基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法技术

本申请公开了一种基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，该方法针对高光谱图像数据量大且冗余信息多的问题，以不影响算法检测精度为前提，对高光谱图像进行特征提取，本发明专利技术通过对自编码器的网络结构与损失函数进行改进优化，提升网络对高光谱图像的特征提取能力，并选取自编码器网络的中间隐藏层结果作为输出来降低冗余计算量，最后使用协同表示算法得到最终异常检测结果。与多种代表算法相比，该方法具有更好的检测性能。的检测性能。的检测性能。

【技术实现步骤摘要】
基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法


[0001]本专利技术一般涉及图像检测
，具体涉及一种基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法。

技术介绍

[0002]高光谱图像在传统遥感图像的基础上加入了光谱维，是包含着目标空间特征和光谱信息的三维数据结构。高光谱图像检测技术一般可以分为目标检测和异常检测。由于不需要提前知晓目标物体光谱信息便可以检测出异常目标的特点，高光谱异常检测被广泛应用于农业、气象、军事等诸多领域。高光谱异常检测的研究变得愈发重要。
[0003]高光谱图像异常检测主要包括背景建模和异常检出两个步骤。背景建模通过寻找高光谱图像中背景信号的评估方式来建立背景度量标准，异常检出则依据背景度量标准评估各个像元是否属于背景，不属于背景的即为异常像元。背景建模的好坏直接影响到最终的异常检测结果。同时，高光谱图像拥有上百个波段的光谱信息，导致了高光谱图像的信息冗余性，对于背景的构建有着很大的影响。因此，如何去除原始数据中的冗余信息，降低数据维度，减少异常检测的处理复杂度是高光谱异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，其特征在于，包括如下步骤：步骤1，构建基于光谱损失函数的栈式降噪自编码器；步骤2，将原始高光谱图像X∈R
M
×
N
×
B
输入到所述栈式降噪自编码器中进行网络训练；M表示高光谱图像中包含的行数，N表示高光谱图像中包含的列数，B为波段数；步骤3，网络训练完毕后，再次将所述原始高光谱图像输入所述栈式降噪自编码器网络，并选择最中间隐藏层的结果作为输出X
″
∈R
M
×
N
×
n
，其中n表示特征提取之后的光谱波段数；步骤4，利用协同表示算法对隐藏层输出的高光谱图像X
″
∈R
M
×
N
×
n
进行重建，得到每个像元X(i,j,:)的重建像元X
′
(i,j,:)；步骤5，利用L2范数计算原始像元X(i,j,:)与重建像元X
′
(i,j,:)之间的残余误差，根据设定的阈值判定待测像元是否为异常，输出检测结果。2.根据权利要求1所述基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，其特征在于，所述光谱损失函数光谱信息散度损失函数或光谱角余弦损失函数。3.根据权利要求2所述基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，其特征在于，所述光谱信息散度损失函数通过如下方法获取：重建光谱向量f(z
(L)
)和输入的光谱向量y之间的光谱信息散度E
SID
(f(z
(L)
),y)表示为：式中，T表示光谱的波段数，L表示自编码器的层数，k、d表示波段，f()为激活函数，分别表示取z
(L)
在k、d波段下的值，y
k
、y
d
表示k、d波段下的光谱向量，f(z
(L)
)中的z
(L)
的第l层表示为z
(l)
＝W
(l
‑
1)
a
(l
‑
1)
+b
(l
‑
1)
a
(l)
＝f(z
(l)
)a
(1)
＝x其中，a
(l)
表示l层自编码器输出的重建光谱向量，x表示原始输入数据，l＝L,L
‑
1,L
‑
2,
…
,2，W
(l
‑
1)
与b
(l
‑
1)
分别表示l
‑
1层自编码器的权重矩阵与偏置矩阵；引入正则化项，光谱信息散度损失函数E
SID
(W,b)表示为：其中，MN为R
M
×
N
×
B
中的MN，代表像元数，λ为正则化参数，I、J分别代表第l层和l+1层中的像元数量，W、b分别表示权重矩阵与偏置矩阵；所述光谱角余弦损失函数通过如下方法获取：
通过计算自编码器网络输出的重建光谱向量与输入光谱向量之间的光谱角度，将光谱角度纳入到重建损失函数中，得到光谱角度为将正则项包括在内，得到重建光谱角度损失函数E
SA
(W,b)为4.根据权利要求2或3所述基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，其特征在于，将包含五个隐藏层的栈式自编码器与添加随机高斯噪声的降噪自编码器相结合构造基于光谱损失函数的栈式降噪自编码器。5.根据权利要求1所述基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法，其特征在于，所述栈式降噪自编码器中，输入层的数据经过添加随机高斯噪声后送入网络训练，输出层等于输入层数据，设定隐藏层1到隐藏层2再到隐藏层3的神经元数量依次...

【专利技术属性】
技术研发人员：李欢，朱贺隆，宋江鲁奇，周慧鑫，李幸，滕翔，罗云麟，甘长国，张伟鹏，秦翰林，王炳健，梅峻溪，张嘉嘉，鲍蕴昊，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：