本发明专利技术涉及一种高光谱异常检测方法及计算机装置，所述方法包括：S1、获取待处理的高光谱图像；S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到检测结果；所述训练好的深度学习网络包括特征提取网络和异常检测网络；所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图；所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值；其中，预先采用高光谱图像的训练数据对深度学习网络中的特征提取网络和异常检测网络进行联合训练以获取训练好的深度学习网络。度学习网络。度学习网络。
【技术实现步骤摘要】
一种高光谱异常检测方法及计算机装置
[0001]本专利技术涉及数据处理
，尤其涉及一种高光谱异常检测方法及计算机装置。
技术介绍
[0002]高光谱图像是一个三维图像矩阵，能够同时包含目标的光谱特征信息和空间特征信息，光谱分辨率很高，具有强大的空间
‑
光谱信息表达能力，在地物分类、变化检测、目标检测等领域有着广泛的应用。根据目标的光谱信息是否已知，高光谱图像的目标检测可以分为匹配目标检测与异常检测。高光谱图像的异常检测可以在不使用目标先验信息的情况下将图像中的像素分为异常与背景两类，通常情况下，目标的先验信息很难获取，因此高光谱图像异常检测的应用更加广泛。经典的异常检测算法RX算法是一种基于背景建模的方法，该算法通过假设高光谱图像的背景符合高斯分布，利用整幅图像的均值与协方差矩阵来建立背景的统计模型，然后再通过衡量待测像素光谱与背景光谱分布之间的马氏距离来检测异常。CRD算法是一种基于协同表达的异常检测算法，该算法通过滑动双窗口构建背景字典，利用背景字典中的元素的线性组合来表达每个像素，由于背景和异常属于不同的簇，背景像素的再表达会由于异常像素，因此再表达图像与原图像的残差就是异常。现有的SAFL算法是一种基于深度学习的算法，该算法利用对抗自编码器提取高光谱图像的光谱特征，然后利用波段融合方法融合光谱特征得到空间特征，再利用空间特征增强原始高光谱图像中的异常目标，最后利用RX检测器公式求解高光谱图像中的异常值，进而得到高光谱图像的检测结果图。
[0003]但是，RX算法假设高光谱图像的背景符合高斯分布，这一假设过于理想化，实际上的高光谱图像背景并不严格服从于高斯分布，并且当背景复杂时，高光谱图像的背景可能是由多种不同的分布构成的，在这些情况下，依然将高光谱图像背景假设为理想的高斯分布并不合理，会导致背景估计的准确率低，检测结果误检率高、检测精度差。CRD算法在利用滑动双窗口构建背景字典时，窗口大小需要人为预先设置，由于缺乏目标的先验知识，因此无法预先知道窗口的最优大小，这会对检测结果造成一定的影响。并且在构建背景字典时值利用了局部的信息而没有考虑全局的信息，这会导致特征利用率低、背景可靠性低。这种方法由于需要重复计算还存在计算量大，耗时长的缺点。SALF算法利用深度神经网络进行高光谱图像特征的提取，在最终的特征图上只是使用了RX检测器进行异常检测，深度神经网络训练好的目标函数未将特征提取部分与后续的异常检测器部分联合优化，使得特征提取部分与异常检测部分本质上是分离的，导致深度神经网络无法发挥最大优势。
技术实现思路
[0004](一)要解决的技术问题
[0005]鉴于现有技术的上述缺点、不足，本专利技术提供一种高光谱异常检测方法及计算机装置。
[0006](二)技术方案
[0007]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0008]第一方面，本专利技术实施例提供一种高光谱异常检测方法，所述方法包括：
[0009]S1、获取待处理的高光谱图像；
[0010]S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到检测结果；
[0011]所述训练好的深度学习网络包括特征提取网络和异常检测网络；
[0012]所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图；
[0013]所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值；
[0014]其中，预先采用高光谱图像的训练数据对深度学习网络中的特征提取网络和异常检测网络进行联合训练以获取训练好的深度学习网络。
[0015]优选地，
[0016]所述特征提取网络包括：
[0017]对抗自编码器AAE，用于根据输入特征提取网络的高光谱图像生成重建图像，并根据输入特征提取网络的高光谱图像和所述重建图像生成残差图像；
[0018]自注意力机制模块，用于基于残差图像和输入特征提取网络的高光谱图像输出高光谱图像的全局相关特征，并得到包含所述全局相关特征的特征图Z；
[0019]所述高光谱图像的全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性；
[0020]局部特征提取网络，用于根据包含所述全局相关特征的特征图Z提取局部特征，输出融合了全局相关特征和局部特征的高光谱图像的特征图。
[0021]优选地，在S1之前还包括：
[0022]S00、获取高光谱图像的训练数据；
[0023]S01、将所述高光谱图像的训练数据输入到深度学习网络中的对抗自编码器AAE中，所述对抗自编码器AAE针对所述高光谱图像的训练数据进行编码
‑
解码处理，得到所述高光谱图像的训练数据的重建图像；
[0024]S02、基于所述高光谱图像的训练数据和所述重建图像，得到相应的残差图像；
[0025]S03、将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块，所述自注意力机制模块采用自注意力机制提取所述高光谱图像的训练数据的全局相关特征，并得到包含所述全局相关特征的特征图Z；
[0026]S04、将包含所述全局相关特征的特征图Z输入至局部特征提取网络中，局部特征提取网络提取所述高光谱图像的训练数据的局部特征，输出融合了全局相关特征和局部特征的高光谱图像的特征图；
[0027]S05、将所述高光谱图像的特征图输入异常检测网络中，输出高光谱图像的特征图中每一像素点的异常分数值；
[0028]所述异常检测网络为超平面学习层；
[0029]S06、重复S01
‑
S06直至异常检测网络中预先设定的损失函数收敛以达到，得到训练好的深度学习网络。
[0030]优选地，
[0031]所述对抗自编码器AAE包括：编码器E、解码器De和特征判别器Dz、残差单元；
[0032]其中，编码器E用于将输入对抗自编码器AAE中的高光谱图像映射到隐层空间得到隐变量z；
[0033]在AAE编码
‑
解码的过程中，重建损失函数使用huber loss；
[0034]特征判别器Dz用于采用损失函数Wgan
‑
gp对隐变量z的数据分布进行约束，使其满足高斯分布；
[0035]其中，所述损失函数Wgan
‑
gp为：
[0036][0037]其中，为高斯采样数据；
[0038]P
gauss
是高斯采样数据所属的高斯分布；
[0039]P
E
为隐层空间的数据分布；
[0040]代表经过Dz的输出结果；
[0041]Dz(z)代表隐变量z经过Dz的输出结果；
[0042]t为对定义在为沿P
gauss
和P
E
采样点对之间的直线空间P
t
的均匀采样；
[0043]E[*]代表的是数学期望函数；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种高光谱异常检测方法，其特征在于，所述方法包括：S1、获取待处理的高光谱图像；S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到检测结果；所述训练好的深度学习网络包括特征提取网络和异常检测网络；所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图；所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值；其中，预先采用高光谱图像的训练数据对深度学习网络中的特征提取网络和异常检测网络进行联合训练以获取训练好的深度学习网络。2.根据权利要求1所述的方法，其特征在于，所述特征提取网络包括：对抗自编码器AAE，用于根据输入特征提取网络的高光谱图像生成重建图像，并根据输入特征提取网络的高光谱图像和所述重建图像生成残差图像；自注意力机制模块，用于基于残差图像和输入特征提取网络的高光谱图像输出高光谱图像的全局相关特征，并得到包含所述全局相关特征的特征图Z；所述高光谱图像的全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性；局部特征提取网络，用于根据包含所述全局相关特征的特征图Z提取局部特征，输出融合了全局相关特征和局部特征的高光谱图像的特征图。3.根据权利要求2所述的方法，其特征在于，在S1之前还包括：S00、获取高光谱图像的训练数据；S01、将所述高光谱图像的训练数据输入到深度学习网络中的对抗自编码器AAE中，所述对抗自编码器AAE针对所述高光谱图像的训练数据进行编码
‑
解码处理，得到所述高光谱图像的训练数据的重建图像；S02、基于所述高光谱图像的训练数据和所述重建图像，得到相应的残差图像；S03、将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块，所述自注意力机制模块采用自注意力机制提取所述高光谱图像的训练数据的全局相关特征，并得到包含所述全局相关特征的特征图Z；S04、将包含所述全局相关特征的特征图Z输入至局部特征提取网络中，局部特征提取网络提取所述高光谱图像的训练数据的局部特征，输出融合了全局相关特征和局部特征的高光谱图像的特征图；S05、将所述高光谱图像的特征图输入异常检测网络中，输出高光谱图像的特征图中每一像素点的异常分数值；所述异常检测网络为超平面学习层；S06、重复S01
‑
S06直至异常检测网络中预先设定的损失函数收敛以达到，得到训练好的深度学习网络。4.根据权利要求3所述的方法，其特征在于，所述对抗自编码器AAE包括：编码器E、解码器De和特征判别器Dz、残差单元；
其中，编码器E用于将输入对抗自编码器AAE中的高光谱图像映射到隐层空间得到隐变量z；在AAE编码
‑
解码的过程中，重建损失函数使用huberloss；特征判别器Dz用于采用损失函数Wgan
‑
gp对隐变量z的数据分布进行约束，使其满足高斯分布；其中，所述损失函数Wgan
‑
gp为：其中，为高斯采样数据；P
gauss
是高斯采样数据所属的高斯分布；P
E
为隐层空间的数据分布；代表经过...
【专利技术属性】
技术研发人员：王津申，何益凡，段宇宵，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。