、步驟5，根據步驟3與4得到的檢測識別結果以及已有參考底圖信息，采用決策級融合方法進行綜合篩選與鑒別，得到機場飛機目標識別結果。
8、進一步的，步驟1中所述輻射校正是將高光譜影像dn值數據轉換為輻亮度圖像，設原始dn值圖像為xmn，相對輻射定標系數為cmn，暗電流為dmn，其中，m為單元數，n為波段數，則相對較正后的圖像為：
9、
10、對相對輻射校正后的圖像進行絕對輻射校正，設絕對輻射定標系數為sn，則：
11、
12、其中，cmn，dmn行列數與圖像一致，sn與波段數一致。
13、進一步的，步驟1中所述光譜校正需要的探測元中心波長位置矩陣，由實驗室光譜定標給出，即每個探測器都需要提供實驗室光譜定標系數矩陣；步驟1.1，對于探元中心波長位置矩陣wl(nc,nb)，取中間列對應的中心波長向量wl_out為輸出的中心波長向量；步驟1.2，基于探元中心波長位置矩陣wl(nc,nb)對高光譜影像img(nl,nc,nb)進行重采樣，使得輸出的影像數據img_out(nl,nc,nb)對應中心波長。
14、進一步的，步驟2中所述波段選擇，是根據飛機目標光譜特征庫，直接從原始波段中選擇出相應波段序號的影像數據。
15、進一步的，步驟2中所述端元提取，其輸入是已選譜段的高光譜圖像，輸出是場景內的典型目標光譜和對應的豐度圖；采用實時最大單形體體積端元提取算法，以線性光譜混合模型為基礎，通過迭代求解最大單形體體積，得到構成單形體的頂點作為端元，再對端元提取結果使用最小二乘反演算法進行豐度反演，得到對應的豐度圖。
16、進一步的，步驟3具體如下：基于已有可見光的遙感圖像，對機場飛機目標進行標注，并將其劃分為訓練集以及驗證集，接著利用訓練集中的圖片對yolo-v2網絡模型進行訓練，最后利用訓練好的模型對星上實時獲取的單波段圖像進行機場飛機目標的檢測。
17、進一步的，步驟4具體如下：基于選取多波段光譜影像計算自相關矩陣r以及對應的逆矩陣inv_r，根據飛機目標光譜特征向量s計算匹配性算子w，計算公式表示如下：
18、
19、設定目標光譜匹配閾值，當相關性算子大于閾值，則判定為飛機目標，否則表示地物背景。
20、進一步的，步驟5中所述底圖包含的信息如下：圖像分辨率、分塊信息、分塊特征點坐標及其描述，roi多邊形定點；
21、基于影像成像時刻軌道參數信息轉化成大地經緯度信息，實現被選定的單波段圖像與參考底圖控制點的快速配準；
22、利用配準關系，實現標注在底圖上的機場感興趣區域在單波段圖像上的映射定位，對步驟3與4得到的檢測識別結果進行篩選，即檢測目標處于感興趣區域外，則被判定為虛警目標；
23、采用d-s證據理論，通過分別建立給定波段飛機目標深度學習檢測、光譜匹配目標檢測的置信概率、可信度權值，生成基本概率函數，基于等價關系的知識約簡建立數據信息與鑒定決策的關系生成混合概率函數，形成對機場飛機目標的綜合鑒別決策，實現精準融合識別。
24、本專利技術提供的基于高光譜影像的機場飛機目標在軌精準檢測識別處理方法，可以充分利用目標幾何特征、紋理特征、地面底圖信息以及光譜特征，提高機場目標的在軌檢測識別率，降低地物復雜性所引起的飛機目標虛警率。
本文檔來自技高網...【技術保護點】
1.一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟1中所述輻射校正是將高光譜影像DN值數據轉換為輻亮度圖像，設原始DN值圖像為Xmn，相對輻射定標系數為Cmn，暗電流為Dmn，其中，m為單元數，n為波段數，則相對較正后的圖像為：
3.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟1中所述光譜校正需要的探測元中心波長位置矩陣，由實驗室光譜定標給出，即每個探測器都需要提供實驗室光譜定標系數矩陣；步驟1.1，對于探元中心波長位置矩陣wl(nc,nb)，取中間列對應的中心波長向量wl_out為輸出的中心波長向量；步驟1.2，基于探元中心波長位置矩陣wl(nc,nb)對高光譜影像img(nl,nc,nb)進行重采樣，使得輸出的影像數據img_out(nl,nc,nb)對應中心波長。
4.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟2中所述波段選擇，是根據飛機目標光譜特征
5.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟2中所述端元提取，其輸入是已選譜段的高光譜圖像，輸出是場景內的典型目標光譜和對應的豐度圖；采用實時最大單形體體積端元提取算法，以線性光譜混合模型為基礎，通過迭代求解最大單形體體積，得到構成單形體的頂點作為端元，再對端元提取結果使用最小二乘反演算法進行豐度反演，得到對應的豐度圖。
6.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟3具體如下：基于已有可見光的遙感圖像，對機場飛機目標進行標注，并將其劃分為訓練集以及驗證集，接著利用訓練集中的圖片對YOLO-V2網絡模型進行訓練，最后利用訓練好的模型對星上實時獲取的單波段圖像進行機場飛機目標的檢測。
7.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟4具體如下：基于選取多波段光譜影像計算自相關矩陣R以及對應的逆矩陣INV_R，根據飛機目標光譜特征向量S計算匹配性算子W，計算公式表示如下：
8.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟5中所述底圖包含的信息如下：圖像分辨率、分塊信息、分塊特征點坐標及其描述，ROI多邊形定點；
...【技術特征摘要】
1.一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟1中所述輻射校正是將高光譜影像dn值數據轉換為輻亮度圖像，設原始dn值圖像為xmn，相對輻射定標系數為cmn，暗電流為dmn，其中，m為單元數，n為波段數，則相對較正后的圖像為：
3.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟1中所述光譜校正需要的探測元中心波長位置矩陣，由實驗室光譜定標給出，即每個探測器都需要提供實驗室光譜定標系數矩陣；步驟1.1，對于探元中心波長位置矩陣wl(nc,nb)，取中間列對應的中心波長向量wl_out為輸出的中心波長向量；步驟1.2，基于探元中心波長位置矩陣wl(nc,nb)對高光譜影像img(nl,nc,nb)進行重采樣，使得輸出的影像數據img_out(nl,nc,nb)對應中心波長。
4.根據權利要求1所述的一種基于高光譜影像的機場目標在軌檢測識別方法，其特征在于：步驟2中所述波段選擇，是根據飛機目標光譜特征庫，直接從原始波段中選擇出相應波段序號的影像數據。
5.根據權利要求1所述的一種...
【專利技術屬性】
技術研發人員：范城城，張永合，
申請(專利權)人：中國科學院微小衛星創新研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。