(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210699264.5 (22)申请日 2022.06.20 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 雷杰　吉轲　谢卫莹　张鑫　 李云松　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/20(2022.01) G06V 10/44(2022.01) G06V 10/58(2022.01) G06V 10/774(2022.01) (54)发明名称 基于张量学习的高光谱图像目标检测方法 (57)摘要 本发明公开了一种基于张量学习的高光谱 图像目标检测方法， 其实现步骤为： 步骤1， 生成 训练集； 步骤2， 构建张量学习 网络； 步骤3， 训练 张量学习网路； 步骤4， 对待检测高光谱图像进行 目标检测； 步骤5， 更新目标检测结果矩阵； 步骤 6， 将更新后的矩阵作为高光谱图像目标检测的 结果。 本发明通过构建张量学习网络， 以岭回归 RR算法为基础， 利用广义张量回归捕捉了高光谱 图像内部的物理信息和逻辑信息， 主要解决了 现 有技术对目标与背景的信息的不完整捕捉的问 题， 对检测结果的约束不足造成的检测不准确问 题， 有效的利用了光谱信息， 提高了高光谱图像 目标检测的精度。 权利要求书2页 说明书6页 附图2页 CN 115131661 A 2022.09.30 CN 115131661 A 1.一种基于张量学习的高光谱图像目标检测方法， 其特征在于， 构建一个张量学习网 络对高光谱图像训练， 构建一个约束模块对高光谱图像目标检测结果进行约束； 该检测方 法的步骤 包括如下： 步骤1.生成训练集： 步骤1.1， 选取一张大小为L ×M1×M2的待检测高分辨率高光谱图像 L表示待检测高 光谱图像的波段的总数， M1×M2表示待检测高光谱图像每个波段中像素点的总数， 使用约束 能量最小化算法对待检测高分辨 率高光谱图像预处 理， 得到伪标签矩阵f； 步骤1.2， 从伪标签矩阵f中选取背景样本与目标样本； 步骤1.3， 从步骤1.1所述的待检测高分辨率高光谱图像中找出与伪标签矩阵f的每一 行每一列对应的元素， 再从找出的所有 元素中挑选与伪标签矩阵f中元素值为 1对应位置的 元素点为目标样本， 挑选与伪标签矩阵f中元素值为0对应位置的元素点为背景样本， 将背 景样本按元素值从小到大的顺序排列， 将从背景样本中选取前25％的背 景样本与所有的目 标样本组成训练集； 步骤2， 根据R R回归算法， 构建张量学习网络如下： 其中， g(w)表示张量学习网络， 表示使得括号中式子取得最小值时W(n)的取值， 表示标签矩阵的张量形式， 表示训练集的张量形式， W表示权重矩阵， 表示求F范 数平方的操作， 表示 和W的n模积， λ表示 正则化参数， 0< λ<1； 步骤3.训练张量学习网络； 步骤3.1， 生成标签张量 和张量 并设置网络训练窗口大小； 步骤3.2， 将 和 分别输入到张量学习网络中， 迭代更新张量学习网络中权重矩阵W 中的每一个元 素值， 直至W中的元 素值不再变化 为止， 得到训练好的张量学习网络； 步骤4.按照下式， 对待检测高光谱图像进行目标检测： 其中， y表示待检测高光谱 图像输入到张量学习网络中输出的检测结果， 表示 使得括号中的式子取 得最大值时的a取值， βa(·)表示括号中的一维向量的第a个元 素； 步骤5.更新目标检测结果y矩阵： 从张量学习网络输出的目标检测结果y矩阵中找出元素值为0的所有元素， 再从矩阵f 中找出与y矩阵中元素值为0的元素对应位置的元素， 判断两个元素值是否相等， 若相等， 则 保持y矩阵中该 元素值不变， 否则， 将该 元素值更新 为1； 步骤6.将更新后的矩阵y做为高光谱图像目标检测的结果。 2.根据权利要求1所述的基于张量学习的高光谱图像目标检测方法， 其特征在于， 步骤权　利　要　求　书 1/2 页 2 CN 115131661 A 21.1中所述的约束能量 最小化算法的公式如下： 其中， 表示使得括号中式子取得最小值时b的取值， N表示待检测高光谱图像的 像素总数， d表示目标先验光谱向量， yi表示每个像素点通过线性滤波器后的输出能量大 小， r表示待检测高光谱图像经过二维化和归一化后的矩阵， R表示待检测高光谱图像的自 相关矩阵， f表示伪标签矩阵。 3.根据权利要求1所述的基于张量学习的高光谱图像目标检测方法， 其特征在于， 步骤 1.2中所述的从伪标签矩阵f中选取背景样本与目标样本是由下式实现的： 其中， τ表示阈值， 取值范围为[0,1]， C(i,j)表示伪标签矩阵f第i行， 第j列的样本值， 0 <i<M1， 0<j<M2； 将伪标签矩阵f中大于或等于τ的像素点判定为目标样本， 小于τ的像素点判定为背景 样本。 4.根据权利要求1所述的基于张量学习的高光谱图像目标检测方法， 其特征在于， 步骤 3.1中所述生成标签张量 和张量 指的是： 将步骤1.1所得到的标签矩阵与训练窗口做 矩阵扩充操作， 得到标签张量 将步骤1.3所得到的训练集与训练窗口做矩阵扩充操作， 得到张量 5.根据权利要求1所述的基于张量学习的高光谱图像目标检测方法， 其特征在于， 步骤 3.1中所述设置网络训练窗口大小是从窗口大小为3 ×3、 5×5和7×7的窗口中随机选取一 个窗口。权　利　要　求　书 2/2 页 3 CN 115131661 A 3