基于非对称自编码器的高光谱异常目标检测方法技术

本发明专利技术公开了一种基于非对称自编码器的高光谱异常目标检测方法，包括以下步骤：构建训练样本

【技术实现步骤摘要】
基于非对称自编码器的高光谱异常目标检测方法


[0001]本专利技术涉及一种遥感图像处理技术，尤其涉及一种基于非对称自编码器的高光谱异常目标检测方法。

技术介绍

[0002]高光谱图像是一种三维立方体数据。其中两个维度表示空间位置；另一个维度表示不同波段下地物的反射率。与多光谱图像相比，高光谱图像具有数百个连续光谱波段，可以提供丰富的光谱信息。基于光谱特征的变化，利用高光谱图像能够更可靠地识别地面物体。因此，高光谱图像适用于多种遥感图像的处理应用，例如光谱解混、分类、变化检测和目标检测。
[0003]其中，目标检测的目的是根据光谱特征区分目标像元和背景像元。目标像元具有两个特征：第一，与周围背景像元相比，存在明显的光谱差异；第二，目标体积小，出现概率低。根据是否存在目标像元的先验光谱信息，目标检测可分为目标匹配和异常检测。由于不需要异常目标像元的先验光谱信息，异常检测在应用中更具有实用性。因此，高光谱异常检测被广泛应用于环境监测、搜救、军事侦察等领域。
[0004]同时，在近几年，伴随着深度学习理论的飞速发展，基于深度学习的高光谱异常检测方法的研究得到了广泛关注。基于深度学习的高光谱异常检测方法大多以自编码器作为模型主干(自编码器是一种无监督的神经网络模型，由编码器和解码器组成。编码器将输入数据映射到较低维空间，并生成包含重要特征的隐层编码。解码器利用隐层编码输出重建数据。自编码器能够学习到多数样本的特征。)。其原理为：在图像场景中，背景样本占主导数量，背景样本可以被较好地重建，而异常则不能。因此，可以利用重建误差(例如，光谱角距离，欧氏距离等方法)作为检测手段，判定重建误差较大的是异常。然而，自编码器具有强大的非线性拟合能力。在实际应用中，异常也能被很好地重建，导致异常和背景不能被分离开。
[0005]基于此背景，本专利技术提出一种基于非对称自编码器的高光谱异常目标检测方法。

技术实现思路

[0006]本专利技术的目的是提供一种基于非对称自编码器的高光谱异常目标检测方法，与现有技术相比，能够更好地增大背景和异常的差异性，提高检测率。
[0007]为实现上述目的，本专利技术提供了基于非对称自编码器的高光谱异常目标检测方法，包括以下步骤：
[0008]S1、将获取的3
‑
D高光谱图像转换为2
‑
D矩阵，每一个像元作为一个训练样本，得到的全局训练样本；
[0009]S2、将步骤S1得到的全局训练样本顺序打乱，设置训练阶段的batch size；
[0010]S3、将步骤S2获得的每一个batch的训练样本输入到基于残差自注意力模块机制的非对称自编码器，输出相对应的重建像元和隐层编码；
[0011]S4、计算步骤S3得到的重建像元和输入像元的Smooth
‑
l1损失，将其作为重建损失；同时计算步骤S3得到的隐层编码的核范数的对数，将其作为低秩损失；
[0012]S5、将步骤S4计算得到的两种损失值加权求和，作为模型的总损失函数，利用反向传播的方式优化模型；
[0013]S6、将未打乱顺序的2
‑
D高光谱图像输入步骤S5已训练好的模型中，输出重建图像，并计算原始2
‑
D图像和重建图像的欧氏距离，作为像元的异常得分，输出最终检测图。
[0014]优选的，步骤S1中设定3
‑
D的高光谱图像Y∈R
H
×
W
×
D
，其中,H，W和D分别表示图像的高度，宽度和波段数；
[0015]3‑
D的高光谱图像展开变成2
‑
D图像Y＝[y1,y2,...,y
i
,...,y
l
]∈R
D
×
L
，其中，L代表图像中的像元总数，L＝H
×
W。
[0016]优选的，步骤S2中所述的batchsize设置为2的幂指数。
[0017]优选的，步骤S3中所述的基于残差自注意力模块机制的非对称自编码器包括编码器和解码器；
[0018]其中，编码过程如下：
[0019]Z＝encoder(Y)
ꢀꢀꢀ
(1)
[0020]解码过程如下：
[0021][0022]其中，encoder(
·
)和decoder(
·
)分别表示编码过程和解码过程。
[0023]优选的，所述编码器包括残差自注意力模块和全连接层，解码器由全连接层组成；
[0024]残差自注意力模块计算方式如下：
[0025][0026]其中，Q，K和V通过线性变换获得，计算公式如下：
[0027]Q＝W
q
Y
ꢀꢀꢀ
(4)
[0028]K＝W
k
Y
ꢀꢀꢀ
(5)
[0029]V＝W
v
Y
ꢀꢀꢀ
(6)
[0030]其中，W
q
，W
k
和W
v
是权重矩阵，softmax是激活函数，d
k
为矩阵K的特征维度；
[0031]全连接层中利用Sigmoid函数作为激活函数，Sigmoid函数如下所示：
[0032][0033]优选的，步骤S4中所述的重建损失函数为：
[0034][0035]式中，Y和分别是原始图像和重建图像。
[0036]优选的，步骤S4中所述的低秩损失函数为：
[0037][0038][0039]式中，Z是隐层编码，||Z||
*
表示Z的核范数，tr(
·
)表示矩阵Z特征值之和。
[0040]优选的，步骤S5中所述的总损失函数为：
[0041][0042]式中，是重建损失函数，是低秩损失函数，λ是权衡参数。
[0043]优选的，λ取值为2。
[0044]优选的，步骤S6中所述每个像元的异常得分由以下公式计算：
[0045][0046]式中，y
i
是输入像元；是重建像元。
[0047]因此，本专利技术采用上述基于非对称自编码器的高光谱异常目标检测方法，与现有技术相比，能够更好地增大背景和异常的差异性，提高检测率。
[0048]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0049]图1为本专利技术的方法流程图；
[0050]图2为本专利技术的残差自注意力模块的原理图；
[0051]图3为本专利技术的基于残差自注意力机制的非对称自编码器的原理图
[0052]图4为圣地亚哥机场数据集的高光谱图像伪彩图；
[0053]图5为实验例的参考图；
[0054]图6为经RX处理圣地亚哥机场数据集结果图；
[0055]图7为经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非对称自编码器的高光谱异常目标检测方法，其特征在于：包括以下步骤：S1、将获取的3
‑
D高光谱图像转换为2
‑
D矩阵，每一个像元作为一个训练样本，得到的全局训练样本；S2、将步骤S1得到的全局训练样本顺序打乱，设置训练阶段的batch size；S3、将步骤S2获得的每一个batch的训练样本输入到基于残差自注意力模块机制的非对称自编码器，输出相对应的重建像元和隐层编码；S4、计算步骤S3得到的重建像元和输入像元的Smooth
‑
l1损失，将其作为重建损失；同时计算步骤S3得到的隐层编码的核范数的对数，将其作为低秩损失；S5、将步骤S4计算得到的两种损失值加权求和，作为模型的总损失函数，利用反向传播的方式优化模型；S6、将未打乱顺序的2
‑
D高光谱图像输入步骤S5已训练好的模型中，输出重建图像，并计算原始2
‑
D图像和重建图像的欧氏距离，作为像元的异常得分，输出最终检测图。2.根据权利要求1所述的基于非对称自编码器的高光谱异常目标检测方法，其特征在于：步骤S1中设定3
‑
D的高光谱图像Y∈R
H
×
W
×
D
，其中,H，W和D分别表示图像的高度，宽度和波段数；3
‑
D的高光谱图像展开变成2
‑
D图像Y＝[y1,y2,...,y
i
,...,y
l
]∈R
D
×
L
，其中，L代表图像中的像元总数，L＝H
×
W。3.根据权利要求2所述的基于非对称自编码器的高光谱异常目标检测方法，其特征在于：步骤S2中所述的batch size设置为2的幂指数。4.根据权利要求3所述的基于非对称自编码器的高光谱异常目标检测方法，其特征在于：步骤S3中所述的基于残差自注意力模块机制的非对称自编码器包括编码器和解码器；其中，编码过程如下：Z＝encoder(Y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)解码过程如下：Y＝decoder(Z)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：王立国，王霄衣，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：