一种基于全卷积自编码器的高光谱影像异常探测方法技术

本发明专利技术涉及一种基于全卷积自编码器的高光谱影像异常探测方法。本发明专利技术结合全卷积自编码器网络，将高光谱遥感影像异常探测问题转换为背景与异常分离问题，网络直接重建背景，异常表现为网络重建误差，从而实现探测。构建残差连接的自适应加权全卷积自编码器，输入均匀噪声拟合原始高光谱影像以重建背景，通过卷积和残差连接保持重建背景空间细节信息，并设计了自适应加权损失函数抑制异常被重建，实现网络重建结果中背景与异常的分离。本发明专利技术可以解决高光谱遥感影像深度学习异常探测问题，实现全自动端到端异常探测，无需参数设置，可以获得更佳的异常探测结果。本发明专利技术可以有效提升高光谱异常探测的适用性和精度。

【技术实现步骤摘要】
一种基于全卷积自编码器的高光谱影像异常探测方法
本专利技术基于遥感图像技术处理领域，特别涉及一种基于全卷积自编码器的高光谱影像异常探测方法。
技术介绍
高光谱异常探测是在没有目标先验信息的条件下，在高光谱影像中，基于异常目标光谱与其它地物的差异，将异常地物与其他地物区分、判断异常在各个像元内存在性的问题。相比多光谱影像和自然图像，高光谱影像能够提供区分不同地物的诊断性光谱特征信息，更加突出地物之间细微的差异，使得在多光谱影像和自然图像无法探测的目标在高光谱影像中能够被探测。因此，高光谱异常探测在军事伪装，农作物病虫害，林火监测等应用领域能够发挥重要作用。在此基础上，高光谱异常探测引起了许多研究学者的关注。与此同时，高光谱异常探测是一项艰巨的任务。其一，该任务是在没有任何目标先验信息的条件下探测影像中的异常目标，因此方法应该实现无需人工参数的全自动端到端异常探测。其二，传统模型驱动的异常探测方法涉及与实际数据不符的模型假设，引入背景虚警。其三，高光谱遥感影像不仅具有丰富的光谱信息，还包含丰富的空间信息，仅仅对光谱信息进行建模会造成有效信息本文档来自技高网...

【技术保护点】
1.一种基于全卷积自编码器的高光谱影像异常探测方法，其特征在于，包括以下步骤：/n步骤1，输入一幅待探测的高光谱遥感影像

【技术特征摘要】
1.一种基于全卷积自编码器的高光谱影像异常探测方法，其特征在于，包括以下步骤：
步骤1，输入一幅待探测的高光谱遥感影像并对影像数据进行预处理，再输入一个均匀噪声影像其中，H，W，B分别为影像行，列和波段数；
步骤2，随机初始化全卷积自编码器网络参数θ0，一阶矩估计m0＝0，二阶矩估计v0＝0，权值图
步骤3，基于适应性矩估计算法对全卷积自编码器网络进行训练，假设当前迭代次数为k；
步骤3.1，全卷积自编码器网络接收均匀噪声影像作为输入，生成重建影像其中表示当前网络；
步骤3.2，判断当前迭代次数是否满足条件，若不是，则进行步骤3.3，若是，则更新权值图，更新方法如下：
计算每个像元的重建误差，其中，xi,j为原始影像中(i,j)像元位置的像元向量，为网络重建影像中(i,j)像元位置的像元向量；



所有像元的重建误差构成重建误差图
E＝[e1,1,…,e1,W；…；eH,1,…eH,W](2)
利用(3)-(4)将重建误差图转换为权值图；
wi,j＝max(E)-ei,j(3)
W＝[w1,1,…,w1,W；…；wH,1,…wH,W](4)
步骤3.3，计算自适应加权损失；



步骤3.4，误差反向传播更新网络参数；
步骤3.5，判断全卷积自编码器网络训练是否完成，若是，则进行步骤4，若否，则回到步骤3.1；
步骤4，利用训练好的全卷积自编码器网络重建背景，将重建误差图作为最终异常探测结果；由步骤3得到训练好的网络以均匀噪声影像Z作为输入得到重建背景影像；






重建背景影像和原始影像逐像元计算均方根误差，输出重建误差图，得到最终的高光谱异常探测结果。


2.如权利要求1所述的一种基于全卷积自编码器的高光谱影像异常探测方法，其特征在于：所述全卷积自编码器网络由编码器和解码器构成；
其中编码器包含多个block，block的连接顺序为block#1-2-3-4-5-3-4-5-3-4-5-3-4-5-3；其中，block#1至block#5均包含一个卷积层，卷积层后连接一个归一化层BatchNorm2和一个激活层LeakyReLU；block#1和block#4包含一个步长为1的1x1卷积，block#1和block#4生成的特征图不输入到下一个卷积层，而是通过残差链接和解码器中对应层生成的特征图进行级联；在编码器中，除了block#2中的卷积层会将影像从原始的光谱维降低到128维，其它卷积层不会执行降维操作；在空间维上，block#2和block#5中的卷积层使用步长...

【专利技术属性】
技术研发人员：王心宇，钟燕飞，王少宇，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42