本发明涉及目标检测领域，具体涉及一种高光谱图像目标检测方法。
背景技术：
1、高光谱图像作为一种重要的遥感数据来源，其丰富的光谱信息对于目标检测和分类具有重要的价值。然而，由于高光谱图像的复杂性和噪声扰动，传统的目标检测方法往往在非线性和动态变化的情况下表现不佳。
2、高光谱图像包含数百个光谱波段，每个波段记录一定范围的电磁谱反射信息，因此包含丰富的光谱、 空间和辐射信息。出于这些原因，高光谱图像目标检测被广泛应用于地质勘探、环境保护、自然灾害检测和其他领域。因此，多年来，由于其广泛的实际应用场景，对高光谱图像目标检测越来越受到重视。为此，提出了许多技术并利用这些技术来实现这一任务，并且适用于不同的情况。
3、对于高光谱图像检测任务，传统或代表性的检测方法，例如光谱-空间方法及其组合方法，正交子空间投影和自适应余弦估计器辅以空间滤波器来实现高光谱图像检测任务，这些方法能够感知空间上下文特征。然而，鉴于高光谱图像记录了数百个连续的光谱波段，因此高光谱数据通常混合了目标和背景特征，这阻碍了纯像素基础的光谱分类器的分类。
4、目前，深度学习的巨大进展广泛地惠及了高光谱图像目标检测领域。现有技术中提出了一种基于深度学习的检测方案，无需对数据分布进行严格假设，同时考虑了线性混合，从而缓解了光谱不一致性。引入了siamese变压器网络来突破统计方法对模型假设的限制，该方法以变压器为主干来检测全局特征。此外，通过开发对抗性和弱监督学习提出了检测框架，可以在先验和背景信息有限的情况下提高检测性能。尽管基于深度学习的方法在高光谱图像检测任务上取得了竞争性能，但深度学习方法的性能取决于训练和测试数据之间的一致性，这影响了其泛化能力和灵活性。
技术实现思路
1、针对现有技术中的上述不足，本发明提供了一种高光谱图像目标检测方法。
2、为了达到上述发明目的，本发明采用的技术方案为：
3、一种高光谱图像目标检测方法，包括如下步骤：
4、s1、获取原始高光谱图像，并将所获取的原始高光谱图像重塑为像素集合矩阵；
5、s2、定义动态滤波系数向量以及对称正定矩阵，并利用所定义的动态滤波系数向量以及对称正定矩阵构建用于高光谱目标检测的强化约束能量最小化模型；
6、s3、定义拉格朗日向量，利用拉格朗日乘子法将所述动态滤波系数向量的求解公式进行转化；
7、s4、设计带有抗噪声的非线性和有界约束自适应梯度神经网络滤波器，利用所设计的滤波器实时求解动态滤波系数向量；
8、s5、利用s4所设计的滤波器迭代优化所述动态滤波系数向量，通过优化后的动态滤波系数向量过滤输出图像，并利用二值化方法提取所需图像的特征向量。
9、进一步的，所述s1中像素集合矩阵表示为：
10、<mi>h∈[</mi><msub><mi>h</mi><mn>1</mn></msub><mi>,</mi><msub><mi>h</mi><mn>2</mn></msub><mi>,⋯,</mi><msub><mi>h</mi><mi>i</mi></msub><mi>,⋯,</mi><msub><mi>h</mi><mi>n</mi></msub><mi>]∈</mi><msup><mi>r</mi><mi>k×n</mi></msup>；
11、式中，为实数，为像素集合矩阵，<msub><mi>h</mi><mi>i</mi></msub><mi>,i∈[1,n]</mi>为像素向量，为像素向量编号，为原始高光谱图像的像素个数，为原始高光谱图像的波段数。
12、进一步的，所述s2中于高光谱目标检测的强化约束能量最小化模型表示为：
13、；
14、；
15、式中，为取最小值函数，为约束；为共轭转置；为时间；为对称正定矩阵；为线性权项权重；为先验期望特征向量集合矩阵；为系数向量；为动态滤波系数向量。
16、进一步的，所述s3中转化后的动态滤波系数向量的求解公式表示为：
17、；
18、其中，为转换矩阵，为动态滤波系数向量转换向量，为系数转换向量，为原始高光谱图像的波段数，为像素向量编号，的最优解也是动态高光谱图像的最优解也是动态高光谱图像，表示为：
19、；
20、式中，为拉格朗日向量。
21、进一步的，所述s4中带有抗噪声的非线性和有界约束自适应梯度神经网络滤波器表示为：
22、；
23、式中，为动态滤波系数向量转换向量对时间求导，为噪声项，为误差函数，为对误差函数求的偏导后的转置，为激活函数，为自适应系数且：
24、；
25、其中，和为调控算法的精度的参数，为正常数，表示的2范式。
26、进一步的，所述s5中过滤输出图像的具体方式为：
27、；
28、式中，为过滤后的输出图像，为原始高光谱图像，为优化后的动态滤波向量的转置。
29、本发明具有以下有益效果：
30、（1）采用强化约束能量最小化（hcem）方案进行高光谱目标检测，通过引入时间信息和扩大解空间，以改进现有基于约束能量最小化（cem）的高光谱图像目标检测性能。
31、（2）利用非线性和有界约束自适应递归神经网络模型(nbacrnn)增强强化约束能量最小化（hcem）方案，利用梯度信息调整网络参数，实现目标函数的最小化，并结合时间导数信息加速全局高精度收敛。这种方法在提高检测方案的稳健性和准确性，降低残差误差，提升目标检测精度的同时，还能在受到噪声干扰的情况下保证全局收敛和鲁棒性。
32、（3）在非线性和有界约束自适应递归神经网络模型（nbacrnn）中，设计了误差相关系数，利用问题的误差信息，在梯度较大的情况下实现快速收敛，而不受超参数的限制。这使得模型在实际应用中可以更灵活地适应不同的计算过程和环境，从而增强了网络的稳定性和鲁棒性。
1.一种高光谱图像目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的高光谱图像目标检测方法，其特征在于，所述s1中像素集合矩阵表示为：
3.根据权利要求2所述的高光谱图像目标检测方法，其特征在于，所述s2中于高光谱目标检测的强化约束能量最小化模型表示为：
4.根据权利要求3所述的高光谱图像目标检测方法，其特征在于，所述s3中转化后的动态滤波系数向量的求解公式表示为：
5.根据权利要求4所述的高光谱图像目标检测方法，其特征在于，所述s4中带有抗噪声的非线性和有界约束自适应梯度神经网络滤波器表示为：
6.根据权利要求1所述的高光谱图像目标检测方法，其特征在于，所述s5中过滤输出图像的具体方式为：
