[發明專利]一種變分背景推理生成對抗網絡的高光譜異常檢測方法

在審

• 申請號: 202310094031.7
• 申請日: 2023-02-06
• 公開（公告）號: CN116385351A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 譚琨;王志威;王雪;韓波;張宏宇;雷勇;梁德印;余婧;殷延鶴
• 申請（專利權）人: 華東師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06N3/088;G06N3/0455;G06N3/0475
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 蔡彭君

本發明涉及一種變分背景推理生成對抗網絡的高光譜異常檢測方法，包括以下步驟：將高光譜影像輸入訓練好的高光譜異常檢測模型，進行影像重構并計算重構誤差，得到高光譜異常檢測結果，高光譜異常檢測模型的訓練過程為：1)構建訓練樣本；2)建立變分背景推理生成對抗網絡；3)獲得采樣數據潛變量；4)將潛變量z與正態分布樣本輸入至潛變量判別器，進行對抗性訓練；5)將潛變量和正態分布樣本輸入至生成器，分別生成兩個生成樣本；6)將訓練樣本和兩個生成樣本共同輸入至樣本判別器；7)重復3)～6)，直至變分背景推理生成對抗網絡的損失函數收斂，完成模型的訓練。與現有技術相比，本發明具有檢測精度高等優點。

技術領域

本發明涉及高光譜異常檢測領域，尤其是涉及一種變分背景推理生成對抗網絡的高光譜異常檢測方法。

背景技術

隨著高光譜成像光譜儀的發展，遙感影像的光譜信息從全色、多光譜到高光譜的快速發展，使遙感技術進入到一個嶄新階段。高光譜影像具有高光譜分辨率，獲得的影像像元具有上百波段光譜信息，基于各種地物之間不同光譜特性，高光譜遙感已經在地物分類、定量反演、目標檢測和生態環境監測等方面得到廣泛應用。高光譜影像目標檢測根據是否已知目標信息，可將檢測算法分為兩類，其中一類為已知目標信息的目標探測算法，主要是利用已知目標的光譜信息，通過與目標光譜曲線進行匹配，獲取探測目標。通常情況下，目標和背景的先驗知識很難獲取，因此另一類是未知目標信息的異常檢測算法。

現有技術基于深度學習的異常檢測方法中，生成對抗網絡的各種變體存在訓練不穩定、模式崩潰、生成樣本質量低等問題，導致異常檢測中虛警率高、檢測精度低。此外，由于缺乏目標與背景的先驗知識，現有技術未充分考慮背景和異常的統計分布特征，訓練樣本中包含難以分離的背景和異常樣本，而異常樣本會對網絡的訓練過程產生影響，因此重建誤差的檢測精度會降低。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供的一種檢測精度高的變分背景推理生成對抗網絡的高光譜異常檢測方法。

一種變分背景推理生成對抗網絡的高光譜異常檢測方法，包括以下步驟：

將高光譜影像輸入訓練好的高光譜異常檢測模型，進行影像重構并計算重構誤差，基于重構誤差和設置的異常度閾值，得到高光譜異常檢測結果，

其中，高光譜異常檢測模型的訓練過程為：

1)獲取原始高光譜數據，基于經過預處理的原始高光譜數據構建訓練樣本，原始高光譜數據包括所有高光譜像素的光譜；

2)建立變分背景推理生成對抗網絡，變分背景推理生成對抗網絡包括編碼器E、生成器G、樣本判別器Ds和潛變量判別器Dl，變分背景推理生成對抗網絡的損失函數包括變分推斷損失、光譜重構損失、對抗損失和特征匹配損失，光譜重構損失包括均方誤差和光譜角，特征匹配損失在樣本判別器Ds和潛變量判別器Dl的中間層構建；

3)將訓練樣本輸入編碼器E，獲取變量的方差和均值，根據方差和均值，進行重新參數化，獲得采樣數據潛變量z；

4)將潛變量z與正態分布樣本ξ輸入至潛變量判別器Dl，進行對抗性訓練，潛變量判別器Dl引導重新參數化的數據與先驗分布相匹配，先驗分布為正態分布樣本ξ；

5)將潛變量z和正態分布樣本ξ輸入至生成器G，分別生成兩個生成樣本，分別為生成器G重建的從編碼器獲得的光譜特征x_Gz和生成器G從正態分布樣本ξ中生成的假光譜；

6)將訓練樣本和生成器G生成的兩個生成樣本共同輸入至樣本判別器Ds，增加細節特征；

7)重復3)～6)，直至變分背景推理生成對抗網絡的損失函數收斂，完成模型的訓練。

進一步地，各個損失函數的表達式為：