基于非负稀疏特性的高光谱图像异常检测方法技术

基于非负稀疏特性的高光谱图像异常检测方法，属于高光谱异常检测领域。解决现有高光谱图像异常检测的准确性低的问题。本发明专利技术方法包括如下步骤：步骤一：根据高光谱图像X获取光谱图像的非负稀疏矩阵St′；步骤二：根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度；步骤三：通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测。本发明专利技术主要用于对高光谱图像进行异常检测。

Anomaly detection method for hyperspectral images based on non negative sparse features

A hyperspectral image anomaly detection method based on non negative sparse features belongs to the field of hyperspectral anomaly detection. The problem of low accuracy of existing hyperspectral image anomaly detection is solved. The method of the invention comprises the following steps: the first step is to obtain the non-negative sparse matrix St'of the spectral image according to the hyperspectral image X; the second step is to detect the anomaly of the hyperspectral image X according to the non-negative sparse matrix St' and obtain the anomaly degree of each pixel in the hyperspectral image; the third step is to segment the anomaly degree of each pixel according to the high spectral image by the threshold value; The anomaly degree of each pixel in the spectral image determines whether the pixel corresponding to each anomaly degree is anomaly, so as to complete the anomaly detection of hyperspectral image. The invention is mainly used for anomaly detection of hyperspectral images.

【技术实现步骤摘要】
基于非负稀疏特性的高光谱图像异常检测方法
本专利技术属于高光谱异常检测领域。
技术介绍
高光谱遥感是一种能对地物进行精细观测的信息获取手段，高光谱图像中的异常具有出现概率低、存在数目少等特性，所蕴含的信息量较为丰富，因此具有一定的研究价值。由于异常本身所具有的稀疏特性，稀疏表示在高光谱异常检测领域拥有较好的应用前景。但目前对于如何有效利用稀疏表示进行异常检测还在探索阶段。此外，目前稀疏系数求解并没有考虑系数的非负约束，导致系数中存在着负值，这与高光谱线性光谱混合模型的非负约束相违背，因此在一定程度上限制了检测效果，即，限制了高光谱异常检测的准确率的提高，限制了在图像分析领域的发展。为了充分利用高光谱图像异常的稀疏特性，挖掘高光谱数据更为丰富的信息内容，结合线性混合模型的实际物理意义，亟需提供一种新型的高光谱图像异常检测方法，以提供图像异常检测的准确率。
技术实现思路
本专利技术是为了解决现有高光谱图像异常检测的准确性低的问题，本专利技术提供了一种基于非负稀疏特性的高光谱图像异常检测方法。基于非负稀疏特性的高光谱图像异常检测方法，该方法包括如下步骤：步骤一：根据高光谱图像X获取光谱图像的非负稀疏矩阵St′；步骤二：根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度；步骤三：通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测。优选的是，所述步骤一中，根据高光谱图像X获取光谱图像的非负稀疏矩阵St′的具体过程为：采用非负稀疏编码方法对高光谱图像X进行处理，得到高光谱图像的非负稀疏矩阵St′。优选的是，步骤二中，根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度的具体过程为：对高光谱图像的非负稀疏矩阵St′进行稀疏得分估计，计算出高光谱图像中每个像元的异常度。优选的是，步骤三中，通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测的具体过程为：通过阈值分割方式，将高光谱图像中每个像元的异常度与分割阈值thr进行比较，当异常度大于分割阈值thr时，则确定该异常度所对应的像元为异常，从而完成对高光谱图像异常检测。优选的是，所述采用非负稀疏编码方法对高光谱图像X进行处理，得到高光谱图像的非负稀疏矩阵St′的具体过程为：步骤一一：利用KSVD算法从高光谱图像X中获取非负字典集D；所述高光谱图像X为b×num的二维矩阵，其中，b为整数，且b为高光谱图像的波段数；num为高光谱图像所包含的像元数；步骤一二：利用生成函数随机生成大小为n×num的非负系数矩阵St；t为迭代更新次数，t为整数，t的初值为1，n为非负字典集D的原子个数；步骤一三：根据高光谱图像X、非负字典集D和非负系数矩阵St获得重构残差err，err＝||X-DSt||2，判断重构残差err是否小于迭代阈值Th，结果为是，当前的非负系数矩阵St为期望得到的非负稀疏矩阵St′，结果为否，执行步骤一四；步骤一四：迭代更新St，令t＝t+1，St＝St-1.×(DTX)./(DTDSt-1+λ)，执行步骤一三；其中，λ为标量，取λ<1；.×表示矩阵元素对应相乘；./表示矩阵元素对应相除；||||2表示2范数约束。优选的是，对高光谱图像的非负稀疏矩阵St′进行稀疏得分估计，计算出高光谱图像中每个像元的异常度的具体过程为：步骤二一：利用非负稀疏矩阵St′得到非负字典集D中所有原子的利用率集合P；步骤二二：根据所有原子的利用率集合P计算原子利用率熵值θ＝-log2(P)，并对熵值θ进行归一化，得到归一化熵值其中，||||2表示2范数约束；步骤二三：反演像元异常度，根据归一化熵值θ*和非负稀疏矩阵St′获得高光谱图像所有像元的异常度其中，δSSEAD为num维向量，该向量中的每一个值代表着对应的高光谱图像中像元的异常度；num为高光谱图像所包含的像元数。优选的是，步骤二一中，利用非负稀疏矩阵St′得到非负字典集D中所有原子的利用率集合P的具体过程为：根据非负稀疏矩阵St′得到非负字典集D中第j个原子的利用率从而获得非负字典集所有原子的利用率集合P＝[p1,p2,...pj...pn]T；表示非负稀疏矩阵St′中第j行第i列的值，j和i为整数；表示非负稀疏矩阵St′中第j行第m列的值，m为整数；n为非负字典集D的原子个数。优选的是，所述非负系数矩阵St中的每一列代表高光谱图像X中对应像元在非负字典集D上的稀疏表示。优选的是，Th取值范围为[1,5]。稀疏得分估计的异常检测算法主要利用异常与背景所对应的字典原子在稀疏表示过程中使用率不同进行检测。若某一字典原子被多个待检测像元所利用，那么可以认为，该字典原子应该是背景字典原子，由它主要构成的待检测像元应为背景像元，反之，若某一字典原子只被少数像元所用，且对应的稀疏表示系数较大，则该字典原子大概率是异常字典原子，由此可以判断是否为异常像元。本专利技术带来的有益效果是，本专利技术对稀疏表示进行非负约束，得到非负稀疏矩阵St′，并利用非负稀疏矩阵St′对高光谱图像X进行异常检测进行异常检测，以提高高光谱图像异常检测的准确性，使其准确性提高了30％以上。附图说明图1为本专利技术所述基于非负稀疏特性的高光谱图像异常检测方法的流程图；图2为圣地亚哥机场和格尔夫波特机场的原始图和相应的异常真值图，其中，图2(a)为圣地亚哥机场图像原始图，图2(b)为图2(a)的异常真值图；图2(c)为格尔夫波特机场图像原始图，图2(d)为图2(c)的异常真值图；图3为非负稀疏得分估计的检测结果图及阈值分割后最终结果图，其中，图3(a)为圣地亚哥机场非负稀疏得分估计检测结果；图3(b)为图3(a)的)阈值分割结果图；图3(c)为格尔夫波特机场非负稀疏得分估计检测结果，图3(d)为图3(c)的阈值分割结果图；图4为稀疏得分估计的检测结果图及阈值分割后最终结果图，其中，图4(a)为圣地亚哥机场稀疏得分估计检测结果；图4(b)为图4(a)的)阈值分割结果图；图4(c)为格尔夫波特机场稀疏得分估计检测结果，图4(d)为图4(c)的阈值分割结果图；图5为圣地亚哥机场和格尔夫波特机场检测结果ROC曲线图；其中，图5(a)为圣地亚哥机场检测结果ROC曲线图；曲线A1表示采用非负稀疏得分估计方法检测出的圣地亚哥机场的ROC曲线；曲线A2表示采用稀疏得分估计方法检测出的圣地亚哥机场的ROC曲线；图5(b)为格尔夫波特机场检测结果ROC曲线图；曲线A3表示采用非负稀疏得分估计方法检测出的格尔夫波特机场的ROC曲线；曲线A4表示采用稀疏得分估计方法检测出的格尔夫波特机场的ROC曲线。具体实施方式具体实施方式一：参见图1说明本实施方式，本实施方式所述基于非负稀疏特性的高光谱图像异常检测方法，该方法包括如下步骤：步骤一：根据高光谱图像X获取光谱图像的非负稀疏矩阵St′；步骤二：根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度；步骤三：通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测。本实施方式中，步本文档来自技高网...

【技术保护点】
1.基于非负稀疏特性的高光谱图像异常检测方法，其特征在于，该方法包括如下步骤：步骤一：根据高光谱图像X获取光谱图像的非负稀疏矩阵St′；步骤二：根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度；步骤三：通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测。

【技术特征摘要】
1.基于非负稀疏特性的高光谱图像异常检测方法，其特征在于，该方法包括如下步骤：步骤一：根据高光谱图像X获取光谱图像的非负稀疏矩阵St′；步骤二：根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度；步骤三：通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测。2.根据权利要求1所述的基于非负稀疏特性的高光谱图像异常检测方法，其特征在于，所述步骤一中，根据高光谱图像X获取光谱图像的非负稀疏矩阵St′的具体过程为：采用非负稀疏编码方法对高光谱图像X进行处理，得到高光谱图像的非负稀疏矩阵St′。3.根据权利要求1或2所述的基于非负稀疏特性的高光谱图像异常检测方法，其特征在于，步骤二中，根据非负稀疏矩阵St′对高光谱图像X进行异常检测，获取高光谱图像中每个像元的异常度的具体过程为：对高光谱图像的非负稀疏矩阵St′进行稀疏得分估计，计算出高光谱图像中每个像元的异常度。4.根据权利要求3所述的基于非负稀疏特性的高光谱图像异常检测方法，其特征在于，步骤三中，通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否为异常，从而完成对高光谱图像异常检测的具体过程为：通过阈值分割方式，将高光谱图像中每个像元的异常度与分割阈值thr进行比较，当异常度大于分割阈值thr时，则确定该异常度所对应的像元为异常，从而完成对高光谱图像异常检测。5.根据权利要求2所述的基于非负稀疏特性的高光谱图像异常检测方法，其特征在于，所述采用非负稀疏编码方法对高光谱图像X进行处理，得到高光谱图像的非负稀疏矩阵St′的具体过程为：步骤一一：利用KSVD算法从高光谱图像X中获取非负字典集D；所述高光谱图像X为b×num的二维矩阵，其中，b为整数，且b为高光谱图像的波段数；num为高光谱图像所包含的像元数；步骤一二：利用生成函数随机生成大小为n×num的非负系数矩阵St；t为迭代更新次数，t为整数，t的初值为1，n为非负字典集D的原子个数；步骤一三：根据高光谱图像X、非负字典集D和...

【专利技术属性】
技术研发人员：张钧萍，孙邱鹏，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23