基于生成对抗网络的高光谱异常检测方法技术
【技术实现步骤摘要】
基于生成对抗网络的高光谱异常检测方法
本专利技术涉及的是一种高光谱图像的异常检测方法。
技术介绍
高光谱遥感图像具有丰富的光谱信息。它在目标识别、分类、提取感兴趣目标信息领域具有很大的优势。高光谱异常检测是一种无监督的方法，该技术不需要目标和背景的先验信息，能够找出不同光谱之间与周围背景明显偏差的异常目标。在大多数情况下，目标和背景的先验信息很难获得，所以无监督的异常检测技术在实际应用中具有重要意义。在传统的RX异常检测中，通常假设高光谱数据的特征服从高斯正态分布，然后通过构建一个高斯正态分布的假设模型来估计像元属于异常点的概率。然而，由于高光谱数据的高维特性，高光谱数据集的特征通常不符合任何理想状态的数学分布，高斯正态分布很难有效地估计出高光谱数据的分布，从而导致异常检测结果的精确度较低。还有一些基于高光谱异常检测的研究中，假设高光谱图像具有非线性特性，然后对高光谱数据做非线性映射，从而达到增强目标和背景之间差异性的目的。如以RX异常检测为基础的核RX异常检测算法(KernelRX,KRX)能够将高光谱数据映射到核空间，能够有效的分离目标和背景。此外，还有基于流...
【技术保护点】
一种基于生成对抗网络的高光谱异常检测方法，其特征是：步骤(1)：构建符合高光谱图像数据特点的网络模型，网络模型由生成器G和判别器D两个网络构成，生成器G和判别器D都是由三层神经网络组成，分别为输入层、隐含层和输出层，其中判别器D是一种典型的用于二分类的网络结构，输出层只有一个单元，判别器D能够得到待测数据是否真实的概率；生成器G能够通过输入的随机噪声生成与真实高光谱数据集同维度的生成数据集；步骤(2)：使用高光谱数据集作为训练样本，训练出一个符合高光谱数据统计特性的概率模型，使用高光谱数据集作为训练样本，结合步骤(1)构建的网络模型，通过生成器G和判别器D的交替训练，训练生...
【技术特征摘要】
1.一种基于生成对抗网络的高光谱异常检测方法，其特征是：步骤(1)：构建符合高光谱图像数据特点的网络模型，网络模型由生成器G和判别器D两个网络构成，生成器G和判别器D都是由三层神经网络组成，分别为输入层、隐含层和输出层，其中判别器D是一种典型的用于二分类的网络结构，输出层只有一个单元，判别器D能够得到待测数据是否真实的概率；生成器G能够通过输入的随机噪声生成与真实高光谱数据集同维度的生成数据集；步骤(2)：使用高光谱数据集作为训练样本，训练出一个符合高光谱数据统计特性的概率模型，使用高光谱数据集作为训练样本，结合步骤(1)构建的网络模型，通过生成器G和判别器D的交替训练，训练生成器G使生成数据集G的分布无限接近于真实的高光谱数据集X，即使生成器D认为数据集G中的样本为‘真’；训练判别器D区分数据集G和X；步骤(3)：利用训练完成的判别器来计算待测像元属于真实高光谱数据集的概率，当两个模型达到稳态时，整个网络模型是一种符合高光谱数据统计规律的概率模型，生成的数据集G是一组符合真实高光谱数据统计规律的新样本集合，判别器计算出待测样本符合高光谱数据集统计规律的概率；步骤(4)：计算高光谱数据集中的每个像元的异常检测结果，将在某种程度上偏离背景分布的目标定义为异常，即异常目标的光谱信息明显不同于背景，。异常目标的检测结果定义为像元不属于高光谱数据集的概率。2.根据权利要求1所述的基于生成对抗网络的高光谱异常检测方法，其特征是步骤(1)具体包括：在生成器G中，将随机噪声z＝{z(1),z(2),...,z(M)}作为输入，M为输入随机噪声的个数，通过生成器G得到与真实高光谱数据集同维度的生成数据集G＝{g(1),g(2),...,g(M)}其中，分别代表生成器中输入层和隐含层之间的权重和偏置；分别代表生成器中隐含层和输出层之间的权重和偏置；g1,g2分别是生成器中隐含层和输出层的激活函数，设定为g(x)＝1/(1+e-x)；在判别器D中，将真实的高光谱数据集X＝{x(1),x(2),...,x(M)}和生成数据集G作为输入，则输出层的激活值为：其中，k为待测数据，来自于数据集X或G中；y∈{0,1...
【专利技术属性】
技术研发人员：赵春晖，李雪源，闫奕名，宿南，朱海峰，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23
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。