基于超像素和渐进式低秩表示的高光谱图像异常检测方法技术

本发明专利技术提出了一种基于超像素和渐进式低秩表示的高光谱图像异常检测方法，主要针对现有低秩表示过程中构建的背景字典纯净度低且不全面，检测结果不佳的问题。包括：采用基于正交投影散度的超像素分割法对待测高光谱图像进行分割，得到同质区域集；再以所得同质区域的质心为原子构建背景字典，然后对图像进行低秩表示，并以获取的异常部分计算检测结果，最后以该检测结果为基准筛选纯净同质区域，以其质心为原子构成新背景字典，继续低秩表示操作；重复上述过程直到检测结果不变，即获得最终检测结果。本发明专利技术能够获取纯净且全面的背景字典，有利于更好地描述背景特性，从而获取更具有区分性的异常部分，进而有效提升了高光谱图像异常检测效果。图像异常检测效果。图像异常检测效果。

【技术实现步骤摘要】
基于超像素和渐进式低秩表示的高光谱图像异常检测方法


[0001]本专利技术属于图像处理
，进一步涉及高光谱图像异常检测，具体为一种基于超像素和渐进式低秩表示的高光谱图像异常检测方法，可用于侦查及灾害预警。

技术介绍

[0002]高光谱图像异常检测致力于挖掘与周围像素具有显著光谱差异的像素，并且广泛应用于空间探索、战场侦察等领域。同高光谱图像目标检测技术相比，由于高光谱图像异常检测技术缺乏先验信息，因而更具有挑战性。
[0003]主流的高光谱图像异常检测方法大致可以分为三类：基于统计理论的方法，基于深度学习的方法以及基于表示学习的方法。基于统计理论的方法主要包括RX 方法，该方法假设背景服从单一高斯分布，然后计算背景均值和方差，最后采用马氏距离计算异常。鉴于背景分布假设以及背景统计特性的不准确，出现了大量 RX变体，包括LRX、KRX、DRX等方法。
[0004]随着深度学习的发展，基于深度学习的方法开始应用于高光谱图像异常检测领域，主要有基于自编码器的高光谱图像异常检测方法，基于生成式对抗网络的高光谱图像异常检测方法以及基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超像素和渐进式低秩表示的高光谱图像异常检测方法，其特征在于，其步骤如下：(1)对待测高光谱图像X进行超像素分割，产生同质区域集合Ω；(2)分别提取同质区域集合Ω中所有同质区域的质心，并依次排列，构成背景字典D；(3)根据背景字典D得到背景部分DS，其中S表示系数矩阵；(4)以待测高光谱图像X作为输入，构建低秩表示模型X＝DS+A，其中A表示异常部分；(5)根据系数矩阵S的低秩特性和异常部分A的稀疏特性，建立目标函数并采用交替方向乘子法优化求解，待迭代终止时获得异常部分A，再通过对A的每一列向量求解L2范数得到检测结果；其中λ表示平衡低秩和稀疏项的系数，s.t.表示约束条件，||
·
||
*
表示矩阵的核范数，||
·
||
2,1
表示矩阵的L
2,1
范数；(6)若当前检测结果为第一次检测所得，则执行步骤(8)；若当前检测结果非第一次检测所得，则执行步骤(7)；(7)判断当前检测结果与前一次检测结果是否相同，若不相同，则执行步骤(8)；反之，直接执行步骤(10)；(8)根据检测结果筛选同质区域，得到纯净同质区域，步骤如下：(8.1)计算当前检测结果中所有像素检测结果的均值d
avg
；(8.2)分别计算同质区域中像素检测结果的均值(8.3)根据如下规则选择纯净同质区域：其中，“1”表示对应同质区域会被选择，“0”表示对应同质区域不会被选择；k表示同质区域的索引，K表示同质区域的数量；(9)提取纯净同质区域的质心，以质心作为原子并依次排列，构成新的背景字典D'，令D＝D'返回步骤(3)；(10)将当前检测结果作为最终结果，并输出。2.根据权利要求1所述的方法，其特征在于：步骤(1)中所述对待测高光谱图像X进行超像素分割，产生同质区域集合Ω，是采用基于正交投影散度的线性迭代聚类方法实现，其步骤如下：(1.1)设定预期超像素个数以及空间
‑
光谱距离加权系数，并根据设定的预期超像素个数初始化聚类中心；(1.2)分别计算所有聚类中心与其2s0×
2s0邻域内像素的空间距离ED、光谱距离OPD和总距离D
total
：：D
total
(x
i
,x
j
)＝ω
×
ED(x
i...

【专利技术属性】
技术研发人员：王海，林生，张敏，成曦，周科学，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：