【技术实现步骤摘要】
一种高光谱图像异常检测方法
本专利技术涉及数据处理
，尤其涉及一种高光谱图像异常检测方法。
技术介绍
异常检测是指将目标信息(异常信息)从背景和噪声中分离。高光谱传感器能够同时采集到图像的光谱特征信息和空间特征信息，这使得高光谱图像在图像异常检测领域有突出优势。但是高光谱图像波段数量多，数据量大，存在信息冗余与噪声干扰，不利于直接进行异常检测，因此需要对高光谱图像信息进行降维，提取有利于异常检测的特征。目前在高光谱图像的获取过程中，使用最为广泛的传感器为推扫式传感器，高光谱数据为逐行获取，而以深度神经网络为基础的异常检测方法是以整幅图像或逐个像素为输入。以整幅图像为输入的方式无法达到传感器获取一行数据就进行一次检测的实时检测。逐个像素为输入的方法则无法提取像素之间的空间信息。
技术实现思路
(一)要解决的技术问题鉴于现有技术的上述缺点、不足，本专利技术提供一种高光谱图像异常检测方法，其解决了无法达到传感器以整幅图像为输入的方式获取一行数据就进行一次检测的实时检测技术问题。(二...
【技术保护点】
1.一种高光谱图像异常检测方法，其特征在于，包括：/n获取待处理的高光谱图像；/n将所述高光谱图像中的行数据依序输入到预先训练的对抗自编码器AAE中，并获取对应各行数据的隐层特征，采用RXD算法对所有行数据的隐层特征进行异常检测，获取异常检测结果；/n训练后的AAE包括：用于输出符合高斯分布的特征数据的编码器，所述编码器包括至少一层LSTM层和批归一化层；/n其中，预先采用高光谱图像的训练数据集借助于包括至少一个判别器的训练网络对AAE进行训练以获取的训练后的AAE。/n
【技术特征摘要】
1.一种高光谱图像异常检测方法，其特征在于，包括：
获取待处理的高光谱图像；
将所述高光谱图像中的行数据依序输入到预先训练的对抗自编码器AAE中，并获取对应各行数据的隐层特征，采用RXD算法对所有行数据的隐层特征进行异常检测，获取异常检测结果；
训练后的AAE包括：用于输出符合高斯分布的特征数据的编码器，所述编码器包括至少一层LSTM层和批归一化层；
其中，预先采用高光谱图像的训练数据集借助于包括至少一个判别器的训练网络对AAE进行训练以获取的训练后的AAE。
2.根据权利要求1所述的方法，其特征在于，
所述训练网络包括：
连接AAE输出的解码器，所述解码器用于将AAE输出的隐层特征进行重建，获取重建后的第一重建高光谱数据；
第一损失函数，所述第一损失函数用于衡量AAE的输入数据与第一重建高光谱数据的重建误差；
第一参数调整单元，用于根据第一损失函数衡量的重建误差，采用误差反向传播算法更新编码器和解码器的参数；
第一判别器，用于获取AAE的输入数据与第一重建高光谱数据的误差损失；
第二参数调整单元，用于根据第一判别器获取的误差损失采用误差反向传播算法调整解码器和第一判别器的参数；
第二判别器，用于获取预先获取的高斯采样数据与AAE输出的隐层特征的误差损失；
第三参数调整单元，用于根据第二判别器获取的误差损失采用误差反向传播算法调整编码器和第二判别器的参数。
3.根据权利要求2所述的方法，其特征在于，
将所述高光谱图像中的行数据依序输入到预先训练的AAE中，包括：
采用推扫式传感器获取所述高光谱图像中的行数据，并将获取的行数据依序输入到预先训练的AAE中。
4.根据权利要求2或3所述的方法，其特征在于，在获取待处理的高光谱图像之前，所述方法还包括：
获取高光谱图像的训练数据集和高斯采样数据；
将所述高光谱图像的训练数据集输入到建立的AAE中，所述AAE针对所述高光谱图像的训练数据集按照逐行的方式分别进行提取处理，获取隐层特征；
将所述隐层特征输入到所述训练网络的解码器中，获取第一重建高光谱数据；
基于所述高光谱图像的训练数据集和所述第一重建高光谱数据，采用所述第一损失函数确定所述高光谱图像的训练数据集和所述第一高光谱数据的重建误差；
根据所述重建误差，采用误差反向传播算法更新编码器和解码器的参数；
将所述高光谱图像的训练数据集和所述第一重建高光谱数据到第一判别器中，获取所述高光谱图像的训练数据集与第一重建高光谱数据的误差损失的误差损失；
根据第一判别器获取的误差损失，第二参数调整单元采用误差反向传播算法调整解码器和第一判别器的参数；
将所述高斯采样数据与AAE输出的隐层特征输入第二判别器中，获取高斯采样数据与AAE输出的隐层特征误差损失；
根...
【专利技术属性】
技术研发人员：王津申，欧阳彤彬，鲜宁，武姝洁，赵欣玥，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
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。