基于对抗自编码网络的高光谱异常检测方法技术

本发明专利技术公开了一种基于对抗自编码网络的高光谱图像异常检测方法，主要解决现有技术中计算复杂及检测精确度不高的问题。其实现方案是：1)利用像素更新方法制作高光谱图像训练数据集；2)将训练数据集输入生成对抗网络训练，提取训练数据集的光谱特征；3)利用波段融合和属性滤波方法处理光谱特征，得到训练数据集的空间特征；4)利用空间特征增强原始高光谱图像中的异常目标；5)利用RX检测器公式计算增强异常目标之后的高光谱图像光谱向量的异常值；6)根据异常值得到检测结果。本发明专利技术能获取高光谱图像中更丰富的潜在信息，增加图像中异常目标和复杂背景的差距，具有计算简单、检测精度高的优点，可用于对高光谱图像中异常目标的检测。

【技术实现步骤摘要】
基于对抗自编码网络的高光谱异常检测方法
本专利技术属于图像处理
，更进一步涉及一种高光谱异常检测方法，可用于对高光谱图像中异常目标的检测。
技术介绍
高光谱图像具有丰富的光谱信息，且光谱分辨率高，在目标检测、分类、识别这些领域都有一定的研究价值。高光谱图像异常检测是一种无监督目标检测方法，该方法在目标及背景的先验信息未知时，通过对比检测点与所选择的背景光谱曲线的差别判决其属于异常点还是背景目标。通常情况下，目标和背景的先验知识很难获取，因此高光谱异常检测技术在实际应用中具有更大的意义。经典的异常检测算法是Reed等人利用广义似然比检验推导出的RX异常检测算法，该方法假设高光谱的光谱特性在全局符合高斯分布，通过构建高斯正态分布模型来估计像元属于异常点的概率。局部RX异常检测算法是在RX异常检测算法的基础上延伸出的改进算法，其采用同心双窗模型选择检测像元的局部邻近值对背景信息进行估计，进而检测异常目标。这两种方法由于均是在假设高光谱图像的背景符合高斯分布为前提的，而实际中图像的背景信息并不完全符合理想的高斯分布，因此这些方法存在计算复杂、误检目标多、检测精确度不高的缺点。近年来，基于低秩系数矩阵分解的方法也在异常检测领域得到了广泛的应用。Wang.W.等人提出了一种基于低秩稀疏矩阵分解的高光谱异常检测算法LRaSMAD，该算法是通过计算稀疏部分的每个像素与均值向量之间的欧式距离判断异常目标所在的位置。该方法虽说可降低计算复杂度，但又由于其仅考虑了高光谱图像的光谱特征，而忽略了空间特征，因而检测的精度不高。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于对抗自编码网络的高光谱图像异常检测方法，以减小计算复杂度，提高检测精度。本专利技术的技术方案是，利用对抗自编码网络的编码器提取输入高光谱训练数据集的光谱特征，利用波段融合方法融合得到的光谱特征，得到输入高光谱训练数据集的空间特征，利用空间特征增强原始高光谱图像中的异常目标，利用RX检测器公式求解高光谱图像中的异常值，进而得到高光谱图像的检测结果图。其具体实现步骤包括如下：(1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集；(2)提取高光谱图像训练数据集的光谱特征：(2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络；(2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征；(3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征：(3a)利用波段融合方法对光谱特征进行融合，得到一张融合后的图像：其中，Y表示融合后图像，Hi表示光谱特征第i个波段的值，n表示光谱特征的波段总数；(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O；(3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S：S＝|O-A|+|C-A|；(4)利用空间特征S增强原始高光谱图像的异常目标：(4a)将三维Mo×No×Bo的原始高光谱图像K转换为二维Lo×Bo的矩阵，其中，Mo表示原始高光谱图像的总行数，No表示原始高光谱图像的总列数，Bo表示原始高光谱图像中光谱波段的总数，Lo表示原始高光谱图像中每一个波段的像素总数；(4b)将二维Ms×Ns空间特征S转化为Ls×1的矩阵，其中，Ms表示空间特征的总行数，Ns表示空间特征的总列数，Ls表示空间特征的像素总数；(4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量；Li＝(1-exp(-λLsi))Loi其中，Li表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，Lsi表示空间特征S中第i个像素对应的数值，Loi表示原始高光谱图像K中第i个像素对应的光谱向量；(5)计算异常目标增强后的高光谱图像的异常值：(5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量Li转换为二维Le×Be的矩阵，其中Le是异常目标增强之后的高光谱图像的像素总数，Be是光谱向量的波段总数；(5b)求解二维矩阵中每一个像素对应的波段的均值，将均值保存为一个均值矩阵I；(5c)用二维矩阵Le×Be减去均值矩阵I，得到去均值矩阵Q；(5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值Fn，其中n表示光谱向量的序号，n的取值范围为1,2,3,,Be；(6)根据异常增强后的高光谱图像中每个光谱向量的异常值Fn，得到异常检测的结果图。本专利技术与现有技术相比，具有如下优点：1)本专利技术利用对抗自编码网络提取输入的高光谱数据集的光谱特征，能够降低高光谱数据集的波段数，克服了现有技术中由于高光谱图像数据冗余而导致的计算复杂、检测精度不高的问题，简化了计算过程，提高了异常检测的效率。2)本专利技术利用波段融合方法将提取到的光谱特征融合为一张图像，得到空间特征，这一操作由于同时考虑了高光谱图像的光谱特征和空间特征，能够获取高光谱图像中更丰富的潜在信息，提高了检测的精度。3)本专利技术利用空间特征增强原始高光谱图像中的异常目标，能够凸显出高光谱图像中的异常目标和背景之间的差异，更好的区分高光谱图像中的异常目标和背景信息，克服了现有技术中将背景误检为异常目标的问题，进一步提高了检测精度。附图说明图1是本专利技术的实现流程图；图2是采用现有的RX异常检测算法、CRD异常检测算法和本专利技术对高光谱异常目标进行检测的结果对比图；图3是采用现有RX异常检测算法、CRD异常检测算法和本专利技术对高光谱异常目标进行检测的ROC曲线对比图；图4是采用现有RX异常检测算法、CRD异常检测算法和本专利技术对高光谱异常目标进行检测的AUC值对比图。具体实施方式下面结合附图对本实施例和效果做进一步的详细描述。参考图1，对实施的实现步骤如下：步骤1.制作训练数据集。(1a)利用像素更新方法更新原始高光谱图像中的每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集：(1a1)从原始高光谱图像中随机选取一个像素点；(1a2)计算所选像素点与其周围像素点之间的马氏距离向量：mi＝|x-yi|其中，mi表示所选像素点的光谱向量与其周围第i个像素点的光谱向量之间的马氏距离向量，i的取值范围为1,2,3,…,8，x表示所选像素点的光谱向量，yi表示所选像素点周围第i个像素点的光谱向量；(1a3)按照下式，计算每个马氏距离向量的权值：αi＝1-exp(mi/β)其中，αi表示马氏距离向量mi对应的权值，exp表示取自然数e为底的指数，β表示抑制系数，取值为0.03；(1a4)按照下式，更新所选像素点的光谱向量：其中，xa表示所选像素点更新后的光谱向量；(1a5)判断是否遍历高光谱图像中所有的像素点，若是，则完成所有像素点的光谱向量更新，生成高光谱图像训练数据集，否则，返回第(1a1)步。步骤2.提取光谱特征。现有的提取高光谱图像的光谱特征的方法有基于主成分分析的光谱降维方法、基于DBN网络的光谱特征提本文档来自技高网...

【技术保护点】
1.一种基于对抗自编码网络的高光谱图像异常检测方法，其特征在于，包括：(1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集；(2)提取高光谱图像训练数据集的光谱特征：(2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络；(2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征；(3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征：(3a)利用波段融合方法对光谱特征进行融合，得到一张融合后的图像：

【技术特征摘要】
1.一种基于对抗自编码网络的高光谱图像异常检测方法，其特征在于，包括：(1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集；(2)提取高光谱图像训练数据集的光谱特征：(2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络；(2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征；(3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征：(3a)利用波段融合方法对光谱特征进行融合，得到一张融合后的图像：其中，Y表示融合后图像，Hi表示光谱特征第i个波段的值，n表示光谱特征的波段总数；(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O；(3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S：S＝|O-A|+|C-A|；(4)利用空间特征S增强原始高光谱图像的异常目标：(4a)将三维Mo×No×Bo的原始高光谱图像K转换为二维Lo×Bo的矩阵，其中，Mo表示原始高光谱图像的总行数，No表示原始高光谱图像的总列数，Bo表示原始高光谱图像中光谱波段的总数，Lo表示原始高光谱图像中每一个波段的像素总数；(4b)将二维Ms×Ns空间特征S转化为Ls×1的矩阵，其中，Ms表示空间特征的总行数，Ns表示空间特征的总列数，Ls表示空间特征的像素总数；(4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量；Li＝(1-exp(-λSi))Ki其中，Li表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，Si表示空间特征S中第i个像素对应的数值，Ki表示原始高光谱图像K中第i个像素对应的光谱向量；(5)计算异常目标增强后的高光谱图像的异常值：(5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量Li转换为二维Le×Be的矩阵，其中Le是异常目标增强之后的高光谱图像的像素总数，Be是光谱向量的波段总数；(5b)求解二维矩阵中每一个像素对应的波段的均值，将均值保存为一个均值矩阵I；(5c)用二维矩阵Le×Be减去均值矩阵I，得到去均值矩阵Q；(5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值Fn，其中n表示光谱向量的序号，n的取值范围为1,2,3,…,Be；(6)根据异常增强后的...

【专利技术属性】
技术研发人员：谢卫莹，刘保珠，李云松，雷杰，阳健，
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