基于超像素引导判别森林的高光谱异常检测方法技术

本发明专利技术提出了一种基于超像素引导判别森林的高光谱异常检测方法，主要解决现有方法中局部异常目标检测性能不佳和高虚警率的问题。方案包括：1)通过主成分分析法提取高光谱图像最主要的三个成分特征，并利用该特征进行多个不同尺度超像素分割，以获取多尺度且含所有波段的超像素特征；2)构建基于多个波段增益准则的判别森林模型对每个超像素块特征进行训练和测试，产生多个尺度的初始检测图；3)通过基于引导滤波的多尺度融合模型对所有初始检测图融合优化，获取最终检测结果。本发明专利技术将基于空间的超像素分割和基于多个光谱波段的判别森林进行结合，有效地挖掘高光谱图像的空间和光谱信息，增强模型对异常像素识别能力以提升其检测性能。其检测性能。其检测性能。

【技术实现步骤摘要】
基于超像素引导判别森林的高光谱异常检测方法


[0001]本专利技术属于计算机视觉与机器学习
，进一步涉及高光谱异常检测，具体为一种基于超像素引导判别森林的高光谱异常检测方法，可用于环境监测、灾害预测、精准农业和军事侦察等。

技术介绍

[0002]高光谱异常检测是高光谱图像处理的重要分支之一。其定义：在没有先验知识条件下，利用光谱信息和空间信息进行异常检测。得益于这个特征，高光谱异常检测技术被广泛应用于农业和军事等领域。在现有流行的高光谱异常检测方法中，基于孤立森林模型近几年深受研究者关注，并取得不错的检测效果。该方法依据异常像素在整个高光谱图像中“少而不同”的特征，且相较于背景像素，在孤立森林中异常像素更容易被隔离。
[0003]在现有技术文献[S.Chang,B.Du,and L.Zhang,A subspace selection
‑
based discriminative forest method for hyperspectral anomaly detection,”IEEE Trans.Geosci.Remote Sens.,vol.58,no.6,pp.4033
‑
4046,Jun.2020.]中，于训练阶段，判别森林针对二叉树的节点分裂，采用轴平行子空间选择方法保留异常目标的关键波段信息，增强分裂准则的可靠性；测试阶段，通过训练后的判别森林模型对高光谱图像每一个像素进行测试，获取整个图像的异常值，作为检测结果。但是，由于目前基于孤立森林方法受限于高光谱图像的信息利用和复杂场景处理能力，导致两个问题：局部异常的检测性能不佳和将正常像素误检为异常。

技术实现思路

[0004]本专利技术目的在于针对以上现有技术存在的不足，提供一种基于超像素引导判别森林的高光谱异常检测方法，解决现有检测方法对于局部异常的检测性能不佳以及正常像素被误检为异常的问题，本专利技术能够更为有效地挖掘高光谱图像的光谱和空间信息，提升检测效果。
[0005]实现本专利技术的思路是：首先，将三维高光谱图像转化二维矩阵，并利用主成分分析法提取主要三个成分特征，对简单线性迭代聚类SLIC模型设置三个不同超像素个数进行超像素分割得到三个尺度超像素特征，利用其超像素块空间信息索引出包含所有波段信息的多尺度高光谱超像素特征；然后，采用基于多个波段增益准则的判别森林模型对每一个超像素块特征进行训练和测试，得到三个尺度的初始检测图；最后，利用基于引导滤波的多尺度融合模块对三个初始检测图进行融合和精化，获得最终的异常检测图。
[0006]为实现上述目的，本专利技术技术方案的实现步骤如下：
[0007](1)提取多尺度高光谱超像素特征：
[0008](1.1)将高光谱图像转化为二维矩阵其中h、l和b分别表示图像的高、宽和波段；N为像素个数且N＝l
×
h；
[0009](1.2)将二维矩阵输入到已公开的主成分分析模型PCA中，利用模型获取
最主要的3个成分特征
[0010](1.3)将简单线性迭代聚类模型SLIC的尺度设置为r，且每个尺度的超像素个数范围为[1，30]；利用该SLIC模型将成分特征切分为r个尺度的超像素分割图，再利用超像素分割空间信息，通过索引产生r个尺度的高光谱超像素特征；其中，第r个尺度的高光谱超像素特征是谱超像素特征是谱超像素特征是表示在第r个尺度下的第w个超像素块区域特征，表示的特征像素个数；
[0011](2)构建判别森林模型，并对其进行训练和测试：
[0012](2.1)从超像素块区域特征中随机抽取子样本X
′
作为判别森林模型训练的输入样本，其中将每一个输入样本的像素表示为x＝{x1,
…
,x
b
}；
[0013](2.2)从X
′
中随机选取q个波段的样本构建超平面f，并将所选样本的每个像素映射到超平面f中，得到新属性值集合Z；
[0014](2.3)基于集合Z，通过增益准则S
gain
获取最佳切分阈值S；
[0015](2.4)利用最佳切分阈值S将输入样本切分为两个子节点；
[0016](2.5)循环执行步骤(2.2)
‑
(2.4)直到树的高度达到预设限制高度H
max
＝log2n或者子节点的像素个数不超过2为止，得到一颗树；其中n表示X
′
的像素个数；
[0017](2.6)重复步骤(2.1)
‑
(2.5)t次，得到t棵树并用其组成局部区域的判别森林；
[0018](2.7)利用每个超像素块区域的高光谱像素样本进行局部区域判别森林的构建和训练，所有局部区域判别森林组成第r个尺度下的高光谱图像判别森林模型；
[0019](2.8)将第r个尺度的高光谱超像素特征输入当前尺度下的判别森林模型进行检测，得到该尺度的初始异常检测图；
[0020](2.9)通过对每个尺度下的高光谱图像判别森林模型进行检测，得到多尺度对应下的初始异常检测图；
[0021](3)基于引导滤波，使用初始异常检测图对判别森林模型进行优化，并利用优化后模型获取最终检测结果：
[0022](3.1)将每个尺度对应下的初始异常检测图进行像素级相乘融合，得到第一融合结果R1；
[0023](3.2)将融合结果R1输入到引导滤波网络中，并将成分特征Y作为引导图像，产生引导结果O1；
[0024](3.3)将引导结果O1和融合结果R1进行像素级相加融合，得到第二融合结果R2；
[0025](3.4)将两次融合结果R1和R2进行像素级相乘融合，得到最终融合结果，即异常检测图R3。
[0026]本专利技术与现有技术相比，其优点在于：
[0027]第一、由于本专利技术将超像素和判别森林相结合，即利用超像素引导判别森林进行异常检测。其中，采用超像素分割将整个高光谱图像切分为多个包含异常像素的同质区域，提高异常像素在局部空间的区分性；而在判别森林中，采用基于多个光谱波段信息构建增益切分准则，增强对异常像素的灵敏性。这种结合方式能够更好地发掘高光谱图像的空间信息和光谱信息，从而解决现有孤立森林的局部异常检测性能不佳的问题，并有效提高模型的异常像素检出率精度。
[0028]第二、本专利技术采用了基于引导滤波的多尺度融合网络，充分利用多尺度初始检测图的空间信息并将其融合，并引入引导滤波的方法进行精化检测效果，从而能够有效解决现有基于孤立森林方法中高虚警率的问题。
附图说明
[0029]图1为本专利技术方法的整体实现流程图。
[0030]图2为本专利技术的实例示意图。
[0031]图3为本专利技术与现有方法的检测效果对比图。
具体实施方式
[0032]为了使本专利技术的目的及优点更加清楚明白，以下结合附图对本专利技术的
技术实现思路
进行详细阐述。
[0033]实施例一、参照图1和图2，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于超像素引导判别森林的高光谱异常检测方法，其特征在于，包括以下步骤：(1)提取多尺度高光谱超像素特征：(1.1)将高光谱图像转化为二维矩阵其中h、l和b分别表示图像的高、宽和波段；N为像素个数且N＝l
×
h；(1.2)将二维矩阵输入到已公开的主成分分析模型PCA中，利用模型获取最主要的3个成分特征(1.3)将简单线性迭代聚类模型SLIC的尺度设置为r，且每个尺度的超像素个数范围为[1，30]；利用该SLIC模型将成分特征切分为r个尺度的超像素分割图，再利用超像素分割空间信息，通过索引产生r个尺度的高光谱超像素特征；其中，第r个尺度的高光谱超像素特征是像素特征是像素特征是表示在第r个尺度下的第w个超像素块区域特征，表示的特征像素个数；(2)构建判别森林模型，并对其进行训练和测试：(2.1)从超像素块区域特征中随机抽取子样本X
′
作为判别森林模型训练的输入样本，其中将每一个输入样本的像素表示为x＝{x1,
…
,x
b
}；(2.2)从X
′
中随机选取q个波段的样本构建超平面f，并将所选样本的每个像素映射到超平面f中，得到新属性值集合Z；(2.3)基于集合Z，通过增益准则S
gain
获取最佳切分阈值S；(2.4)利用最佳切分阈值S将输入样本切分为两个子节点；(2.5)循环执行步骤(2.2)
‑
(2.4)直到树的高度达到预设限制高度H
max
＝log2n或者子节点的像素个数不超过2为止，得到一颗树；其中n表示X
′
的像素个数；(2.6)重复步骤(2.1)
‑
(2.5)t次，得到t棵树并用其组成局部区域的判别森林；(2.7)利用每个超像素块区域的高光谱像素样本进行局部区域判别森林的构建和训练，所有局部区域判别森林组成第r个尺度下的高光谱图像判别森林模型；(2.8)将第r个尺度的高光谱超像素特征输入当前尺度下的判别森林模型进行检测，得到该尺度的初始异常检测图；(2.9)通过对每个尺度下的高光谱图像判别森林模型进行检测，得到多尺度对应下的初始异常检测图；(3)基于引导滤波，使用初始异常检测图对判别森林模型进行优化，并利用优化后模型获取最终检测结果：(3.1)将每个尺度对应下的初始异常检测图进行像素级相乘融合，得到第一融合结果R1；(3.2)将融合结果R1输入到引导滤波网络中，并将成分特征Y作为引导图像，产生引导结果O1；(3.3)将引导结果O1和融合结果R1进行像素级相加融合，得到第二融合结果R2；(3.4)将两次融合结果R1和R2进行像素级相乘融合，得到最终融合结果，即异常检测图R3。2.根据权利要求1所述的方法，其特征在于：步骤(1.2)中成分特征根据如下
步骤得到：(1.2.1)将二维矩阵输入到已公开的主成分分析模型PCA中，公式如下：其中，为投影矩阵；表示单位矩阵；tr(
·
)表示矩阵的迹；(1.2.2)利用主成分分析模型获取最主要的3个成分特征(1.2.2)利用主成分分析模型获取最主要的3个成分特征其中，E(
·
)表示求均值函数。3.根据权利要求1所述的方法，其特征在于：步骤(1.3)简单线性迭代聚类SLIC模型的计算公式如下：计算公式如下：计算公式如下：其中，d
c
表示颜色距离，即为PCA获取的主要成分特征；d
s
表示空间距离；表示类内最大空间距离，M表示高光谱像素的个数，K表示超像素的个数；N
c
表示最大颜色距离；D
′
表示最终的距离度量。4.根据权利要求1所述的方法，其特征在于：步骤(2.2)中将所选样本的每个像素映射到超平面f中，是根据如下公式实现：其中，Q表示将随机选取的q波段作为属性索引；c
j
表示从[
‑
1,1]中随机选取的系数；μ(
·
)和σ(
·
...

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