基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法技术

基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法，涉及一种高光谱异常检测方法。本发明专利技术为了解决现有的高光谱异常检测方法存在破坏高光谱数据的空间结构问题和混合像元内异常分量的干扰问题，从而使得目前的检测方法的检测精度较低。本发首先采用所提出的端元背景字典构建方法构建端元背景字典，然后对构建的基于增强全变分约束表示模型的高光谱异常检测方法进行优化求解，最后在求解出的最优化稀疏矩阵上得到检测结果。主要用于高光谱的异常检测。于高光谱的异常检测。于高光谱的异常检测。

【技术实现步骤摘要】
基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法


[0001]本专利技术涉及高光谱异常检测方法，属于高光谱图像处理


技术介绍

[0002]与可见光图像不同，高光谱图像具有成百乃至上千的光谱波段。因此，高光谱遥感图像可以对地物进行精细的检测识别。由于高光谱遥感图像进行异常目标检测技术无需任何标签或者目标信息，其无论在民用或者军用领域都有着非常广阔的应用前景。
[0003]目前，所有基于表示模型的高光谱异常检测方法利用高光谱图像空间信息的方式都是直接在表示系数矩阵上直接添加全变分约束。然而，由于基于矩阵形式的表示模型需要将原始三维高光谱数据转化为二维矩阵，这样会在一定程度上破坏高光谱数据的空间结构。此外，由于高光谱传感器的空间分辨率通常较低，高光谱图像中存在着大量的混合像元。并且异常目标通常空间尺寸较小，混合像元内会不可避免地含有异常目标分量，混合像元内异常分量对基于表示模型的高光谱异常检测方法中的背景字典像元构建或产生干扰。所以使得目前的检测方法的检测精度较低。

技术实现思路

[0004]本专利技术是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法，其特征在于，包括以下步骤：S1、采用端元提取技术提取原始高光谱图像内的端元，构建基于密度峰值聚类算法的端元背景字典D；S2、建立基于增强全变分约束的高光谱异常检测模型；X＝[x1,x2,...,x
N
]为用二维矩阵表示的高光谱数据，其中N＝H
×
W，H,W分别为图像的宽和高；x1,x2,...,x
N
分别为B*1的列向量，表示一个像元；基于增强全变分约束的高光谱异常检测模型的优化问题如下：其中，D＝[d1,d2,...,d
m
]为端元背景字典矩阵，m为端元背景字典原子个数，C＝[c1,c2,...,c
N
]为表示系数矩阵，S为包含异常目标的稀疏矩阵，λ,β为调节参数，||
·
||
F
为矩阵的F
‑
范数，||
·
||
2,1
为矩阵的l
2,1
范数，为数据保真项，||
·
||
ETV
为增强全变分算子；S3、采用交替方向乘子法对模型(5)进行优化求解，确定稀疏矩阵S的最优值S
*
；S4、计算S
*
中第i列的l2范数r
i
，若r
i
大于判定阈值η，则像元x
i
为异常像元，反之，则为背景像元。2.根据权利要求1所述的基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法，其特征在于，构建基于密度峰值聚类算法的端元背景字典D的过程包括以下步骤：利用密度峰值聚类算法对端元集合中的端元进行聚类，得到每个端元e
i
对应的ρ
i
与δ
i
，密度峰值聚类算法即DP算法，ρ
i
为DP算法中的局部密度，δ
i
为计算样本点与比其密度高的其他样本点之间的最小距离；然后根据γ
i
＝ρ
i
×
δ
i
对每个端元进行打分，并将得分进行降序排序，并选取前p％得分对应的端元组成背景端元字典D。3.根据权利要求2所述的基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法，其特征在于，采用顶点成分分析方法VCA提取原始高光谱图像内的端元。4.根据权利要求1、2或3所述的基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法，其特征在于，增强全变分算子如下：其中，||
·
||
TV
为全变分算子；R(
·
)表示将行向量转为矩阵操作，代表原始表示系数矩阵第i行对应的增强表示系数矩阵；C
i,:
代表表示系数矩阵C的第...

【专利技术属性】
技术研发人员：李闯，冯收，赵春晖，吴丹，丰瑞，樊元泽，闫奕名，宿南，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：