一种基于改进自我注意力机制和张量RX的高光谱图像异常目标检测方法技术

本发明专利技术提供的是一种基于改进自我注意力机制和张量RX的高光谱异常检测方法。（1）利用改进自我注意力机制对高光谱图像进行变换；（2）对经过改进自我注意力机制变换的高光谱图像采用张量RX进行异常目标检测。本发明专利技术利用深度置信网络（DBN）对高光谱图像进行重建，增大了异常目标点和背景之间的差距；利用改进自我注意力机制，更好地突出了测试点像素，以及其和周围像素点之间的关系；利用张量RX，更加突出了测试点的空间特性，同时考虑了光谱特性和空间特性，改善了检测效果。改善了检测效果。改善了检测效果。

【技术实现步骤摘要】
一种基于改进自我注意力机制和张量RX的高光谱图像异常目标检测方法


[0001]本专利技术涉及的是一种高光谱图像目标检测方法，具体涉及一种基于改进自我注意力机制和张量RX的高光谱图像异常目标检测方法。

技术介绍

[0002]高光谱图像具有数百个光谱维和丰富的光谱信息，该特征使其应用在分类、光谱解混和目标检测等领域。在这些应用中，高光谱图像异常目标检测因为在民用和军事中的重要性而得到了更为广泛的关注。近些年，出现了较多的高光谱图像异常目标检测的方法。RX检测方法是最为经典的，其认为像素符合高斯分布，异常目标由测试点和背景之间的马氏距离决定。全局RX和局部RX是两种RX检测器的版本，两者都估计背景统计(即平均值和协方差矩阵)。在GRX中，整个图像用于背景统计。在LRX中，滑动双窗口用于获取局部背景统计信息。对于GRX或LRX，检测性能取决于协方差矩阵的估计，计算复杂度通常很高。为了克服这个问题，出现了通过随机投影基于降维的RX，随机投影域中，马氏距离也可以有效地用于计算异常目标检测结果，该结果与原始域中的结果相似。在GRX和LRX中，检测结果基于测试点矢量计算；然而异常目标通常是多像素对象，仅使用测试点矢量可能会降低检测精度。基于广义似然比设计准则，提出了一阶广义似然比和二阶广义似然比两种自适应的异常目标检测器。在没有先验知识和存在高斯噪声的情况下，这两个检测器可以检测多像素异常目标。此外，高光谱数据可以被视为三维张量。测试点向量及其邻域向量可以形成以测试点为中心的测试张量块。基于张量的方法同时考虑了高光谱图像的空间和频谱特性，这可以降低虚警率。基于张量的自适应子空间检测器(TBASD)是背景联合稀疏表示(BJSR)的张量版本，它在不破坏空间
‑
光谱结构的情况下探索空间
‑
光谱特征。然而，基于张量的方法的计算复杂度比较高。随着深度学习理论的最新进展，出现了较多的基于深度学习特征提取的高光谱图像处理算法，在异常目标检测领域有基于栈式自动编码器的自适应子空间模型(SAEASM)，基于变换的卷积神经网络检测(CNND)和一种基于联合深度置信网络的方法(JDBN)等。
[0003]上述异常目标检测算法主要在原始光谱域中进行，基于变换域的方法通常可以更好地抑制噪声进而突出异常目标，基于变换域的方法构成了另一个研究方向。s核RX(KRX)是一种经典的变换域方法,它将低维原始数据空间中的线性非高斯模型扩展到高维特征空间中的非线性高斯域。此外，基于分数傅立叶熵(FrFE)的RX(FrFE
‑
RX)算法处理分数傅立叶域(FrFD)中的信号。近些年，注意力机制，尤其是自我注意力，在视觉任务的深度特征表征中发挥着越来越重要的作用，也在高光谱图像处理中得到了广泛的关注。对于基于注意力的方法，如变换的双向编码器表示(BERTSI)，它们以相等的权力处理所有关系，而不突出显示测试点像素及其子像素之间的关系。尽管测试点像素周围的像素提供了作为空间的判别信息，测试点像素应该比周围像素更为重要。

技术实现思路

[0004]本专利技术的目的在于提供一种能够更有效地进行高光谱图像异常目标检测的基于改进自我注意力机制和张量RX的高光谱图像异常目标检测方法。
[0005]本专利技术的目的是这样实现的：
[0006]首先，高光谱图像中的测试张量经过改进自我注意力机制变换；
[0007]步骤1：高光谱图像中的每个测试张量3Γ
x
∈R
w
×
w
×
D
转换为像素二维矩阵Y∈R
M
×
D
(M＝w
×
w)，其中，w为窗口尺寸，D为光谱波段数；随后，利用深度置信网络(DBN)对Y进行重建；重建矩阵Y
d
∈R
M
×
D
(M＝w
×
w)变换为张量3Γ
d
∈R
w
×
w
×
D
。
[0008]步骤2：3Γ
d
中的中心张量3Γ
cd
∈R1×1×
D
作为卷积核与3Γ
d
按照公式(1)进行卷积，其结果张量3Γ
r
∈R
w
×
w
×1变换为权重矩阵Z∈R
w
×
w
,b
T
是偏差参数。
[0009][0010]步骤3：3Γ
x
作为值张量和Z进行点乘，得到3Γ
z
∈R
w
×
w
×
D
；3Γ
z
的中心张量3Γ
cz
∈R1×1×
D
和Z的中心点x
z
∈R1×1进行点除，得到张量3Γ
cy
∈R1×1×
D
。
[0011]步骤4：3Γ
cy
作为卷积核与3Γ
cx
按照公式(2)进行卷积，得到3Γ
y
，进而获得经过改进自我注意力机制变换的高光谱图像。
[0012][0013]随后，在经过改进自我注意力机制变换的高光谱图像上按照公式(3)采用张量RX进行异常目标检测即可获取最后的检测结果，其中，X∈R
m
×
D
(m＝w
×
w)是对应3Γ
y
的二阶矩阵，B∈R
n
×
D
(n＝w
b
×
w
b
)(w
b
对应背景张量窗口尺寸)是对应背景张量的二阶矩阵，ξ
x
是异常目标检测的阈值。
[0014][0015]本专利技术的优点在于：
[0016]1、利用深度置信网络(DBN)对高光谱图像进行重建，增大了异常目标点和背景之间的差距；
[0017]2、利用改进自我注意力机制，更好地突出了测试点像素，以及其和周围像素点之间的关系；
[0018]3、利用张量RX，更加突出了测试点的空间特性，同时考虑了光谱特性和空间特性，改善了检测效果。
附图说明
[0019]图1为采用改进自我注意力机制和张量RX的高光谱图像异常目标检测方法的流程图；
[0020]图2为改进自我注意力机制的算法流程图；
[0021]图3为数据L及8种检测方法的检测结果二值图，其中图3(a)为数据L的第100波段图，图3(b)为数据L的真实地物分布示意图，图3(c)为全局RX(GRX)检测结果二值图，图3(d)
为局部RX(LRX)检测结果二值图，图3(e)为核RX(KRX)检测结果二值图，图3(f)为分数傅里叶熵RX(FrFE
‑
RX)检测结果二值图，图3(g)为分数傅里叶熵局部RX(FrFE
‑
LRX本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进自我注意力机制和张量RX的高光谱图像异常目标检测方法，其特征是包括以下步骤：(1)利用改进自我注意力机制对高光谱图像进行变换；(2)对经过改进自我注意力机制变换的高光谱图像采用张量RX进行异常目标检测。2.根据权利要求1所述的一种基于改进自我注意力机制和张量RX的高光谱图像异常目标检测方法，其特征是所述采用改进自我注意力机制具体包括：(1.1)高光谱图像中的每个测试张量3Γ
x
∈R
w
×
w
×
D3
Γ
x
∈R
w
×
w
×
D
转换为像素二维矩阵Y∈R
M
×
D
(M＝w
×
w)，其中，w为窗口尺寸，D为光谱波段数；随后，利用深度置信网络对Y进行重建；重建矩阵Y
d
∈R
M
×
D
(M＝w
×
w)变换为张量3Γ
d
∈R
w
×
w
×
D
；(1.2)3Γ
d
中的中心张量3Γ
cd
∈R1×1×
D
作为卷积核与3Γ
d
按照公式(1)进行卷积，其结果张量3Γ
r
∈R
w
×
w
×1变换为权重矩阵Z∈R
w
×<...

【专利技术属性】
技术研发人员：张丽丽，林芳，付保红，谭淑梅，贾滕玉，
申请(专利权)人：大庆师范学院，
类型：发明
国别省市：