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

本发明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，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)根据模型最优解二，计算像元的检测值；(S7)遍历整个高光谱图像，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。本发明专利技术不需要背景统计信息和设置稀疏度，提高了重构精度。

An anomaly detection method based on constrained sparse representation for hyperspectral imagery

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。优选地，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。优选地，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(测试像元为线性规范化后的高光谱图像中任一个像元)，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：其中ai为内窗和外窗之间像元的光谱向量。优选地，所述步骤(S3)求解带约束稀疏表示模型具体为：对于每一个测试像元y，根据SMO(SequentialMinimalOptimization，缩写为SMO)算法求解下面二次规划模型，得到最优解一α*：s.t.eTα＝10≤αi≤C,i＝1,...,N其中，A表示局部背景字典，α是一个稀疏向量，它的第i个元素αi表示背景字典中第i个原子的丰度，e表示单位列向量，即大小为N×1、元素全为1的列向量；参数C为常量，表示元素αi的上限，N为所选择的训练样本总个数。优选地，所述参数C的取值为：对于所有待检测的异常像元，参数ν取值必须需要满足以下条件：ν≥max(η1,η2/αa)，其中η1＝Na/N，Na表示局部背景字典A中异常原子的个数，表示局部背景字典A中第i个异常原子的异常丰度，N为所选择的训练样本个数，αa为测试异常像元y中异常点的异常丰度。在实际应用中，通常根据图像场景对所有待检测异常像元的η1和η2/αa进行估计，取它们的最大值来确定参数ν的取值。为了对模型进行更为直观的解释，对引入参数ν，将参数C表示为进行详细说明。根据线性光谱混合模型，每一个像元的光谱am可以表示为：其中，aa表示纯像元异常光谱，αa表示它对应的丰度；表示第h个背景成分的纯像元光谱，表示它对应的丰度；p表示背景成分类型的数量，n表示误差项。参数ν的设置和背景字典中异常点的比例相关，异常点占比有两种定义方式：η1＝Na/N其中Na是背景字典A中异常原子的个数，表示背景字典A中第i个异常原子的异常丰度。要想从背景字典A中删除所有的异常原子，参数ν必须需要满足以下条件：ν≥max(η1,η2/αa)其中，αa为测试像元y中异常点的异常丰度。在实际应用中，考虑到高光谱图像中普遍存在的噪声，以及背景光谱的起伏变化，参数ν设置为稍大于整个图像的max(η1,η2/αa)。优选地，所述步骤(S5)中求解带约束稀疏表示模型具体过程为：对于每一个测试像元y，根据SMO(sequentialminimaloptimization，简称SMO)算法求解下面二次规划模型，得到最优解二s.t.eTα＝10≤αi≤1,i＝1,...,N其中，表示新的背景字典，α是一个稀疏向量，它的第i个元素αi表示背景字典中第i个原子的丰度，e表示一个大小为N×1、元素全为1的列向量；N为所选择的训练样本总数。优选地，设r表示测试像元y的检测值，则所述步骤(S6)中计算像元的检测值的公式为：与现有技术相比，本专利技术所具有的有益效果为：1)本专利技术的带约束稀疏表示模型是一个非参数模型，它不需要任何背景统计信息。2)本专利技术的稀疏表示模型加入了“和为一”约束和非负约束，具有实际物理意义。同时，它删除了稀疏度上限约束，不需要设置稀疏度，提高了重构精度。3)本专利技术的稀疏表示模型引入了参数ν，它能够在局部背景被异常点污染的情况下检测亚像元异常目标。附图说明图1为本专利技术方法流程图；图2为同心双窗模型示意图。图3为实施例中SANDIEGO高光谱图像数据；图4为实施例中URBAN高光谱图像数据；图5为对SANDIEGO高光谱图像和URBAN高光谱图像分别采用本专利技术与现有技术中方法处理的ROC曲线比较图。具体实施方式下面，结合附图和实施例对本专利技术作进一步说明。如图1所示，为本专利技术方法流程图，一种基于带约束稀疏表示的高光谱图像异常检测方法，具体包括下述步骤：第一步：对高光谱图像进行线性规范化。根据最大最小规范化方法对高光谱图像的每一个像元进行线性规范化。根据下式将高光谱图像的每个像元Hl,j,k线性规范化到0～1之间：第二步：对于每一个测试像元，根据双窗模型提取局部背景字典。详细内容见参考文献1。参考文献1：S.Matteoli,M.Diani,andG.Corsini,“Atutorialoverviewofanomalydetectioninhyperspectralimages,”IEEEAerosp.Electron.Syst.Mag.,vol.25,no.7,pp.5–28,Jul.2010。对于每一个测试像元，利用图2所示的滑动双窗模型本文档来自技高网...

【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