一种高光谱图像的异常检测方法
【专利摘要】本发明涉及一种基于高光谱图像的异常检测方法，本发明利用核典型相关性分析的办法对高光谱图像进行异常检测。具体方法包括：获取高光谱图像；将高光谱图像标准化，同时做去均值处理；针对高光谱图像中每一像素点确定目标窗口与背景窗口，使用KCCA方法分析；将KCCA分析得到的结果分离出背景信息与目标信息，计算原图像与背景图像、目标图像平方差之间的差值，作为最终的检测结果。
【专利说明】一种高光谱图像的异常检测方法
【技术领域】
[0001] 本发明涉及一种基于高光谱图像的异常检测方法，属于领域。
【背景技术】
[0002] 高光谱图像含有地面目标数百个波段内丰富的光谱信息，利用高光谱图像所含有 的丰富的光谱信息进行异常检测，可以发现可见光波段内无法识别的目标，但是高光谱数 据的光谱分辨率很高，相邻波段间的数据相关性很强，数据量大，此外还具有高维数据空心 化分布的特点，传统的目标检测方法并不适用于高光谱图像的异常检测。这些年来，针对高 光谱数据的异常检测逐渐成为研究的热点。
[0003] 经典的高光谱异常检测方法是由Reed和Yu提出的RX方法，这种方法常被用来当 做高光谱异常检测中的基准方法，经典的RX方法是在高光谱图像背景服从多元高斯分布 的假设条件下由广义似然比检验的公式推导而来，RX方法具有恒虚警率的性质。RX方法 实际上在计算检测点的光谱向量与背景窗口均值向量的马氏距离的平方，但这种方法假设 背景服从多元正态分布，这一假设条件在很多实际情况下难以满足，并且协方差矩阵也只 包含高光谱图像内的二阶数据信息，并没有有效利用高光谱图像的高维数据特征，因此在 很多情况下检测效果并不理想。针对RX方法的不足，产生了很多的改进方法，Kown等提出 了KRX方法，KRX方法是在Mercer核函数理论的基础上，推导得到的RX方法的核化版本， 这种方法可以有效的利用高光谱图像的高维数据信息。除了针对RX方法的改进方法外， Carlotto假设高光谱数据由多个高斯正态分布混合而成，使用聚类方法分离出高光谱数据 中的各类之后，再分别计算每一类数据内马氏距离的平方来确定异常点。Carlotto的高斯 混合密度假设更符合实际的情况，但这种方法需要估计高光谱图像中含有的类别数目N。， 不同的N。值对聚类的结果影响很大，导致得到的异常检测结果也具有很大的不同。
[0004]目前针对高光谱图像异常检测中包括奇异值分解的文献有：
[0005] [1]雷武虎等.一种高光谱图像异常检测的方法：中国， CN102938151A[P], 2012-11-22.
[0006] 本发明中的发明步骤涉及到了奇异值分解技术，但与文献[1]中不同，文献[1]中 将高光谱三维数据矩阵进行二维展开，第一维表征光谱信息，第二维表征高光谱图像中的 光谱信息，对此矩阵进行奇异值分解构造出背景子空间，提取残差图像；本发明使用奇异值 分解处理进行KCCA分析后得到的结果图像，所处理数据矩阵是按照空间像素之间的关系 排列得到的二维图像矩阵，灰度值表示该像素点与周围像素点之间的相关性大小，本发明 使用奇异值分解来初步分离图像中的背景与目标，为下一步的处理做准备。
【发明内容】
[0007] 本发明提供一种针对高光谱遥感图像的基于核典型相关分析（KCCA)的异常检测 方法，本发明的实施步骤包括：
[0008] 步骤1，获取高光谱图像，将高光谱图像数据标准化，然后做去均值处理；
[0009] 步骤2,针对高光谱图像中每一像素点确定目标窗口与背景窗口，使用KCCA方法 分析；
[0010] 步骤3,将KCCA分析得到的结果图像，分解得到背景图像与目标图像，处理后得到 检测结果。
[0011] 步骤1中，针对高光谱图像的预处理包括如下具体步骤，
[0012] 步骤1. 1，获取高光谱图像，高光谱图像为三维矩阵，维数为MXNXP，M表示高光 谱图像中包含的行数，N表示高光谱图像中包含的列数，P为波段数，MXN大小的二维矩阵 表示高光谱图像中的空间信息，每一个空间像素对应的一维向量IX1XP表示对应的光谱 信息。
[0013] 步骤1.2,将高光谱三维图像数据进行标准化处理。寻找高光谱图像矩阵中的最大 值Qma)(以及最小值QMIN，使用如下公式进行处理计算Q(m，n，p)的值。
【权利要求】
1. 一种基于高光谱图像的异常检测方法，其特征在于： 步骤1，获取高光谱图像，将高光谱图像数据标准化处理； 步骤2,针对高光谱图像中待检测像素点确定目标窗口与背景窗口，使用KCCA方法分 析； 步骤3,将KCCA分析得到的结果图像分离为背景图像与目标图像，处理后得到检测结 果。
2. 如权利要求1所述的一种基于高光谱图像的异常检测方法，其特征在于：步骤1中， 在获取维数为MXNXP的三维高光谱图像矩阵后，寻找高光谱图像矩阵中的最大值Qmx以 及最小值QMIN，使用如下公式进行处理计算Q(m，n，p)的值：
3. 如权利要求1或2所述的一种基于高光谱图像的异常检测方法，其特征在于：步骤2 中，针对步骤1处理之后的高光谱图像的双窗口KCCA分析包括如下具体实施步骤， 步骤2. 1，以图像中待检测像素为中心，确定背景窗口与目标窗口，目标窗口与背景窗 口均已待检测像素为中心，根据图像内目标的大小设定背景窗口大小为bXb，目标窗口大 小为aXa;背景窗口内为背景变量X，大小为（bXb-aXa)XN，目标窗口内选取中心点待检 测像素数据为目标变量Y，大小为1XN，将背景变量X变换为NX(bXb-aXa)大小的二维 矩阵，此时X= [Xl，x2, ...，xN]，目标变量Y变换为NX1大小的二维矩阵，此时Y= [yi， y"2，? ? ?，yJ ; 步骤2. 2,利用公式Kx =XXT和KY =YYT计算核函数矩阵Kx和KY，Kx和KY均为NXN大 小的对称核矩阵，Kx矩阵中每个元素的值分别为K(i，j) =k(Xi，Xj) =exp((_| |xi_Xj| |2)/ (c))，KY 矩阵中每个元素的值分别为K(i，j) =k(ypy」）=exp((_|ly^yjl|2)/(c))，c为 高斯径向基核函数的参数，针对Kx和Ky，分别利用公式K。=K-1M ?K-K? 1M+1M ?K? 1M完成 对核矩阵的中心化，1M为MXM大小元素全部为1的矩阵； 步骤2. 3,计算公式（Kx+kirkjKY+Kir1!^的值，进行奇异值分解，得到由奇异值构成 的对角矩阵A，计算所有非零奇异值的平方和记为A(sum)，作为KCCA对待检测像素点进 行分析得到的结果； 步骤2. 4,检测之后，目标窗口与背景窗口均向前滑动一个像素的距离，并以下一个像 素点为中心按照步骤2. 1至步骤2. 3的处理过程进行分析；将高光谱图像中MXN个空间像 素点全部进行KCCA处理，得到图像Z。
4. 如权利要求3所述的一种基于高光谱图像的异常检测方法，其特征在于：针对步骤2 得到的KCCA分析的结果图像的处理，具体包括如下步骤， 步骤3. 1，对于MXN大小的图像Z根据公式Z=UEVT进行奇异值分解，E表示对角 矩阵，对角线上的数值为奇异值，按照从大到小的顺序排列，选取矩阵E中的奇异值来构建 目标图像以及背景图像，选取前m个奇异值，并将其余奇异值置零，得到对角矩阵Eb，利用 公式Zb =UEbVT得到背景图像；同时将前十个奇异值置零，保留剩余奇异值得到对角矩阵 Et，利用公式Zt =UEtVT得到目标图像； 步骤3. 2,在得到背景图像以及目标图像之后，利用下列公式来确定像素点最终是否为 异常： d(x) = (x-xb)2-(x-xt)2 其中，d(x)表示对于待检测像素点异常检测的结果，xb表示待检测像素点在SVD分解 得到的背景图像中的灰度值，xt表示目标图像中的灰度值；处理完图像上的MXN个像素点 后，将其按照空间排列输出，得到最终的异常检测结果。
【文档编号】G06T7/00GK104408705SQ201410490530
【公开日】2015年3月11日 申请日期:2014年9月23日 优先权日:2014年9月23日
【发明者】周慧鑫, 李肖, 秦翰林, 赵营, 温志刚, 倪曼, 荣生辉, 杨智杰, 赵东, 赖睿, 王炳健, 刘上乾 申请人:西安电子科技大学