基于深度自表示学习框架的高光谱异常检测方法技术

本发明专利技术提出了一种基于深度自表示学习框架的高光谱异常检测方法，主要解决现有方法检测效果不佳的问题。方案包括：1)提取高光谱图像的多尺度空间特征；2)对每一个超像素块分别构建子空间复原自编码器SRAE网络模型，并针对模型设计联合损失函数；3)利用基于鲁棒性主成分分析法的交替优化方式训练模型，得到多尺度重构高光谱图像；4)对多尺度的重构图像利用RX算法进行异常得分评估，得到不同尺度初始检测结果，并对该结果进行两阶段的像素级相加和像素级相乘操作融合，获得检测结果。本发明专利技术将可靠先验知识和局部空间信息整合到自编码器模型中，提高背景的表征能力并削弱对异常的表征能力，有效提升了高光谱图像异常检测的精度。

【技术实现步骤摘要】

本专利技术属于计算机视觉与机器学习，进一步涉及高光谱异常检测，具体为一种基于深度自表示学习框架的高光谱异常检测方法，可用于环境监测、灾害预测和精准农业等。

技术介绍

1、高光谱异常检测是高光谱图像处理任务之一，其定义为：在没有先验知识的高光谱图像中，捕获与周围像素有着明显光谱差异的像素。其特性被广泛用于军事、农业、地质、海洋等领域。近些年，深度学习模型引起高光谱领域研究者的关注，将其应用于高光谱异常检测领域中，取得不错的检测精度。

2、在对[xiang p,ali s,jung s k,et al.hyperspectral anomaly detectionwith guided autoencoder[j].ieee transactions on geoscience and remotesensing,2022,60:1-18.]等文献进行调研和分析后，发现现有基于自编码器(autoencoder，ae)的高光谱异常检测方法虽然在一定程度上提升了检测性能，但仍存在亟待改进之处：

3、1)自编码器的训练受先验背景样本纯度的影响本文档来自技高网...

【技术保护点】

1.一种基于深度自表示学习框架的高光谱异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤(1)中提取高光谱图像的多尺度空间特征，实现步骤如下：

3.根据权利要求1所述的方法，其特征在于：步骤(2.2)模型的联合损失Ltotal，具体根据如下计算得到：

4.根据权利要求1所述的方法，其特征在于：步骤(2.3)中采用基于鲁棒性主成分分析法进行交替优化，是指将一个图像分为两个部分：背景部分L、异常噪声部分S，然后根据下式交替优化L和S两部分：

5.根据权利要求4所述的方法，其特征在于：步骤(2.3)中交替优化...

【技术特征摘要】

1.一种基于深度自表示学习框架的高光谱异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤(1)中提取高光谱图像的多尺度空间特征，实现步骤如下：

3.根据权利要求1所述的方法，其特征在于：步骤(2.2)模型的联合损失ltotal，具体根据如下计算得到：

4.根据权利要求1所述的方法，其特征在于：步骤(...

【专利技术属性】
技术研发人员：王海，成曦，张敏，霍豫，林生，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：