一种变分背景推理生成对抗网络的高光谱异常检测方法技术

本发明专利技术涉及一种变分背景推理生成对抗网络的高光谱异常检测方法，包括以下步骤：将高光谱影像输入训练好的高光谱异常检测模型，进行影像重构并计算重构误差，得到高光谱异常检测结果，高光谱异常检测模型的训练过程为：1)构建训练样本；2)建立变分背景推理生成对抗网络；3)获得采样数据潜变量；4)将潜变量z与正态分布样本输入至潜变量判别器，进行对抗性训练；5)将潜变量和正态分布样本输入至生成器，分别生成两个生成样本；6)将训练样本和两个生成样本共同输入至样本判别器；7)重复3)～6)，直至变分背景推理生成对抗网络的损失函数收敛，完成模型的训练。与现有技术相比，本发明专利技术具有检测精度高等优点。有检测精度高等优点。有检测精度高等优点。

【技术实现步骤摘要】
一种变分背景推理生成对抗网络的高光谱异常检测方法


[0001]本专利技术涉及高光谱异常检测领域，尤其是涉及一种变分背景推理生成对抗网络的高光谱异常检测方法。

技术介绍

[0002]随着高光谱成像光谱仪的发展，遥感影像的光谱信息从全色、多光谱到高光谱的快速发展，使遥感技术进入到一个崭新阶段。高光谱影像具有高光谱分辨率，获得的影像像元具有上百波段光谱信息，基于各种地物之间不同光谱特性，高光谱遥感已经在地物分类、定量反演、目标检测和生态环境监测等方面得到广泛应用。高光谱影像目标检测根据是否已知目标信息，可将检测算法分为两类，其中一类为已知目标信息的目标探测算法，主要是利用已知目标的光谱信息，通过与目标光谱曲线进行匹配，获取探测目标。通常情况下，目标和背景的先验知识很难获取，因此另一类是未知目标信息的异常检测算法。
[0003]现有技术基于深度学习的异常检测方法中，生成对抗网络的各种变体存在训练不稳定、模式崩溃、生成样本质量低等问题，导致异常检测中虚警率高、检测精度低。此外，由于缺乏目标与背景的先验知识，现有技术未充分考虑背景和异常的统计分布特征，训练样本中包含难以分离的背景和异常样本，而异常样本会对网络的训练过程产生影响，因此重建误差的检测精度会降低。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供的一种检测精度高的变分背景推理生成对抗网络的高光谱异常检测方法。
[0005]一种变分背景推理生成对抗网络的高光谱异常检测方法，包括以下步骤：
[0006]将高光谱影像输入训练好的高光谱异常检测模型，进行影像重构并计算重构误差，基于重构误差和设置的异常度阈值，得到高光谱异常检测结果，
[0007]其中，高光谱异常检测模型的训练过程为：
[0008]1)获取原始高光谱数据，基于经过预处理的原始高光谱数据构建训练样本，原始高光谱数据包括所有高光谱像素的光谱；
[0009]2)建立变分背景推理生成对抗网络，变分背景推理生成对抗网络包括编码器E、生成器G、样本判别器Ds和潜变量判别器Dl，变分背景推理生成对抗网络的损失函数包括变分推断损失、光谱重构损失、对抗损失和特征匹配损失，光谱重构损失包括均方误差和光谱角，特征匹配损失在样本判别器Ds和潜变量判别器Dl的中间层构建；
[0010]3)将训练样本输入编码器E，获取变量的方差和均值，根据方差和均值，进行重新参数化，获得采样数据潜变量z；
[0011]4)将潜变量z与正态分布样本ξ输入至潜变量判别器Dl，进行对抗性训练，潜变量判别器Dl引导重新参数化的数据与先验分布相匹配，先验分布为正态分布样本ξ；
[0012]5)将潜变量z和正态分布样本ξ输入至生成器G，分别生成两个生成样本，分别为生
成器G重建的从编码器获得的光谱特征x
Gz
和生成器G从正态分布样本ξ中生成的假光谱；
[0013]6)将训练样本和生成器G生成的两个生成样本共同输入至样本判别器Ds，增加细节特征；
[0014]7)重复3)～6)，直至变分背景推理生成对抗网络的损失函数收敛，完成模型的训练。
[0015]进一步地，各个损失函数的表达式为：
[0016][0017][0018][0019][0020]其中，为生成器G的总损失，与L
Ds
分别为生成器G与样本判别器Ds对抗训练的生成损失与对抗损失，L
Gl
与L
Dl
分别为编码器E与潜变量判别器Dl对抗训练的生成损失与对抗损失，L
MSE
为均方误差，L
SAM
为光谱角，为编码器E和学习背景分布的总损失，L
KL
为变分推断损失，为Ds网络提取的数据特征与Dl网络提取的潜变量z的特征之间的特征匹配损失，L
fm_G
为经过Ds网络提取的两个生成样本与Dl网络提取的潜变量z的特征之间的特征匹配损失，L
θDf
和L
θDb
分别为样本判别器Ds和潜变量判别器Dl的总损失，λ1、λ2、λ3和λ4分别为各损失项调节参数。
[0021]进一步地，编码器E由三个全连接层组成，并采用Leaky ReLU函数激活。
[0022]进一步地，生成器G由四个全连接层组成，生成器G输出的维度与高光谱影像的波段数量一致，生成器G的最后一层采用Sigmoid函数激活。
[0023]进一步地，样本判别器Ds和潜变量判别器Dl都由四个全连接层组成，样本判别器Ds和潜变量判别器Dl的最后一层都采用Sigmoid函数激活。
[0024]进一步地，变分推断损失的训练目标为学习潜变量z分布，以对真实数据分布进行采样。
[0025]进一步地，对抗损失为采用基于梯度惩罚的最优传输距离损失构建的样本判别器Ds和潜变量判别器Dl的对抗损失。
[0026]进一步地，特征匹配损失的训练目标为将组成变分背景推理生成对抗网络的样本与潜变量生成对抗网络紧密耦合。
[0027]进一步地，正态分布样本ξ为标准正态分布，其表达式为ξ＝N(0,1)。
[0028]进一步地，预处理具体为：采用最小
‑
最大规范化对原始高光谱数据进行归一化处理。
[0029]与现有技术相比，本专利技术具有以下有益效果：
[0030](1)本专利技术针对背景的复杂分布特性与异常现象的低概率特性，引入变分推理方法，使高光谱背景分布可以收敛到多变量正态分布，从而有效避免了异常样本对网络背景学习的干扰。
[0031](2)本专利技术由光谱重构损失、对抗损失、特征匹配损失构建复合损失函数，保证光谱的精确性重建，实现高光谱背景的准确学习和背景与异常目标的有效分离。其中，光谱重
构损失融合了均方误差(MSE)与光谱角(SAM)，以保证生成光谱的整体一致与细节吻合。
[0032](3)本专利技术在两个判别器网络的中间层构建特征匹配损失，将数据样本与潜变量生成对抗网络紧密耦合，以获得更稳定的生成数据。
[0033](4)本专利技术的方法具有无监督学习、端到端的自动异常检测等优点，变分背景推理生成对抗网络模型通过将所有像素光谱输入模型，自主地获得重构图像和重构误差，这样可以进一步提高异常
‑
背景分离的效果。
附图说明
[0034]图1为本专利技术的流程图；
[0035]图2为本专利技术的高光谱异常检测模型结构图，其中，图2(a)为编码器的结构图，图2(b)为生成器的结构图，图2(c)为样本判别器的结构图，图2(d)为潜变量判别器的结构图；
[0036]图3为变分背景推理生成对抗网络结构图。
具体实施方式
[0037]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0038]现有技术基于深度学习的异常检测方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变分背景推理生成对抗网络的高光谱异常检测方法，其特征在于，包括以下步骤：将高光谱影像输入训练好的高光谱异常检测模型，进行影像重构并计算重构误差，基于重构误差和设置的异常度阈值，得到高光谱异常检测结果，其中，高光谱异常检测模型的训练过程为：1)获取原始高光谱数据，基于经过预处理的原始高光谱数据构建训练样本，原始高光谱数据包括所有高光谱像素的光谱；2)建立变分背景推理生成对抗网络，变分背景推理生成对抗网络包括编码器E、生成器G、样本判别器Ds和潜变量判别器Dl，变分背景推理生成对抗网络的损失函数包括变分推断损失、光谱重构损失、对抗损失和特征匹配损失，光谱重构损失包括均方误差和光谱角，特征匹配损失在样本判别器Ds和潜变量判别器Dl的中间层构建；3)将训练样本输入编码器E，获取变量的方差和均值，根据方差和均值，进行重新参数化，获得采样数据潜变量z；4)将潜变量z与正态分布样本ξ输入至潜变量判别器Dl，进行对抗性训练，潜变量判别器Dl引导重新参数化的数据与先验分布相匹配，先验分布为正态分布样本ξ；5)将潜变量z和正态分布样本ξ输入至生成器G，分别生成两个生成样本，分别为生成器G重建的从编码器获得的光谱特征x
Gz
和生成器G从正态分布样本ξ中生成的假光谱；6)将训练样本和生成器G生成的两个生成样本共同输入至样本判别器Ds，增加细节特征；7)重复3)～6)，直至变分背景推理生成对抗网络的损失函数收敛，完成模型的训练。2.根据权利要求1所述的一种变分背景推理生成对抗网络的高光谱异常检测方法，其特征在于，各个损失函数的表达式为：L
θG
＝L
Gs
+λ1L
MSE
+λ2L
SAMSAMSAM
其中，为生成器G的总损失，L
Gs
与L
Ds
分别为生成器G与样本判别器Ds对抗训练的生成损失与对抗损失，L
Gl
与L
Dl
分别为编码器E与潜变量判别器Dl对抗训练的生成损失与对抗损失，L
MSE
为均...

【专利技术属性】
技术研发人员：谭琨，王志威，王雪，韩波，张宏宇，雷勇，梁德印，余婧，殷延鹤，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：