一种基于生成对抗网络的高光谱图像异常检测方法技术

本发明专利技术公开了一种基于生成对抗网络(Generative Adversarial Networks，GAN)的高光谱图像异常检测方法，所述方法包括：首先用OPTICS聚类方法将原始数据集分割成异常数据集和背景数据集；其次，将Transformer与生成对抗网络的编码器和解码器融合，通过其自注意力机制充分利用光谱信息。添加了异常和背景间的距离约束来削弱对异常像素的重建。在背景数据集上进行训练，并在完整数据集上进行测试，以获得异常像素重构效果差的重构数据。最后将原始数据和重构数据输入光谱角度制图(Spectral angle mapping，SAM)进行异常检测。大量实验结果证明该方法具有更好的异常检测能力。

【技术实现步骤摘要】

本专利技术高光谱遥感图像处理，具体涉及一种基于生成对抗网络的高光谱图像异常检测方法。

技术介绍

1、高光谱图像(hyperspectral image，hsi)传达了丰富的材料光谱特性信息，在特定波长上有数百甚至数千个波段。由于不同的材料通常反射不同的特定波长的电磁能量，因此hsi数据适用于目标探测，这在许多军事和民用应用中已经引起了多年的极大兴趣。目标检测的目的是分离出特定的目标光谱或异常特性。异常检测可以看作是不需要任何目标特征先验信息的目标检测。

2、在异常检测中，与相邻背景杂波像点具有明显不同光谱特征的像点被定义为光谱异常。众所周知的reed-xiaoli(rx)算法是基于背景服从多元正态分布的假设。然后，rx检测器利用多元正态分布的概率密度函数来度量测试像素成为背景一部分的概率。由此得到的广义似然比检验的解是输入测试像素的光谱向量与其周围邻居之间的马氏距离。然而，在真实的高光谱场景中，多元正态分布过于简单，难以描述复杂的背景。此外，由于存在噪声和其他异常像素，估计的协方差矩阵和平均向量作为一种背景表示形式可能不准确。为了克服这一限制，本文档来自技高网...

【技术保护点】

1.一种基于生成对抗网络的高光谱图像异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于生成对抗网络高光谱图像异常检测方法，其特征在于，所述步骤S1中用OPTICS进行粗检测的过程为：

3.根据权利要求1所述的一种基于生成对抗网络高光谱图像异常检测方法，其特征在于，所述步骤S2中将Transformer应用于生成对抗网络的重构的过程为：

4.根据权利要求1所述的一种基于生成对抗网络的异常检测方法，其特征在于，所述步骤S3中添加了异常和背景间的距离约束来削弱对异常的重建，为了最大化重构后异常和背景之间距离，增加两个谱向量的区分性，添...

【技术特征摘要】

1.一种基于生成对抗网络的高光谱图像异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于生成对抗网络高光谱图像异常检测方法，其特征在于，所述步骤s1中用optics进行粗检测的过程为：

3.根据权利要求1所述的一种基于生成对抗网络高光谱图像异常检测方法，其特征在于，所述步骤s2中将transformer应用于生成对抗网络的重构的过程为：

【专利技术属性】
技术研发人员：李臣明，刘露雨，徐淑芳，
申请(专利权)人：河海大学，
类型：发明
国别省市：