[發明專利]一種基于動態權重深度自編碼的高光譜異常檢測方法

有效

• 申請號: 201711027488.7
• 申請日: 2017-10-27
• 公開（公告）號: CN107833208B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 彭宇;馬寧;王少軍;劉大同
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06K9/62
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 岳泉清

一種基于動態權重深度自編碼的高光譜異常檢測方法，本發明涉及高光譜異常檢測方法。本發明的目的是為了解決現有高光譜異常檢測方法中異常目標對局部模型污染，導致檢測精度低的問題。過程為：一、得到優化好的DBN模型；二、得到編碼圖像和重建誤差圖像；三、得到局部編碼圖像；執行五；四、得到局部重建誤差集；執行六；五、得到局部距離因子；執行七；六、得到局部距離的所有動態權重；執行七；七、得到異常檢測算子值，設置閾值，當異常檢測算子值大于等于閾值時，則該被測像素為異常目標；否則，為背景像素；取被測圖像中的下一個像素作為被測像素，重新執行三～七，直至判斷完被測圖像中的所有像素。本發明用于高光譜異常檢測領域。

技術領域

本發明涉及高光譜異常檢測方法。

背景技術

隨著遙感成像技術的不斷發展與進步，高光譜圖像在精準農業、城市規劃、軍事偵查等領域發揮著越來越重要的作用，對高光譜遙感圖像的研究和應用是相關科研人員長期以來聚焦的重點。相對于可見光或紅外遙感成像技術，高光譜圖像不但能獲取地物空間分布信息，還能在每個像素點上收集對應地物數十至數百個連續窄波段的光譜信息，其數據具備圖譜合一的特點，從而通過光譜信息可以分辨地物物質信息。然而在實際應用中，由于多數地物先驗光譜信息的缺乏及高光譜圖像數據標記成本高，基于無監督的異常目標檢測方法成為高光譜圖像實際應用中極其重要的手段。

目前，學術界對異常目標尚無統一定義，一般將與背景信息存在明顯差異的地物目標稱為異常目標。在經典的異常檢測算法中，基于多元正態分布模型的檢測方法應用最為廣泛，包括RXD算法、均衡目標檢測(UTD)算法及低概率目標檢測(LPTD)算法。其中最經典的是RXD算法^[1]([1]Reed I S,Yu X.Adaptive multiple-band CFAR detection of anoptical pattern with unknown spectral distribution[J].IEEE Transactions onAcoustics SpeechSignal Processing,1990,38(10):1760-1770.)，由Reed與Xiaoli Yu提出，利用馬氏距離判斷異常目標，有較強的理論依據，被廣泛應用和研究，但當背景像素不滿足高斯分布時，檢測虛警率偏高。眾多研究學者，針對RXD算法在數據非線性、亞像素檢測精度等問題上進行改進研究，針對高光譜圖像數據普遍存在的數據維度高，非線性特征對檢測精度有一定的影響的問題。

此外，針對真實高光譜圖像不能滿足分布假設導致經典算法虛警率高的問題，Banerjee^[2]([2]Banerjee A,Burlina P,Diehl C.A support vector method foranomaly detection in hyperspectral imagery[J].IEEE Transactions on Geoscienceand Remote Sensing,2006,44(8):2282-2291.)提出支持向量數據描述(support vectordata description，SVDD)算法，通過核函數解決數據分布問題，利用最小球面估計支持區的訓練數據，實現異常目標檢測，但其同樣存在核函數參數選擇無明確方法的問題，為此，Khazai^[3]([3]Khazai S,Homayouni S,Safari A,et al.Anomaly detection inhyperspectral images based on an adaptive support vector method[J].IEEEGeoscience and Remote Sensing Letters,2011,8(4):646-650.)提出對高斯核函數參數自適應選擇，進一步提高SVDD方法的異常目標檢測精度。