基于自适应光谱波段筛选网络的高光谱遮挡效果评估方法

摘要

本发明提供一种基于自适应光谱波段筛选网络的高光谱遮挡效果评估方法，解决现有高光谱遮挡效果评估方法易受复杂成像环境等因素导致的噪声干扰，难以较好地进行遮挡效果评估的问题。该方法包括以下步骤：1)构建高光谱遮挡效果评估数据库；2)构建回归模型；3)优化回归模型；4)获取遮挡效果评估分数。本发明基于自适应光谱波段筛选网络的高光谱遮挡效果评估方法能从不同成像环境下的高光谱图像中学习出有效的特征，提高遮挡效果评估准确率，可以应用于复杂成像环境下的高光谱遮挡效果评估、目标识别等领域。

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于自适应光谱波段筛选 网络的高光谱遮挡效果评估方法。

背景技术

现有遮挡技术通常利用各种遮挡材质涂层，让被遮挡目标和地物背景的 表观在视觉上一致，使得遮挡目标可以隐藏于背景之中，以避免被光学成像 设备拍摄到。高光谱成像技术可同时捕获观测对象的空间结构信息和光谱信 号，包含了观测对象本征的物理、化学材质特性，在遮挡效果评估等任务中 受到广泛关注。因此，对高光谱图像的光谱信号进行建模分析，可评估不同 遮挡材质涂层对目标的遮挡效果。

传统高光谱遮挡效果评估方法一般组合多种评价指标(如：光谱信息散 度、光谱梯度角等)来度量被遮挡目标和地物背景的光谱信号差异，并根据 光谱信号差异来评估目标的被遮挡效果。Guo等人在“Guo T,Hua W,Liu X,et al.Comprehensive evaluation ofoptical camouflage effect based on hyperspectra[J].Laser&OptoelectronicsProgress,2016,053(010):90-96.”中同 时利用光谱曲线形状、光谱欧式距离和地物纹理矢量距离三个评价指标，进 行高光谱遮挡效果评估。Yan等人在“Yan Y,Hua W,Zhang Y,etal. Hyperspectral camouflage target characteristic analysis[C].InternationalSymposium on Advanced Optical Manufacturing and Testing Technologies:Optoelectronic Materials and Devices for Sensing and Imaging.InternationalSociety for Optics and Photonics,2019.”中利用欧氏距离、光谱信息散度、光谱 角度和光谱梯度角度分别评估遮挡目标和地物背景的光谱信号差异。然而， 高光谱图像的光谱信号往往受成像环境、设备噪声等影响，使得同一地物背 景可能呈现不同光谱信号，从而干扰遮挡效果评估。

综上所述，现有高光谱遮挡效果评估方法通常组合多种评价指标直接对 遮挡目标和周围背景的光谱信号进行度量分析，易受复杂成像环境等因素导 致的噪声干扰，难以较好地进行遮挡效果评估。

发明内容

本发明的目的是解决现有高光谱遮挡效果评估方法易受复杂成像环境等 因素导致的噪声干扰，难以较好地进行遮挡效果评估的问题，提出一种基于 自适应光谱波段筛选网络的高光谱遮挡效果评估方法，该方法利用深度卷积 神经网络自适应挖掘对于区分目标和地物背景具有判别性的光谱波段，提取 深层特征，提高遮挡效果评估的精度。

为实现上述目的，本发明采用如下技术方案：

一种基于自适应光谱波段筛选网络的高光谱遮挡效果评估方法，包括以 下步骤：

步骤一、构建高光谱遮挡效果评估数据库；

采集不同成像环境下，包含复杂背景和被遮挡目标的高光谱图像，并对 高光谱图像中目标被遮挡的效果进行评估，从而构建高光谱遮挡效果评估数 据库；

步骤二、构建回归模型；

2.1)将高光谱图像划分为多个子区域；

利用高光谱成像设备的相机光谱灵敏度函数将高光谱遮挡效果评估数据 库中的高光谱图像映射成RGB图像，再使用在ImageNet数据集上预训练的深 度分割网络将RGB图像划分为多个子区域，然后根据RGB图像中子区域的空 间位置把高光谱图像划分为多个子区域；

2.2)筛选具有判别性的光谱波段；

将步骤2.1)中获取的子区域输入至光谱波段筛选模块，为每个高光谱图 像的子区域筛选出对区分目标和背景具有判别性的光谱波段，得到经过光谱 波段筛选后的高光谱图像子区域；

2.3)获取各子区域的最终特征；

将步骤2.2)获取的高光谱图像子区域先利用卷积操作分别构建光谱特征 提取模块和空间特征提取模块，采用全局平均池化操作构建最终特征提取模 块，然后依次将步骤2.1)获取的高光谱图像的各子区域输入到光谱特征提取 模块、空间特征提取模块和最终特征提取模块，提取出各子区域的最终特征；

2.4)根据步骤2.3)获取的各子区域的最终特征，对高光谱图像子区域的 最终特征建立回归模型；

步骤三、优化回归模型；

在高光谱遮挡效果评估数据库中利用随机梯度方法优化回归模型，直至 回归模型收敛；

步骤四、获取遮挡效果评估分数；

采集被评估的高光谱图像，将该高光谱图像输入至优化后的回归模型中 进行评估，得到遮挡目标的遮挡效果评估分数。

进一步地，步骤2.1)中，将高光谱图像划分为多个子区域具体包括以下 步骤：

2.11)根据高光谱成像设备的相机光谱灵敏度函数将高光谱遮挡效果评估 数据库中的高光谱图像

2.12)利用在ImageNet数据集上预训练的DeepLab v3方法将RGB图像

2.13)根据RGB图像中

进一步地，步骤2.2)筛选具有判别性的光谱波段具体包括以下步骤：

2.21)使用零值对高光谱图像的各子区域X

2.22)将步骤2.21)处理后的子区域输入至光谱波段筛选模块，为每个高 光谱图像的子区域筛选出对区分目标和背景具有判别性的光谱波段，得到经 过光谱波段筛选后的高光谱图像子区域；

光谱波段筛选模块主要包含一个全局池化层，一个全连接层和一个 sigmoid激活函数层；

首先，全局池化层用于融合子区域X

然后，将子区域X

α＝sigmoid(W*GP(X

其中，

最后，将得到的α与X

其中，

进一步地，步骤2.3)获取各子区域的最终特征具体为：

2.31)构建光谱特征提取模块，利用卷积核空间尺寸为1×1的卷积层，从 经过光谱波段筛选模块后的高光谱图像子区域

2.32)构建空间特征提取模块，利用卷积核空间尺寸为3×3的卷积层从光 谱特征

其中，conv(·)表示卷积操作，

2.33)构建最终特征提取模块，利用全局平均池化操作，提取高光谱图像 子区域

2.34)依次将高光谱图像中各子区域X

其中，GP(·)表示全局平均池化操作。

进一步地，步骤三中，优化回归模型具体包括以下步骤：

将高光谱图像中子区域X

其中，

其中，y

进一步地，步骤一中，高光谱遮挡效果评估数据库中，高光谱图像的评 估分数在区间[0,1]内，分数越大表示遮挡效果越好，分数越小表示遮挡效果 越差。

与现有技术相比，本发明方法具有如下有益效果：

1.本发明方法首次将深度卷积神经网络引入到高光谱遮挡效果评估中，利 用光谱波段筛选模块自适应地筛选出具有判别性的光谱波段，可以提高高光 谱遮挡效果评估的准确率。

2.本发明方法可以从不同成像环境下的高光谱图像中学习出有效的特征， 克服传统方法易受复杂成像环境干扰问题，本发明可应用于复杂成像环境下 的高光谱图像遮挡效果评估。

附图说明

图1为本发明基于自适应光谱波段筛选网络的高光谱遮挡效果评估方法 流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。本领域技术人员 应当理解的是，这些实施方式仅仅用来解释本发明的技术原理，目的并不是 用来限制本发明的保护范围。

本发明提供一种基于自适应光谱波段筛选网络的高光谱遮挡效果评估方 法，该方法包括以下步骤：1)构建高光谱遮挡效果评估数据库；2)构建回 归模型；3)优化回归模型；4)获取遮挡效果评估分数。本发明基于自适应 光谱波段筛选网络的高光谱遮挡效果评估方法能从不同成像环境下的高光谱 图像中学习出有效的特征，提高遮挡效果评估准确率，可以应用于复杂成像 环境下的高光谱遮挡效果评估、目标识别等领域。

如图1所示，本发明提供的基于自适应光谱波段筛选网络的高光谱遮挡效 果评估方法，主要包括以下步骤：

步骤一、构建高光谱遮挡效果评估数据库；

采集不同季节、天气、光照、地点、设备等成像环境下的包含复杂地物 背景和被遮挡目标的高光谱图像，并对这些高光谱图像中目标的被遮挡效果 进行评估，评估分数在区间[0,1]内，分数越大表示遮挡效果越好，分数越小 表示遮挡效果越差，这样就构建出高光谱遮挡效果评估数据库；

步骤二、构建回归模型；

2.1)将高光谱图像划分为多个子区域；

利用高光谱成像设备的相机光谱灵敏度函数(camera spectral sensitivityfunction)将高光谱图像映射成RGB图像，再使用在ImageNet数据集上预训练 的深度分割网络将RGB图像划分为多个子区域，然后根据RGB图像中子区域 的空间位置把高光谱图像划分为多个子区域；

高光谱图像可能包含多种被遮挡目标和多种地物背景，且被遮挡目标和 地物背景之间有着相似的表观。为了自动评估遮挡效果，根据图像的表观信 息，对高光谱图像进行子区域划分，使每个子区域仅包含一种地物背景。假 设高光谱图像

2.2)筛选具有判别性的光谱波段；

将步骤2.1)中获取的子区域输入至光谱波段筛选模块，为每个高光谱图 像的子区域筛选出对区分目标和背景具有判别性的光谱波段，得到经过光谱 波段筛选后的高光谱图像子区域；

构建光谱波段筛选模块，以任务驱动的方式为每个子区域X

α＝sigmoid(W*GP(X

其中，

其中，

2.3)获取各子区域的最终特征；

将步骤2.2)获取的高光谱图像子区域先利用卷积操作分别构建光谱特征 提取模块和空间特征提取模块，采用全局平均池化操作构建最终特征提取模 块，然后依次将步骤2.1)获取的高光谱图像的各子区域输入到光谱特征提取 模块、空间特征提取模块和最终特征提取模块，提取出各子区域的最终特征；

2.31)构建光谱特征提取模块，利用卷积核空间尺寸为1×1的卷积层，从 经过光谱波段筛选模块后的高光谱图像子区域

2.32)构建空间特征提取模块，利用卷积核空间尺寸为3×3的卷积层从光 谱特征

其中，conv(·)表示卷积操作，

2.33)构建最终特征提取模块，利用全局平均池化操作，提取高光谱图像 子区域

2.34)由于不同高光谱子区域X

其中，GP(·)表示全局平均池化操作；

2.4)根据步骤2.3)获取的各子区域的最终特征，对高光谱图像子区域的 最终特征建立回归模型；

步骤三、优化回归模型；

在高光谱遮挡效果评估数据库中利用随机梯度方法优化回归模型，直至 回归模型收敛，模型收敛的条件是：达到最大迭代次数；

将高光谱图像中子区域X

其中，

其中，y

步骤四、获取遮挡效果评估分数；

采集被评估的高光谱图像，将该高光谱图像输入至步骤三优化后的回归 模型中进行评估，得到遮挡目标的遮挡效果评估分数。