本发明专利技术公开了一种基于非负矩阵分解的异常检测方法，对读取的高光谱图像进行预处理获得剔除噪声的高光谱图像，将所述获得的剔除噪声的高光谱图像进行向量转换获得二维初始化矩阵V，再对二维初始化矩阵V进行线性分解生成随机初始化基矩阵W和系数矩阵H，根据非负矩阵分解的乘性迭代法则对随机初始化基矩阵W和系数矩阵H进行迭代获得含有若干个波段的高光谱图像，最后根据局部的自适应的核密度估计算子对所述含有若干个波段的高光谱图像中含有异常信息最多的一个波段的高光谱图像进行处理，获得检测出异常目标的图像；本发明专利技术还公开了一种基于非负矩阵分解的异常检测装置，通过本发明专利技术能够消除大量的冗余波段和噪声信息，从而有效地提高了异常检测的效率。
【技术实现步骤摘要】
本专利技术属于遥感数据处理
，具体涉及一种基于非负矩阵分解的异常检测 方法及其装置。
技术介绍
遥感技术是二十世纪末人类在对地观测方面所取得的重大技术突破之一，而高光 谱遥感技术正是当前遥感的前沿技术。高光谱图像是一种三维图像，除传统图像上的二维 平面外还有光谱维。高光谱图像的每个波段都可以被单独看作一张图像，将所有波段的图 像叠加起来，会形成一个图像立方体。理论上已经证明高光谱数据立方体内光谱维间各波 段的数据有着很强的相关性，而在高维空间内部几乎不含有数据，大部分数据只集中于低 维空间，即只集中于其中少数若干波段，其余大多数波段所含的都是无意义的信息或者噪 声。因此如何对高光谱波段降维，从大量冗余波段中提取到有用的信息，便成为一项重要的 论题。 目前对高光谱图像降维的方法中，常用的有主成分分析（PCA)和独立成分分析 (ICA)两种，其中： 主成分分析是一种基于线性子空间投影的特征提取方法，它是研宄如何通过少数 几个主成分来解释多变量的协方差结构，通过导出几个主成分，使它们尽可能多地保留原 始变量的信息，且彼此间不相关。PCA也是目前高维数据降维方面应用最为广泛的一种方 法。在PCA变换后的新的子空间中，图像之间的相关性基本消除，用几个主成分就可以代表 原始数据中的大多数信息，而其中的第一主分量包含了绝大部分的信息。由于我们只取前 一到二个主分量，所以这种方法算法简单，容易实现，但是其他没有取到的波段仍然含有许 多有用的信息，因此此方法效率很低，所得结果评估较差。 独立成分分析是从多元统计数据中寻找内在因子或者成分的一种统计方法，得到 统计独立并且非高斯的成分，最终结果被称为独立成分（1C)。独立成分分析在图像处理中 得到了广泛应用，很多重要的特征信息都与图像像素的高阶统计特性有着密切的关系，ICA 方法提取的正是这些高阶信息，这也与高光谱高数据维的结构特点相符合。此方法效率要 比PCA算法高出很多，但是需要复杂的预处理过程，而且算法的随机性很高，所得结果与所 取初值有很大关系，不易实现。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种基于非负矩阵分解的异常检测方法及 其装置 为达到上述目的，本专利技术的技术方案是这样实现的： 本专利技术实施例提供一种基于非负矩阵分解的异常检测方法，该方法为：对读取的 高光谱图像进行预处理获得剔除噪声的高光谱图像，将所述获得的剔除噪声的高光谱图像 进行向量转换获得二维初始化矩阵V，再对二维初始化矩阵V进行线性分解生成随机初始 化基矩阵W和系数矩阵H，根据非负矩阵分解的乘性迭代法则对随机初始化基矩阵W和系数 矩阵H进行迭代获得含有若干个波段的高光谱图像，最后根据局部的自适应的核密度估计 算子对所述含有若干个波段的高光谱图像中含有异常信息最多的一个波段的高光谱图像 进行处理，获得检测出异常目标的图像。 上述方案中，所述根据迭代规则对随机初始化基矩阵W和系数矩阵H进行迭代获 得含有若干个个波段的高光谱图像，具体为：根据非负矩阵分解的乘性迭代法则分别对随 机初始化基矩阵W和系数矩阵H进行迭代，所述非负矩阵分解的乘性迭代法则分别为：【主权项】1. 一种基于非负矩阵分解的异常检测方法，其特征在于，该方法为：对读取的高光谱 图像进行预处理获得剔除噪声的高光谱图像，将所述获得的剔除噪声的高光谱图像进行向 量转换获得二维初始化矩阵V，再对二维初始化矩阵V进行线性分解生成随机初始化基矩 阵W和系数矩阵H，根据非负矩阵分解的乘性迭代法则对随机初始化基矩阵W和系数矩阵H 进行迭代获得含有若干个波段的高光谱图像，最后根据局部的自适应的核密度估计算子对 所述含有若干个波段的高光谱图像中含有异常信息最多的一个波段的高光谱图像进行处 理，获得检测出异常目标的图像。2. 根据权利要求1所述的基于非负矩阵分解的异常检测方法，其特征在于，所述根据 迭代规则对随机初始化基矩阵W和系数矩阵H进行迭代获得含有若干个个波段的高光谱图 像，具体为：根据非负矩阵分解的乘性迭代法则分别对随机初始化基矩阵W和系数矩阵H进 行迭代，所述非负矩阵分解的乘性迭代法则分别为：;其中i、k、j各表示行数和列数，矩阵WT、Ht 分别为矩阵W和T的转置矩阵； 根据二维初始化矩阵V与随机初始化基矩阵W和系数矩阵H之间的欧氏距离的平方作 为目标函数来衡量分解后的结果与原始矩阵的接近程度，设定阈值n，将每次迭代后的随 机初始化基矩阵w与系数矩阵H送入目标函数，获得迭代结果，如果所述迭代结果大于n 返回继续进行迭代；如果所述迭代结果小于n，则停止迭代，将系数矩阵H转变为三维的高 光谱图像，即得到含有较多异常信息的几个波段的高光谱图像。3. 根据权利要求1所述的基于非负矩阵分解的异常检测方法，其特征在于，所述根据 迭代规则对随机初始化基矩阵W和系数矩阵H进行迭代获得含有若干个波段的高光谱图 像，之后该方法还包括：根据异常检测算子PASNR将含有若干个波段的高光谱图像中若干 个波段图像按异常信息数按照大到小排列，并且从中选取5个含有最大异常信息的波段图 像再次转变为二维图像。4. 根据权利要求3所述的基于非负矩阵分解的异常检测方法，其特征在于，所述最 后根据局部的自适应的核密度估计算子对所述含有若干个波段的高光谱图像中含有异常 信息最多的一个波段的高光谱图像进行处理，获得检测出异常目标的图像，具体为：根据 LAKDE算子分别对含有5个波段的二维图像中每一部分进行处理，处理后获得整体的检测 出目标的图像。5. 根据权利要求4所述的基于非负矩阵分解的异常检测方法，其特征在于，所述根据 LAKDE算子分别对含有5个波段的二维图像中每一部分进行处理，处理后获得整体的检测 出目标的图像，具体为：所述LAKDE算子的二元假设判别函数为：其中x为待检测的样本点，XiS周围其他的样本点，N为像素数，k为核函数，用来决 定数据空间中的数据样本周围域的形状，h(k，x)为核函数的带宽，n为判别阈值，在假设 为氏的情况下，aUKDE_AD(X)大于n，x为异常目标；在假设为％的情况下，aUKDE_AD(X)小于 n，x为背景点。6. -种基于非负矩阵分解的异常检测装置，其特征在于，该装置包括：预处理模块、转 换和分解模块、迭代模块、检测模块； 所述预处理模块，用于对读取的高光谱图像进行预处理获得剔除噪声的高光谱图像； 所述转换和分解模块，用于将所述获得的剔除噪声的高光谱图像进行向量转换获得二 维初始化矩阵V，再对二维初始化矩阵V进行线性分解生成随机初始化基矩阵W和系数矩阵 H； 所述迭代模块，用于根据非负矩阵分解的乘性迭代法则对随机初始化基矩阵W和系数 矩阵H进行迭代获得含有若干个波段的高光谱图像， 所述检测模块，用于最后根据局部的自适应的核密度估计算子对所述含有若干个波段 的高光谱图像中含有异常信息最多的一个波段的高光谱图像进行处理，获得检测出异常目 标的图像。7. 根据权利要求6所述的基于非负矩阵分解的异常检测装置，其特征在于， 所述迭代模块，具体为用于根据非负矩阵分解的乘性迭代法则分别对随机初始 化基矩阵W和系数矩阵H进行迭代，所述非负矩阵分解的乘性迭代法则分别为：;其中i、k、j各表示行数和列数，矩阵WT、HT分别 本文档来自技高网...
【技术保护点】
一种基于非负矩阵分解的异常检测方法，其特征在于，该方法为：对读取的高光谱图像进行预处理获得剔除噪声的高光谱图像，将所述获得的剔除噪声的高光谱图像进行向量转换获得二维初始化矩阵V，再对二维初始化矩阵V进行线性分解生成随机初始化基矩阵W和系数矩阵H，根据非负矩阵分解的乘性迭代法则对随机初始化基矩阵W和系数矩阵H进行迭代获得含有若干个波段的高光谱图像，最后根据局部的自适应的核密度估计算子对所述含有若干个波段的高光谱图像中含有异常信息最多的一个波段的高光谱图像进行处理，获得检测出异常目标的图像。
【技术特征摘要】
【专利技术属性】
技术研发人员：周慧鑫，宋尚真，秦翰林，殷宽，曹洪源，金浩文，庞英名，延翔，杜娟，荣生辉，王炳健，王慧杰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。