基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法技术

本发明专利技术公开了一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，包括以下步骤：根据高阶奇异值分解构建空间维因子矩阵，以充分提取高光谱图像的空间维度信息；用聚类算法对高光谱数据的所有像元进行

【技术实现步骤摘要】
基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法
本专利技术属于遥感图像处理
，特别是一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法。
技术介绍
高光谱遥感异常目标检测是高光谱遥感的一个重要的应用方向。高光谱异常检测的目的是为了确定感兴趣目标的位置和类别，其本质是一个二分类问题，高分辨率为辨识不同地物目标提供了可能，不同物质的光谱差异使得高光谱图像中目标像元与背景像元存在差异，利用像元差异可以实现高光谱目标检测。传统目标检测方法一般需要先验光谱知识以及数据光谱校正，完备的光谱库现实中是不存在的，然而“同物异谱”和“同谱异物”现象的存在，使得很难获取特定成像条件下感兴趣目标准确的光谱信息。高光谱异常目标智能检测方法不依赖于目标先验知识，根据光谱像元是否符合背景统计特性从而将异常目标检测出来，因此研究具有较强实用性和普适性的高光谱异常目标智能检测方法是国内外的研究热点之一。传统的异常目标检测方法往往采用传统的向量和矩阵等数据表示形式，以光谱向量为处理单位的，即将像元中各波段灰度值排列为光谱特征向量，把整个图像张成二维矩阵。这种方法能够有效刻画像元的光谱特性，但弱化了影响局部区域的结构、纹理征等空间特征，破坏了高光谱原始数据的“图谱合一”结构，在处理过程中，高光谱数据的本质没有得到很好描述和充分挖掘潜在特性。张量是向量和矩阵的更高阶推广，张量表示的优点在于它能够保留不同维度的空间几何信息，如图像的大小、面积、方向、位置、形状、曲率等。张量表示所提供的分解和运算机制有益于大规模数据样本的处理与分析，张量分解可以将计算复杂度较大的复杂问题转化为一系列小规模简单子问题来求解，这有利我们挖掘高维数据的本质特征。目前的张量分解算法基本上都是假设各向同性，各个模态上的因子矩阵的构造方式是一样的，例如正交约束、非负约束，实际中这个构造方法具有局限性，不能真实表现出各个维度上的真实特性，高维张量数据在不同维度上表现不一样的特征信息。
技术实现思路
本专利技术的目的在于提供一种稳定、精度高的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法。实现本专利技术目的的技术解决方案为：一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，包括以下步骤：步骤1，根据高阶奇异值分解构建空间维因子矩阵，提取高光谱图像的空间维度信息；步骤2，用聚类算法对高光谱数据的所有像元进行k个类别归类，采用最大P方法构造背景字典，即去除聚类簇中像元数目少于P的像元，剩下的像元按每一簇进行计算其核空间异常指标，从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子；步骤3，建立基于鲁棒光谱协方差距离正则化的高光谱图像异常目标检测模型，构造拉格朗日方程，逐步迭代求解某一个变量同时固定其余变量，求解异常目标检测模型，根据所求得的解得到异常目标。进一步地，步骤1根据高阶奇异值分解构建空间维因子矩阵，N阶张量的高阶奇异值分解是将张量分解成一个大小保持不变的核心张量与N个因子矩阵在各个mode乘积的形式；对于高光谱张量数据x，它的高阶奇异值分解形式如下：其中为核心张量，核心张量的维数与原始张量x的维度是相同的，、分别为mode-1、mode-2的空间维因子矩阵，为mode-3光谱维因子矩阵；构造空间维因子矩阵、的公式如下：其中表示对矩阵的奇异值分解，为正交矩阵，为对角矩阵，为高光谱数据x在第i个模态的矩阵展开形式。进一步地，步骤2所述用聚类算法对高光谱数据的所有像元进行k个类别归类，采用最大P方法构造背景字典，即去除聚类簇中像元数目少于P的类别中的像元，剩下的像元按每一簇进行计算核光谱异常指标，从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子；对于任意两个高光谱图像的像元x和y,其核光谱角余弦表达式为：其中是高斯径向核的宽度，参数设置为，为高斯核函数。利用聚类算法对高光谱数据的所有像元进行k个类别归类，提取出最主要地物的所有像元，采用最大P方法构造背景字典，即去除聚类簇中像元数目少于P的像元。接下来使用核光谱角余弦算法，去除像元数小于P后剩下的像元按每一簇进行计算核空间异常指标。计算过程为对于一个待测像元y和同一类别内的像元集，将分别与同一类别的其他像元计算得到的核光谱角余弦值进行叠加，则计算y的核光谱角余弦叠加和可得：最终选取叠加和最大的前P个像元作为的组成原子，其中k=16和P=21。进一步地，步骤3所述建立基于鲁棒光谱协方差距离正则化的高光谱图像异常智能检测模型，构造拉格朗日方程，逐步迭代求解某一个变量同时固定其余变量，求解异常检测模型，根据所求得的解得到异常目标，具体步骤如下：利用低秩张量表示将原始高光谱张量数据分解为背景张量部分和异常张量部分。在光谱维对高光谱数据进行张量分解表示，在光谱维字典因子矩阵下寻求背景的最低秩表示：其中为张量核范数，、为相应正则项的权重，为残差张量，为管稀疏范数，为进一步突出稀疏异常的稀疏正则项；计算待检测样本和全部样本均值向量，从而获取得光谱协方差距离正则项：其中为背景样本的估计均值，K为背景的协方差矩阵，为使得背景协方差矩阵求逆更为稳定的正则化参数，I为单位矩阵；加入光谱协方差距离正则项约束，通过引入一个辅助变量来替代，获得以下模型：其中为光谱协方差距离正则项的权重，通过引入三个拉格朗日乘子，则优化问题的拉格朗日方程为：其中作为惩罚参数，为复制均值向量组成的矩阵；初始化正则参数，，，；用于收敛条件error判断的参数；求解上述模型：（1）更新变量其中式中，，，为正则因子参数，，，，，为的张量SVD分解张量，阈值算子，，为傅里叶逆变换；（2）更新变量其中，为的模-3展开，通过张量矩阵化的逆变换，可得（3）更新变量其中，为第l个切面矩阵的Frobenius范数。（4）更新变量其中。（5）更新拉格朗日乘子（6）采用序贯策略更新正则因子，计算公式为：其中，。（7）更新收敛性条件error，计算公式为：（8）如果，转至步骤1），；否则，利用更新后的最佳稀疏张量算得到异常检测图：本专利技术与现有技术相比，其显著优点在于：（1）以张量的秩作为结构先验，通过秩对张量稀疏性的合理度量，实现较强的全局约束，以张量秩为先验，使得在考虑核心张量稀疏性时可以从高光谱数据的整体特征出发，可以充分利用数据内在结构使得通过核心张量中少量的系数就可以捕获高光谱图像最重要的背景像元信息，符合实际物理背景；（2）高光谱遥感数据的结构化张量表示能够保持空间信息和光谱信息，避免低维空间表示造成的信息丢失；（3）利用聚类以及核空间异常指标，避免了多个地物类别对选取背景像元造成的干扰，提取出最主要地物的所有像元，光谱维因子矩阵构造也更为准确，很好避免异常本文档来自技高网...

【技术保护点】
1.一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，其特征在于，包括如下步骤：/n步骤1，根据高阶奇异值分解构建空间维因子矩阵，提取高光谱图像的空间维度信息；具体为：/n

【技术特征摘要】
1.一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，其特征在于，包括如下步骤：
步骤1，根据高阶奇异值分解构建空间维因子矩阵，提取高光谱图像的空间维度信息；具体为：

N阶张量高阶奇异值分解是将张量分解成一个大小保持不变的核心张量与N个因子矩阵在各个模态乘积的形式；对于高光谱张量数据x，它的高阶奇异值分解形式：



其中为核心张量，核心张量的维数与原始张量x的维度是相同的，、分别为mode-1、mode-2的空间维因子矩阵，为mode-3光谱维因子矩阵；
构造空间维因子矩阵、：



其中表示对矩阵的奇异值分解，U，V为正交矩阵，S为对角矩阵，为高光谱数据x在第i个模态的矩阵展开形式；
步骤2，用聚类算法对高光谱数据的所有像元进行k个类别归类，采用最大P方法构造背景字典，即去除聚类簇中像元数目少于P的像元，剩下的像元按每一簇进行计算其核空间异常指标，从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子；
步骤3，建立基于鲁棒光谱协方差距离正则化的高光谱图像异常目标检测模型，构造拉格朗日方程，逐步迭代求解某一个变量同时固定其余变量，求解异常目标检测模型，根据所求得的解得到异常目标。


2.根据权利要求1所述的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，其特征在于，用聚类算法对高光谱数据的所有像元进行k个类别归类，采用最大P方法构造背景字典，即去除聚类簇中像元数目少于P的像元，剩下的像元按每一簇进行计算其核空间异常指标，从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子；具体过程如下：
对于任意两个高光谱图像的像元x和y，其核光谱角余弦表达式为：



其中是高斯径向核的宽度，为高斯核函数；
利用聚类算法对高光谱数据的所有像元进行k个类别归类，提取出最主要地物的所有像元，采用最大P方法构造背景字典，即去除聚类簇中像元数目少于P的像元；接下来使用核光谱角余弦值算法，去除像元数小于P的类别后剩下的像元按每一簇进行计算其核空间异常指标，其计算方法为：对于一个待测像元y和同一类别内的像元集，将分别与同一类别的其他像元计算得到的核光谱角余弦值进行叠加，则y的核空间异常指标为：



最终选取叠加和最大的前P个像元作为的组成原子。


3.根据权利要求2所述的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，其特征在于，。


4.根...

【专利技术属性】
技术研发人员：李恒，魏洁，吴泽彬，覃富和，徐洋，韦志辉，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32