The invention belongs to the field of image processing and relates to a hyperspectral image anomaly detection method based on constrained sparse representation, which comprises the following steps: (S1) normalizing hyperspectral images linearly; (S2) extracting a local background dictionary according to a two-window model for each test pixel; (S3) solving band reduction according to a local background dictionary Beam sparse representation model, get the model optimal solution one; (S4) according to the model optimal solution one, all abnormal atoms are deleted from the local background dictionary to get a new background dictionary; (S5) according to the new background dictionary, solve the constrained sparse representation model, get the model optimal solution two; (S6) according to the model optimal solution two, calculate the image. (S7) traverse the entire hyperspectral image, calculate the detection value of each pixel of the hyperspectral image, output the image composed of these detection values, that is, anomaly detection image. The invention does not require background statistics and set sparsity, and improves the accuracy of reconstruction.
【技术实现步骤摘要】
一种基于带约束稀疏表示的高光谱图像异常检测方法
本专利技术属于图像处理领域,涉及一种基于带约束稀疏表示的高光谱图像异常检测方法。
技术介绍
高光谱图像目标探测是高光谱遥感应用的重要方向之一,涵盖了环境检测、城市调查、矿物填图和军事侦察等诸多领域。异常检测不需要任何目标光谱信息,具有更为广阔的应用前景。在异常检测中,异常点往往通过测试像元光谱和它局部背景光谱的显著差异来进行检测。经典的异常检测算法有Reed-Xiaoli(RX)检测器、核RX检测器、支持向量数据描述(supportvectordatadescription,SVDD)检测器等等。然而,当局部背景中含有目标信号的时候,传统的异常检测算法性能急剧下降,其中以RX算法最为显著。近年来,稀疏表示(sparserepresentation,SR)已经广泛应用到高光谱图像目标探测。这些稀疏表示算法的一个主要优势就是它们不需要对背景的统计分布做出明确假设。但它们通常都是在设置一定稀疏度的条件下进行求解的,而这个稀疏度很难解释且不能事先获知。并且,稀疏度和重构误差之间脆弱的平衡关系一直没有得到有效解决。和稀疏表示不同的是,联合表示(collaborativerepresentation,CR)异常检测器利用背景字典中所有的原子对测试像元进行表示。
技术实现思路
针对现有技术不足,为解决上述局部背景受目标信号污染的问题,以及稀疏表示中稀疏度难以确定的问题,本专利技术所采用的具体技术方案如下。一种基于带约束稀疏表示的高光谱图像异常检测方法,包括以下步骤:(S1)将高光谱图像线性规范化;(S2)对于每一个测试像元,根 ...
【技术保护点】
1.一种基于带约束稀疏表示的高光谱图像异常检测方法,其特征在于,包括以下步骤:(S1)将高光谱图像线性规范化;(S2)对于每一个测试像元,根据双窗模型提取局部背景字典;(S3)根据局部背景字典,求解带约束稀疏表示模型,得到模型最优解一;(S4)根据模型最优解一,将所有异常原子从局部背景字典中删除,得到新的背景字典;(S5)根据新的背景字典,求解带约束稀疏表示模型,得到模型最优解二;(S6)根据所述步骤(S5)中的模型最优解二,计算像元的检测值;(S7)遍历整个线性规范化后的高光谱图像,对高光谱图像的每一个像元计算检测值,输出这些检测值构成的图像,即异常检测图像。
【技术特征摘要】
1.一种基于带约束稀疏表示的高光谱图像异常检测方法,其特征在于,包括以下步骤:(S1)将高光谱图像线性规范化;(S2)对于每一个测试像元,根据双窗模型提取局部背景字典;(S3)根据局部背景字典,求解带约束稀疏表示模型,得到模型最优解一;(S4)根据模型最优解一,将所有异常原子从局部背景字典中删除,得到新的背景字典;(S5)根据新的背景字典,求解带约束稀疏表示模型,得到模型最优解二;(S6)根据所述步骤(S5)中的模型最优解二,计算像元的检测值;(S7)遍历整个线性规范化后的高光谱图像,对高光谱图像的每一个像元计算检测值,输出这些检测值构成的图像,即异常检测图像。2.如权利要求1所述的一种基于带约束稀疏表示的高光谱图像异常检测方法,其特征在于,所述步骤(S1)的具体过程为:根据下式将高光谱图像的每个像元线性规范化到0~1之间:其中,Hl,j,k表示高光谱图像在第l行、第j列、第k个波段的灰度值,表示高光谱图像在线性规划化后第l行、第j列、第k个波段的灰度值,min(H)表示高光谱图像中所有像元灰度值的最小值,max(H)表示高光谱图像中所有像元灰度值的最大值。3.如权利要求1所述的一种基于带约束稀疏表示的高光谱图像异常检测方法,其特征在于,所述步骤(S2)中提取局部背景字典的具体过程为:设y表示一个测试像元,测试像元y被内窗和外窗所包围,内窗大小为win×win,外窗大小为wout×wout,win、wout表示灰度值个数,win、wout为整数;A表示局部背景字典,由内窗和外窗之间像元的光谱向量构成,称之为训练样本,其中,M表示高光谱图像的波段数量;N为所选择的训练样本个数,则局部背景字典A表示为:其...
【专利技术属性】
技术研发人员:林再平,凌强,安玮,盛卫东,李俊,曾瑶源,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:湖南,43
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。