专利名称：一种高光谱图像异常检测的方法
技术领域：
本发明涉及一种光谱图像处理方法，具体是一种高光谱图像问题的检测方法。
背景技术：
高光谱图像精确的光谱诊断信息非常有利于检测与背景存在细微差异的目标。其中，异常检测是在缺少光谱先验知识的条件下检测出与周围环境存在光谱差异的目标，是高光谱图像目标检测的关键技术之一，具有较强的实用性。
现有较多的用于高光谱图像异常检测的方法，针对背景建模方式的不同可以分为局部背景建模和全局背景建模两种异常检测方法，但两种方法只能在一定程度上适应高光谱图像背景和异常目标的复杂性，其中，基于局部背景建模的异常检测方法通常需要预先估计异常目标的大小，并对于较大的异常目标的检测性能较差，而基于全局背景建模的异常检测方法虽然能够较好的检测较大的异常，但全局背景模型描述整个图像背景的细微变化能力存在着较大欠缺，具有较低的异常目标检测概率。发明内容
为克服现有高光谱图像异常检测方法的不足，本发明提供一种能够兼顾基于全局和局部背景建模异常检测方法优点的高光谱图像异常检测方法。
本发明是通过以下技术方案实现的
一种高光谱图像异常检测的方法，包括如下步骤(1)高光谱图像数据残差图像提取；(2)局部背景样本集提取建模；(3)全局噪声背景估计建模与各异常样本检测。
—种高光谱图像异常检测的方法，所述的步骤(I)为基于奇异值分解，将高光谱图像投影到背景的正交子空间上，获得仅包含噪声和异常的残留图像。
一种高光谱图像异常检测的方法，所述的步骤(2)在步骤(I)提取的残差图像基础上，引入空间秩深度为局部背景建模，将残留图像划分为异常样本两个样本集。
一种高光谱图像异常检测的方法，所述的步骤(3)利用多元高斯模型为全局噪声背景建模，计算异常样本两个样本集的马氏距离，并与阈值进行比较实现异常检测，最终生成一幅能够反映异常位置坐标和分布规律的二值映射图像。
一种高光谱图像异常检测的方法，步骤(I)对高光谱图像进行归一化处理后，通过奇异值分解构造图像背景的线性子空间，利用正交子空间投影算法将高光谱图像投影到线性子空间的正交子空间上，获取抑制背景后的残留图像，仅包含噪声背景信息和异常信息。
一种高光谱图像异常检测的方法，步骤(2)将残留图像分割为多个局部子区域，使用空间秩深度为每个子区域建模，计算所有子区域中各个数据点的空间秩深度值，并通过设置一定的深度阈值将该每个子区域内的数据分类为异常样本两个样本集，并分别合并所有子区域中的异常样本两个样本集，得到整个残留图像的异常样本两个样本集。
一种高光谱图像异常检测的方法，步骤(3)利用多元高斯模型为残留图像的噪声背景进行建模，使用噪声背景样本集估计多元高斯模型的协方差矩阵和均值，并以此计算3异常样本两个样本集的马氏距离，通过设定一定的阈值对其进行分割，将大于阈值的马氏距离对应的异常样本标识为异常，并确定其在图像中的位置坐标，最终以二值映射图像对所有检测出的异常进行可视化。
一种高光谱图像异常检测的方法，所述的异常样本两个样本集为噪声背景样本集和潜在异常样本集。
一种高光谱图像异常检测的方法，所述将残留图像分割为多个局部子区域是等面积的多个局部子区域。
本发明的有益效果在于
I、利用高光谱数据具有低维的拓扑空间，利用低维子空间就能够描述大部分的光谱变化情况的特点，通过奇异值分解构造图像背景的线性子空间，有效提取出了抑制背景后的残留图像，相对于传统的基于统计特性的背景建模方法，更有效地提取出背景信息，提高了背景模型描述高光谱图像背景能力的能力；
2、对残留图像进行局部分割，并采用空间秩深度进行噪声背景和异常样本子集的划分；对局部区域提取出的噪声背景通过多元高斯模型进行全局建模，以此计算“潜在”异常样本集的马氏距离，并实现对异常样本的检测。由于结合了局部异常样本剔除和全局噪声背景建模，这一方法克服了传统异常检测中假设局部背景具有均一统计特性，不能复杂多变地物特性的局限，大大提高了对高光谱图像中各类异常目标的检测性能。
附图为本发明检测方法流程图。
具体实施方式
参照附图所述。
首先进行高光谱图像数据残差图像提取。
在高光谱图像中，其表征的地表往往只是由少数几类具有特定光谱的地物组成， 例如水体、草体、土壤以及阴影等，而图像中大部分的光谱变化仅是由这些地物光谱引起的。为抑制这些地物复杂背景的干扰，将高光谱背景光谱向量用一个低维子空间的基向量的线性组合进行表示，并将高光谱数据投影到该低维子空间的正交子空间中，使得到的残留图像仅包含异常和噪声的信息，以剔除原始图像中包含的复杂多类背景。其基本过程如下
设一幅高光谱图像可以用矩阵X=Iix1, X2, *··, xN]表示，其中Xi为L维光谱列向量, N为图像中像元的个数，通常N>L。基于线性子空间模型，高光谱图像可以使用一个低维的子空间进行描述，则X可以写为
X=BA+ff(I)
其中，B= [U1, U2，…，ud]可以看作是背景的线性子空间，Ui SL维列向量，d(d〈L)为背景子空间的维数，A为线性系数，W为误差矩阵(包含异常目标和噪声)。
线性子空间B的获取可以基于奇异值分解实现,设高光谱图像Xi^xn= [X1, X2,…，xN] 的秩rank (X) =r,则存在两个单位正交矩阵和Vnxn,使得下式成立
权利要求
1.一种高光谱图像异常检测的方法，其特征在于，包括如下步骤(1)高光谱图像数据残差图像提取；(2)局部背景样本集提取建模；(3)全局噪声背景估计建模与各异常样本检测。
2.根据权利要求I所述的一种高光谱图像异常检测的方法，其特征在于，所述的步骤(1)为基于奇异值分解，将高光谱图像投影到背景的正交子空间上，获得仅包含噪声和异常的残留图像。
3.根据权利要求I所述的一种高光谱图像异常检测的方法，其特征在于，所述的步骤(2)在步骤(I)提取的残差图像基础上，引入空间秩深度为局部背景建模，将残留图像划分为异常样本两个样本集。
4.根据权利要求I所述的一种高光谱图像异常检测的方法，其特征在于，所述的步骤(3)利用多元高斯模型为全局噪声背景建模，计算异常样本两个样本集的马氏距离，并与阈值进行比较实现异常检测，最终生成一幅能够反映异常位置坐标和分布规律的二值映射图像。
5.根据权利要求2所述的一种高光谱图像异常检测的方法，其特征在于，对高光谱图像进行归一化处理后，通过奇异值分解构造图像背景的线性子空间，利用正交子空间投影算法将高光谱图像投影到线性子空间的正交子空间上，获取抑制背景后的残留图像，仅包含噪声背景信息和异常信息。
6.根据权利要求3所述的一种高光谱图像异常检测的方法，其特征在于，将残留图像分割为多个局部子区域，使用空间秩深度为每个子区域建模，计算所有子区域中各个数据点的空间秩深度值，并通过设置一定的深度阈值将该每个子区域内的数据分类为异常样本两个样本集，并分别合并所有子区域中的异常样本两个样本集，得到整个残留图像的异常样本两个样本集。
7.根据权利要求4所述的一种高光谱图像异常检测的方法，其特征在于，利用多元高斯模型为残留图像的噪声背景进行建模，使用噪声背景样本集估计多元高斯模型的协方差矩阵和均值，并以此计算异常样本两个样本集的马氏距离，通过设定一定的阈值对其进行分割，将大于阈值的马氏距离对应的异常样本标识为异常，并确定其在图像中的位置坐标， 最终以二值映射图像对所有检测出的异常进行可视化。
8.根据权利要求3或4或6或7所述的一种高光谱图像异常检测的方法，其特征在于所述的异常样本两个样本集为噪声背景样本集和潜在异常样本集。
9.根据权利要求6所述的一种高光谱图像异常检测的方法，其特征在于，所述将残留图像分割为多个局部子区域是等面积的多个局部子区域。
全文摘要
本发明公开了一种高光谱图像异常检测的方法，能够兼顾基于全局和局部背景建模的异常检测方法的优点。包括如下处理基于奇异值分解，将高光谱图像投影到背景的正交子空间上，获得仅包含噪声和异常的残留图像。在此基础上，引入空间秩深度为局部背景建模，将残留图像划分为噪声背景和“潜在”异常两个样本集。最后，利用多元高斯模型为全局噪声背景建模，计算“潜在”异常集中各样本的马氏距离，并与阈值进行比较实现异常检测，最终生成一幅能够反映异常位置坐标和分布规律的二值映射图像。
文档编号G06T7/00GK102938151SQ20121047598
公开日2013年2月20日 申请日期2012年11月22日 优先权日2012年11月22日
发明者雷武虎, 胡以华, 赵楠翔, 王迪, 顾有林, 郝士琦, 方胜良, 王勇, 骆盛, 焦均均, 李政 申请人:中国人民解放军电子工程学院