一种基于神经网络的非线性高光谱图像异常目标检测方法技术

本发明专利技术公开了一种基于神经网络的非线性高光谱图像异常目标检测方法，属于遥感图像处理技术领域。其包括构造非线性主成分分析神经网络、对神经网络进行训练、以滑窗方式统计高光谱图像每个非线性特征的局部奇异值、选择出平均奇异值最大的若干个非线性主成分作为有效主成分，以及对有效主成分进行RX异常检测处理，获得基于非线性主成分分析的异常检测结果等步骤。本发明专利技术方法可以有效地实现非线性目标探测，提高RXD目标探测的结果，是对现有技术的一种重要改进。

A nonlinear hyperspectral image anomaly target detection method based on Neural Network

The invention discloses a non-linear hyperspectral image anomaly detection method based on neural network, belonging to the remote sensing image processing technology field. It includes the construction of nonlinear principal component analysis neural network, the training of neural network, the statistics of local singular values of each nonlinear feature in hyperspectral image by sliding window, the selection of several nonlinear principal components with the largest average singular value as effective principal components, and the RX anomaly detection and processing of effective principal components. The steps of anomaly detection based on nonlinear principal component analysis are obtained. The method of the invention can effectively realize nonlinear target detection and improve the result of RXD target detection, and is an important improvement of the prior art.

【技术实现步骤摘要】
一种基于神经网络的非线性高光谱图像异常目标检测方法
本专利技术涉及遥感图像处理
，特别是指一种基于神经网络的非线性高光谱图像异常目标检测方法。
技术介绍
在遥感领域中可以进行异常目标检测的形式有如下几种，但它们在性能上均存在某些缺陷：1、经典的RX异常检测算法(由Reed和XiaoliYu共同提出，故称RX方法)以及基于RX算法的改进算法大部分都是基于线性或者纯点模型，此类异常检测算法仅利用一阶和二阶图像数据统计等信息(即均值和协方差等信息)，而图像的高阶特征信息并没有被充分利用。高光谱图像，尤其是复杂背景中获取的高光谱图像，由于其具有明显的非线性特征，因此该方法难以对其进行有效处理。2、为了利用高光谱图像各波段间的非线性信息，有学者提出了利用核函数性质将RX算法应用到高维非线性核空间，由此构造出了基于核方法的RX算法，解决了非线性特征的充分利用问题。但是，该算法忽略了高光谱图像因低空间分辨率而造成的混合像元给异常目标检测带来的严重的背景干扰，此外，还存在内存占用大、运算时间过长等问题。
技术实现思路
有鉴于此，本专利技术提出一种基于神经网络的非线性高光谱图像异常目标检测方法，其具有高效率、高准确率、较好的鲁棒性等特点，能够对高光谱遥感图像中的异常目标进行有效检测。基于上述目的，本专利技术提供的技术方案是：一种基于神经网络的非线性高光谱图像异常目标检测方法，其包括以下步骤：步骤1，采用径向基函数构造具有五层结构的非线性主成分分析神经网络；步骤2，对步骤1中的神经网络进行训练，并实现基于非线性主成分分析技术的高光谱图像非线性特征提取；步骤3，以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值，以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值；对各个非线性特征的平均奇异值进行排序，选择出平均奇异值最大的若干个非线性主成分，并将这些非线性主成分作为有效主成分；步骤4，对挑选出的有效主成分进行RX异常检测处理，获得基于非线性主成分分析的异常检测结果，完成目标检测。可选的，步骤1所述的径向基函数为式中，为第i个波段的映射函数，mi为第i个波段的均值，σi为第i个波段的方差，i为波段序号；所述非线性主成分分析神经网络为具有一个输入层、一个输出层和三个隐藏层的5层神经网络；其中，输入层与输出层的神经元个数与高光谱图像波段数相同，第一、三层隐藏层神经元采用主元曲线算法计算神经元个数，第二层隐藏层的神经元个数采用虚拟维数方法确定。可选的，所述步骤2的具体方式为：(201)采用待进行异常目标检测的原始高光谱图像本身作为神经网络的训练样本，神经网络的输入和输出均为原始高光谱图像的所有波段；(202)采用基于梯度下降法的反向传播方式对神经网络进行训练，随着训练进行，输入和输出的误差逐渐减少，当达到神经网络的收敛阈值时，训练完毕；(203)利用训练好的神经网络及其参数，将原始高光谱图像输入神经网络，则第二隐藏层的输出即为高光谱图像的非线性特征。可选的，所述步骤(3)中以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值，对高光谱图像的每一个非线性特征，其局部奇异值的计算方式为：(301)构建一个大小为l1×l2的窗口，l1和l2的取值由图像大小和目标大小共同决定，初始化异常点数目q＝0，确定偏度阈值Ts和峭度阈值Tk：Ts＝χsθsTk＝χkθk，其中θs和θk为统计量参数，对l1×l2的窗口，χs和χk满足：(302)将窗口在整幅图像上进行滑动；在每个窗口位置处，计算窗口内的一阶统计量和二阶统计量，并通过一阶统计量和二阶统计量进一步计算三阶统计量S以及四阶统计量K；(304)针对窗口的每个位置，若S≥Ts且K≥TK，则此窗口内存在异常点，将异常点数目q加1；(305)窗口遍历整幅图像后，输出q值，该值即为被统计非线性特征的局部奇异值。可选的，所述步骤(3)中，选择出的有效主成分的数目为虚拟维数的2/3。从上面的叙述可以看出，本专利技术技术方案的有益效果在于：1、本专利技术通过径向基函数(RadialBasisFunction，RBF)神经网络实现非线性特征的提取，具有占用内存低，计算速度快的优势。2、本专利技术引入核方法的思想，经过非线性映射后，将原本线性不可分的目标变得线性可分，提高了检测概率。3、本专利技术具有较好的实际应用和高光谱异常目标检测的性能，能够满足高光谱遥感图像的异常目标检测应用要求。附图说明为了更加清楚地描述本专利，下面提供一幅或多幅附图，这些附图旨在对本专利的
技术介绍
、技术原理和/或某些具体实施方案做出辅助说明。需要注意的是，这些附图可以给出也可以不给出一些在本专利文字部分已有描述且属于本领域普通技术人员公知常识的具体细节；并且，因为本领域的普通技术人员完全可以结合本专利已公开的文字内容和/或附图内容，在不付出任何创造性劳动的情况下设计出更多的附图，因此下面这些附图可以涵盖也可以不涵盖本专利文字部分所叙述的所有技术方案。此外，这些附图的具体内涵需要结合本专利的文字内容予以确定，当本专利的文字内容与这些附图中的某个明显结构不相符时，需要结合本领域的公知常识以及本专利其他部分的叙述来综合判断到底是本专利的文字部分存在笔误，还是附图中存在绘制错误。特别地，以下附图均为示例性质的图片，并非旨在暗示本专利的保护范围，本领域的普通技术人员通过参考本专利所公开的文字内容和/或附图内容，可以在不付出任何创造性劳动的情况下设计出更多的附图，这些新附图所代表的技术方案依然在本专利的保护范围之内。图1是本专利技术实施例中基于非线性映射进行目标探测的原理示意图。图2是本专利技术实施例中用于实现非线性映射的神经网络的结构示意图。图3是本专利技术实施例中统计局部异常值的方法流程图。图4是本专利技术实施例中在背景目标不可分和背景目标可分两种情况下的数据模拟示意图。图5是本专利技术实施例中真实的高光谱数据飞机探测实验结果示意图。具体实施方式为了便于本领域技术人员对本专利技术方案的理解，同时，为了使本专利的技术目的、技术方案和有益效果更加清楚，并使权利要求书的保护范围得到充分支持，下面以具体案例的形式对本专利的技术方案做出进一步的、更详细的说明。一种基于神经网络的非线性高光谱图像异常目标检测方法，其原理如图1所示，包括以下步骤：步骤1，采用径向基函数构造具有五层结构的非线性主成分分析神经网络；步骤2，对步骤1中的神经网络进行训练，并实现基于非线性主成分分析技术的高光谱图像非线性特征提取；步骤3，以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值，以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值；对各个非线性特征的平均奇异值进行排序，选择出平均奇异值最大的若干个非线性主成分，并将这些非线性主成分作为有效主成分；步骤4，对挑选出的有效主成分进行RX异常检测处理，获得基于非线性主成分分析的异常检测结果，完成目标检测。可选的，步骤1所述的径向基函数为式中，为第i个波段的映射函数，mi为第i个波段的均值，σi为第i个波段的方差，i为波段序号；所述非线性主成分分析神经网络为具有一个输入层、一个输出层和三个隐藏层的5层神经网络；其中，输入层与输出层的神经元个数与高光谱图像波段数相同，第一、三层隐藏本文档来自技高网...

【技术保护点】
1.一种基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，包括以下步骤：步骤1，采用径向基函数构造具有五层结构的非线性主成分分析神经网络；步骤2，对步骤1中的神经网络进行训练，并实现基于非线性主成分分析技术的高光谱图像非线性特征提取；步骤3，以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值，以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值；对各个非线性特征的平均奇异值进行排序，选择出平均奇异值最大的若干个非线性主成分，并将这些非线性主成分作为有效主成分；步骤4，对挑选出的有效主成分进行RX异常检测处理，获得基于非线性主成分分析的异常检测结果，完成目标检测。

【技术特征摘要】
1.一种基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，包括以下步骤：步骤1，采用径向基函数构造具有五层结构的非线性主成分分析神经网络；步骤2，对步骤1中的神经网络进行训练，并实现基于非线性主成分分析技术的高光谱图像非线性特征提取；步骤3，以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值，以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值；对各个非线性特征的平均奇异值进行排序，选择出平均奇异值最大的若干个非线性主成分，并将这些非线性主成分作为有效主成分；步骤4，对挑选出的有效主成分进行RX异常检测处理，获得基于非线性主成分分析的异常检测结果，完成目标检测。2.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，步骤1所述的径向基函数为式中，为第i个波段的映射函数，mi为第i个波段的均值，σi为第i个波段的方差，i为波段序号；所述非线性主成分分析神经网络为具有一个输入层、一个输出层和三个隐藏层的5层神经网络；其中，输入层与输出层的神经元个数与高光谱图像波段数相同，第一、三层隐藏层神经元采用主元曲线算法计算神经元个数，第二层隐藏层的神经元个数采用虚拟维数方法确定。3.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，所述步骤2的具体方式为：(201)采用待进行异常目标检测的原始高光谱图像本身作为神经网络的训练样本，神经...

【专利技术属性】
技术研发人员：王敏，陈金勇，高峰，许妙忠，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：河北,13