高光谱图像细粒度目标检测方法研究.pdfVIP

摘要

高光谱图像以其丰富的物质光谱信息，在地球表面动态变化理解和决策制定中占

据重要地位。通过分析图像中像素的光谱波段数据，能够精确判别特定物质类别，为

决策制定提供科学依据。然而，在目标检测方面，高光谱图像面临着复杂背景及多种

地物光谱信息的干扰，增加了细粒度目标检测的难度。为此，本文聚焦于优化特征选

择与提取策略，旨在提高高光谱目标分类和检测精度。主要工作概括如下：

（1）针对高光谱图像检测对象单一性的问题，提出了一个集成特征提取与识别

的细粒度目标检测模型。该算法利用双流网络分别提取高光谱图像的光谱和空间信

息，并引入基于光谱角度的像素加权模块，有效捕捉目标的细微光谱和空间差异，进

而精确定位目标位置。通过构建多类型目标检测数据集进行验证，该算法展现出了显

著的优越性。

（2）针对样本分布不均衡导致的检测精度问题，提出了一种基于光谱自适应增

强的类不平衡高光谱图像检测算法。该算法通过结合光谱注意力和全局上下文网络，

利用熵权法权重和训练权重对光谱波段进行加权，进而构建了一个局部信息增强的全

局上下文网络。该网络在自注意力机制提取全局上下文特征的基础上，通过卷积操作

学习局部的动态特征，并有效结合全局和局部信息，实现少样本的精准分类识别。相

关实验表明，该算法在样本分布不平衡的场景下表现出色。

（3）针对高光谱图像检测中空间和光谱特征的高度耦合问题，提出了一种自适

应细化特征的高光谱图像检测算法。该算法通过定义类别引导特征，强调对象中心的

类别信息，增强区域内的同质样本并抑制异质样本的干扰，从而降低空间特征的耦合

程度。同时，为增强模型在不同场景的泛化能力，利用门控采样机制自适应融合多模

态特征，建模更细化的类别判别特征。这一算法在不同场景中均展现出优异的性能。

综上所述，本文通过优化特征选择与提取策略，提高了高光谱目标检测精度，并

实现了细粒度目标检测。这一研究深入剖析了地球表面地物分布机制，提供了高精度

预测地质灾害和气候变化的技术支持，为政府决策、产业发展及环境保护等领域提供

有力支撑，有助于更好应对未来挑战。

关键词：高光谱图像；细粒度；目标检测；光谱自适应；门控采样机制

Abstract

Hyperspectralimageryholdsacriticalpositionintheunderstandingofdynamicchanges

ontheEarthssurfaceandindecision-makingprocessesduetoitsrichspectralinformationof

materials.Throughtheanalysisofpixelspectralbanddataintheimagery,specificmaterial

categoriescanbeaccuratelydiscerned,providingascientificfoundationfordecision-making.

Nevertheless,hyperspectralimageryencounterschallengesintargetdetectionduetocomplex

backgroundsandinterferencefrommultiplespectralinformationoflandforms,thereby

increasingthedifficultyoffine-grainedtargetdetection.Toaddressthisissue,thisstudyfocuses

onoptimizingfeatureselectionandextractionstrategiestoenhancetheaccuracyof

hyperspectraltargetclassificationanddetection.Themaincontributionsaresummarizedas

follows: