基于多特征智能优选的高光谱异常检测方法与系统技术方案

本发明专利技术提供一种基于多特征智能优选的高光谱异常检测方法与系统，首先对原始高光谱数据进行谱段优选，通过跨子空间联合提取原始光谱数据中的最优谱段集；继而对最优谱段集中各谱段进行多尺度、多类型的属性滤波及差分运算，提取异常目标的空谱特征信息，且放大目标与背景间差异；然后采用遗传算法对各特征剖面进行分类，并智能优选出最具代表性的空谱特征剖面集合；最后将智能优选出的各空谱特征剖面进行阈值加权求和，滤除背景信息并突显目标位置，联合生成异常检测结果。本发明专利技术采用由粗到精的检测策略，在提高精度的同时实现多目标自动化检测功能。动化检测功能。动化检测功能。

【技术实现步骤摘要】
基于多特征智能优选的高光谱异常检测方法与系统


[0001]本专利技术涉及图像处理
，特别涉及一种基于多特征智能优选的高光谱异常检测方法与系统。

技术介绍

[0002]高光谱图像将成像技术与光谱技术有机地结合起来，不仅可以获取地物的形貌特征及空间分布，还可探测其辐射度及光谱信息，具有图谱合一的特点和优势。相对全色或多光谱图像而言，高光谱图像提供了精细的地物光谱诊断性特征，可利用代表目标真实性的“指纹光谱”完成对目标的准确检测识别，其在军事目标侦查、海洋科学研究、精准农业、环境监测和矿物勘探等领域都有着广泛的应用。如何自动发现场景中的多个材质、形状及大小不同的异常目标，已成为高光谱目标检测的一大热点与难点。
[0003]常见高光谱异常检测方法可分为基于统计特性的异常检测方法、非线性异常检测方法、基于表示的异常检测方法及无监督学习方法。上述检测方法往往存在一些不足。如：异常检测通常从背景着手，认为高光谱图像背景可以通过某种数学模型构建表示出来，而异常则无法通过数学模型的构建进行表示，因此现有方法对高光谱图像中多种复杂背景分布的处理能力较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征智能优选的高光谱异常检测系统，其特征在于，所述基于多特征智能优选的高光谱异常检测系统包括谱段选择模块、空谱特征提取模块、空谱特征剖面优选模块和异常检测结果生成模块，其中，所述谱段选择模块用于通过跨子空间联合对原始高光谱数据进行谱段选择，形成最优谱段集；所述空谱特征提取模块对最优谱段集中各谱段进行多尺度、多类型的属性滤波及差分运算，提取异常目标的空谱特征信息，且抑制背景信息，增强目标与背景间差异；所述空谱特征剖面优选模块用于将不同属性和不同阈值参数所获取的特征剖面进行分类，并自动智能优选出最具代表性的空谱特征剖面集合；所述异常检测结果生成模块用于将智能优选出的所述最具代表性的各空谱特征剖面进行阈值加权求和，使目标信息不断进行叠加和补充，滤除背景信息并突显目标位置，联合生成异常检测结果。2.根据权利要求1所述的基于多特征智能优选的高光谱异常检测系统，其特征在于，所述谱段选择模块包括相关系数计算单元、子空间划分单元、最佳指数因子计算单元和最优谱段集提取单元，其中，所述相关系数计算单元使用相关系数矩阵计算各谱段间的相关性；所述子空间划分单元用于将原始高光谱数据划分成多个子空间；所述最佳指数因子计算单元用于计算位于同一子空间内的各谱段与前后相邻两谱段间的最佳指数因子，找到信息量最大且相关性最小的谱段代表该子空间；所述最优谱段集提取模块用于将代表各子空间的谱段提取出来，获得表示原始高光谱数据的最优谱段集。3.根据权利要求1所述的基于多特征智能优选的高光谱异常检测系统，其特征在于，所述空谱特征提取模块包括空间结构特征表征单元、属性滤波器的阈值选取与差分运算单元、空谱特征剖面的归一化处理单元，其中，所述空间结构特征表征单元用于选取面积、对角线长度、标准差、惯性矩四种属性类型，构造多重空间特征，完备表征高光谱数据的空间结构特征；所述属性滤波器的阈值选取与差分运算单元用于不同属性滤波器的阈值选取及相应的差分剖面获取，采用多个阈值参数描述不同尺度异常目标的空间信息，其中面积属性滤波器的差分公式及阈值选取方法如下：A
i
＝|φ
A
(f
i
)
‑
f
i
|+|f
i
‑
γ
A
(f
i
)|＝φ
A
(f
i
)
‑
γ
A
(f
i
)(1)；其中，φ和γ分别表示粗化操作和细化操作，A
i
为第i个谱段的所述面积属性差分剖面，面积属性的阈值参数选取与空间分辨率ρ和图像尺寸M
×
N有关，a
max
和a
min
分别表示面积属性阈值的上下界，这里将a
min
＝2且a
max
<3
×
min(M,N)/ρva
max
<20，δ
A
为步长设为1；对角线长度属性滤波器的差分公式及阈值选取方法如下：B
i
＝|φ
B
(f
i
)
‑
f
i
|+|f
i
‑
γ
B
(f
i
)|＝φ
B
(f
i
)
‑
γ
B
(f
i
)(3)；λ
B
＝{b
min
,b
min
+δ
B
,b
min
+2δ
B
,...,b
max
}(4)；其中，B
i
为第i个谱段的所述对角线长度属性差分剖面，所述对角线长度属性的阈值参
数选取与空间分辨率ρ和图像尺寸M
×
N有关，b
max
和b
min
分别为对角线长度属性阈值的上下界，这里将b
min
＝3且δ
B
为步长设为2；标准差属性滤波器的差分公式及阈值选取方法如下：S
i
＝||φ
s
(f
i
)
‑
f
i
|
‑
|f
i
‑
γ
s
(f
i
)||(5)；λ
S
＝{S
min
,S
min
+δ
S
,S
min
+2δ
S
,...,S
max
}(6)；其中，S
i
为第i个谱段的所述标准差属性差分剖面，所述标准差的阈值参数选取与该谱段均值有关，S
max
和S
min
分别为标准差属性阈值的上下界，分别为均值的25％和5％，δ
s
为步长设为均值的2.5％；惯性矩属性滤波器的差分公式及阈值选取方法如下：I
i
＝||φ
I
(f
i
)
‑
f
i
|
‑
|f
i
‑
γ
I
(f
i
)||(7)；λ
I
＝{I
min
,I
min
+δ
I
,I
min
+2δ
I
,...,I
max
}(8)；其中，I
i
为第i个谱段的所述惯性矩属性差分剖面，I
max
和I
min
分别为所述惯性矩属性阈值的上下界，这里将I
max
＝0.9且I
min
＝0.1，δ
I
为步长设为0.1；所述空谱特征剖面的归一化处理单元通过对差分操作所获取的不同尺度、不同属性的特征剖面进行归一化操作，便于不同特征剖面间差异性分析比较。4.根据权利要求1所述的基于多特征智能优选的高光谱异常检测系统，其特征在于，所述空谱特征剖面优选模块包括空谱特征剖面编号单元、差异性系数计算单元、最优特征剖面筛选单元，其中，所述空谱特征剖面编号单元用于将归一化后的所述空谱特征剖面进行编号作为遗传算法中各染色体的编码值，所述染色体采用实数编码方式，范围从1至所述空谱特征剖面的总数q，个体中所含染色体个数为期望获得的具有代表性的特征剖面个数n；所述差异性系数计算单元通过适应度函数表示该剖面组合作为最优特征剖面时，类内与类间的差异性系数比值的计算公式如下：其中，f
ci
和f
cj
分别为不同的所述最优特征剖面，f
h
为ci类的类内成员，C
ci
则为属于ci类的成员个数。D
NMI
代表差异性系数，差异性系数值越小表示两个特征剖面间差异越大，D
NMI
的计算公式如下：其中，G
i
和G
j
分别为f
i
和f
j
的灰度值集合，g
x
和g
y
分别为其中的各个灰度值，p(g
x
，g
y
)则为联合概率质量函数；所述最优特征剖面筛选单元通过执行选择、交叉、变异操作，反复计算种群中每个个体
的适应度函数，智能挑选出类内差异最小、类间差异最大的特征剖面组合，即为代表所述高光谱数据空谱特性的最优特征剖面集合。5.根据权利要求1所述的基于多特征智能优选的高光谱异常检测系统，其特征在于，所述异常检测结果生成模块包括特征剖面阈值计算单元、检测结果获取单元，其中，所述特征剖面阈值计算单元用于将智能优选出最具代表性的所述各空谱特征剖面进行阈值处理，采用最大类间方差Otsu算法计算特征剖面阈值，其计算公式如下：B
i
＝Thresh(f
i
...

【专利技术属性】
技术研发人员：王含宇，张涛，孟令通，田大鹏，沈宏海，杨名宇，姚东，晏春回，王昱棠，刘凯，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：