空间-光谱联合遥感高光谱图像的异常检测方法技术

空间

【技术实现步骤摘要】
空间
‑
光谱联合遥感高光谱图像的异常检测方法


[0001]本专利技术涉及一种空间
‑
光谱联合遥感高光谱图像的异常检测方法，属于高光谱图像


技术介绍

[0002]高光谱在卫星遥感领域占据了非常重要的地位。随着高光谱传感器的分辨率和光谱范围的不断提高，高光谱图像的波段数量已经发展到成百上千的水平，能提供十分丰富的光谱信息，在农业和军事领域得到了高度关注。高光谱数据是一个三维的数据立方体，其中两个维度反映空间信息，另一个维度则通过连续的光谱波段提供丰富的光谱信息。
[0003]高光谱异常检测是高光谱图像处理的重要领域之一，其目的是在没有先验知识的情况下，自动地检测出高光谱图像中的异常像元。但是，高光谱异常检测存在如下问题：
[0004]1、由于高光谱数据本身的特征维度大、数据量大、数据相关性高、冗余度高等特点，需要经过相应的预处理才能得到更好的异常检测结果；
[0005]2、由于高光谱异常检测通常是无监督的，因此在缺乏有效的监督信息的情况下，如何对算法的准确性和效率进行评估是一个具有挑战性和有意义的问题。

技术实现思路

[0006]本专利技术目的是为了解决现有高光谱异常检测存在数据存在特征维度大、数据量大、数据相关性高、冗余度高，以及准确性和效率比较差的问题，提供了一种空间
‑
光谱联合遥感高光谱图像的异常检测方法。
[0007]本专利技术所述空间
‑
光谱联合遥感高光谱图像的异常检测方法，它包括：
[0008]S1、对高光谱图像中的高光谱数据进行波段分组预处理；
[0009]S2、将波段分组后的高光谱数据作为输入，构建Transformer深度学习模型，对高光谱图像的背景进行重建；
[0010]S3、采用空间
‑
光谱联合方法对重建背景的图像与原始高光谱图像之间的残差图像进行联合检测，分别获得光谱域和空间域的异常检测结果，将光谱域和空间域的异常检测结果进行线性组合，获得原始高光谱图像的异常检测结果。
[0011]优选的，S1所述对高光谱图像中的数据进行波段分组预处理的具体方法包括：
[0012]S1
‑
1、高光谱图像是具有M
×
N个B维的向量合集，表示为：
[0013]Y∈R
M
×
N
×
B
，Y＝{y1,y2,...,y
M
×
N
}，
[0014]对高光谱图像Y进行归一化处理，然后除以高光谱数据能量值的最大值，然后采用reshape函数转变为维度{M
×
N,B}的矩阵；
[0015]S1
‑
2、对高光谱数据每隔τ个采样点进行一次采样处理，将S1
‑
1获取的具有B个波段的矩阵对应的高光谱图像分割成τ个时间步，每个时间步的序列长度m为：
[0016]m＝floor(B/τ)，floor(
·
)表示向下取整；
[0017]S1
‑
3、对高光谱数据进行分组预处理，获得高光谱数据z，z的维度为：(M
×
N,τ,m)；
[0018]波段分组预处理结果表示为：
[0019][0020]其中：表示第p个光谱向量，z＝[z
(1)
,...,z
(i)
,...,z
(τ)
]是包含全局信息的序列，i＝1,2,...,i,...,τ。
[0021]优选的，τ＝5，B＝128，m＝25。
[0022]优选的，S2所述对高光谱图像的背景进行重建的具体方法包括：
[0023]S2
‑
1、对波段分组后的高光谱数据进行一维卷积特征提取，获得改变通道数量的高光谱数据；
[0024]S2
‑
2、对S2
‑
1获得的改变通道数量的高光谱数据进行位置编码，然后输入到Transformer深度学习模型的编码器中，对高光谱图像的背景进行重建。
[0025]优选的，所述Transformer深度学习模型的编码器包括：多个相同的层，每层包括两个子层，两个子层分别为多头自注意力层和位置逐元素前馈层；
[0026]所述多头自注意力层用于在不同的粒度级别上关注输入序列的不同部分；
[0027]所述位置逐元素前馈层用于对序列中的每个位置应用非线性变换。
[0028]优选的，所述多头自注意力层用于在不同的粒度级别上关注输入序列的不同部分的具体方法包括：
[0029]在多头自注意力层，一个多头自注意力子层同时将输入转换为不同的查询矩阵键矩阵和值矩阵
[0030]其中，h＝1,
…
,H表示注意力头的数量，分别表示Q
h
、K
h
、V
h
的权重矩阵，均为需要学习的参数；
[0031]获取经过缩放的点积注意力表达式为：
[0032][0033]其中，d
k
表示(Q
h
,K
h
,V
h
)的维度，
[0034]多头自注意力机制为：
[0035]MultiHead(Q
h
,K
h
,V
h
)＝Concat(head1,...,head
h
)W
o
[0036]其中，head
i
表示经过缩放的点积注意力机制，点积注意力机制是将经过缩放的点积注意力机制head
i
计算H次，再把输出合并，然后乘以权重矩阵W
o
。
[0037]优选的，所述位置逐元素前馈层包括：两层全连接网络和一个ReLU激活函数。
[0038]优选的，S3所述重建背景与原始高光谱图像之间的残差图像的方法包括：
[0039]重建背景的图像与原始高光谱图像Y之间，通过逐点计算获得残差图像ΔY：
[0040][0041]优选的，S3所述获得光谱域异常检测结果的具体方法包括：
[0042]在光谱域，采用Mahalanobis距离对残差图像进行处理，分离背景像素和异常像素，获得光谱域异常检测结果D
spectral
：
[0043]D
spectral
＝(Δy
i
‑
μ)
T
Γ
‑1(Δy
i
‑
μ)
[0044]其中，Δy
i
表示ΔY的第i个像素值，μ表示ΔY的均值，Γ
‑1表示ΔY的协方差矩阵；
[0045]S3所述获得空间域的异常检测结果的具体方法包括：
[0046][0047]其中，D
spatial
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.空间
‑
光谱联合遥感高光谱图像的异常检测方法，其特征在于，它包括：S1、对高光谱图像中的高光谱数据进行波段分组预处理；S2、将波段分组后的高光谱数据作为输入，构建Transformer深度学习模型，对高光谱图像的背景进行重建；S3、采用空间
‑
光谱联合方法对重建背景的图像与原始高光谱图像之间的残差图像进行联合检测，分别获得光谱域和空间域的异常检测结果，将光谱域和空间域的异常检测结果进行线性组合，获得原始高光谱图像的异常检测结果。2.根据权利要求1所述的空间
‑
光谱联合遥感高光谱图像的异常检测方法，其特征在于，S1所述对高光谱图像中的数据进行波段分组预处理的具体方法包括：S1
‑
1、高光谱图像是具有M
×
N个B维的向量合集，表示为：Y∈R
M
×
N
×
B
，Y＝{y1,y2,...,y
M
×
N
}，对高光谱图像Y进行归一化处理，然后除以高光谱数据能量值的最大值，然后采用reshape函数转变为维度{M
×
N,B}的矩阵；S1
‑
2、对高光谱数据每隔τ个采样点进行一次采样处理，将S1
‑
1获取的具有B个波段的矩阵对应的高光谱图像分割成τ个时间步，每个时间步的序列长度m为：m＝floor(B/τ)，floor(
·
)表示向下取整；S1
‑
3、对高光谱数据进行分组预处理，获得高光谱数据z，z的维度为：(M
×
N,τ,m)；波段分组预处理结果表示为：其中：表示第p个光谱向量，z＝[z
(1)
,...,z
(i)
,...,z
(τ)
]是包含全局信息的序列，i＝1,2,...,i,...,τ。3.根据权利要求2所述的空间
‑
光谱联合遥感高光谱图像的异常检测方法，其特征在于，τ＝5，B＝128，m＝25。4.根据权利要求1所述的空间
‑
光谱联合遥感高光谱图像的异常检测方法，其特征在于，S2所述对高光谱图像的背景进行重建的具体方法包括：S2
‑
1、对波段分组后的高光谱数据进行一维卷积特征提取，获得改变通道数量的高光谱数据；S2
‑
2、对S2
‑
1获得的改变通道数量的高光谱数据进行位置编码，然后输入到Transformer深度学习模型的编码器中，对高光谱图像的背景进行重建。5.根据权利要求4所述的空间
‑
光谱联合遥感高光谱图像的异常检测方法，其特征在于，所述Transformer深度学习模型的编码器包括：多个相同的层，每层包括两个子层，两个子层分别为多头自注意力层和位置逐元素前馈层；所述多头自注意力层用于在不同的粒度级别上关注输入序列的不同部分；
所述位置逐元素前馈层用于对序列中的每个位置应用非线性变换。6.根据权利要求5所述的空间
‑
光谱联合遥感高光谱图像的异常检测方法，其特征在于，所述多头自注意力层用于在不同的粒度级别上关注输入序列的不同部分的具体方法包括：在多头自注意力层，一个多头自注意力子层同时将输入...

【专利技术属性】
技术研发人员：张钧萍，唐雨欣，张晔，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：