一种基于多特征和孤立树的高光谱异常检测方法与流程

技术特征：

1.一种基于多特征和孤立树的高光谱异常检测方法，其特征在于步骤如下：

步骤1：将三维高光谱影像数据变换为二维光谱特征数据其中，d1表示波段个数，h表示每个波段影像中每一列的像元个数，w表示每个波段影像中每一行的像元个数，n表示每个波段影像中总的像元个数，n＝h×w；

步骤2：对光谱特征数据xspe进行主成分分析，得到对应的m个n维主成分向量，将每个主成分向量展开为一幅h×w的主成分图像；利用gabor滤波器对所有主成分图像进行滤波，得到gabor特征数据利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再对结构成分进行开闭操作，得到emp特征数据利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再利用形态学属性滤波器对结构成分进行滤波，得到emap特征数据其中，d2表示gabor特征数据的特征个数，其值等于主成分个数m、gabor滤波器的方向和尺度三者的乘积，d3表示emp特征数据的特征个数，其值等于主成分个数m和形态学剖面的结构成分的个数的乘积，d4表示emap特征数据的特征个数，其值等于主成分个数m、形态学剖面的结构成分的个数和形态学属性滤波器的个数的乘积；

步骤3：分别对光谱特征数据、gabor特征数据、emp特征数据和emap特征数据按照以下过程构建得到各自对应的孤立树集合：

步骤3.1：从特征数据的n个像元点中随机选取个ψ个像元点，构成孤立树的根节点，根节点对应数据集记为x＝{x1,x2,…,xψ}，xi表示第i个像元点对应的d维向量，d为特征数据的特征个数，1≤ψ≤n；

步骤3.2：对于根节点数据集，从d个特征波段中随机选定一个波段i的像元值构成样本向量xψ＝{xi1,xi2,…,xiψ}，从向量xψ中随机选择一个元素xim作为划分值，m∈[1,ψ]，然后，将根节点数据集x按照以下方式划分为两个样本数据集xl和xr：

步骤3.3：对样本数据集xl和xr分别按照步骤3.2的方式进行数据集划分，每一个数据集划分得到两个子数据集，重复此步骤，直到样本不可划分或者达到最大路径长度，得到特征数据的一颗孤立树，孤立树包括每个节点选取的波段和对应的划分值；所述的路径长度是指从根节点到当前节点遍历过的边的个数；所述的最大路径长度设置为ceil(log2(ψ))，ceil为取整数操作；

步骤3.4：按照步骤3.1至步骤3.2进行t次树构建，得到的t棵孤立树即构成该特征数据对应的孤立树集合，t≥1；

步骤4：对于高光谱三维影像数据中的任一像元a，设其步骤2得到的对应的光谱特征为gabor特征为emp特征为emap特征为将像元a的各种特征分别在步骤3得到的该特征数据集对应的孤立树集合中进行树遍历，并按下式计算得到该特征在其特征数据集对应的孤立树集合中的平均路径长度ek：

其中，k＝1时表示光谱特征，k＝2时表示gabor特征，k＝3时表示emp特征，k＝4时表示emap特征，tk表示k特征数据集对应的孤立树集合中树的个数，i表示树的序号，hi表示像元a在孤立树集合中第i棵树遍历得到的路径长度与树平均路径长度c(ψ)的和，c(ψ)＝2h(ψ-1)-(2(ψ-1)/ψ)，h(ψ-1)＝ln(ψ-1)+0.5772156649；

然后，按照下式计算得到像元a的异常分数值s：

步骤5：对高光谱三维影像数据中的所有像元都按照步骤4的方法计算得到其异常分数值，然后，对所有像元的异常分数值进行归一化处理；归一化后的异常分数值大于阈值k的所有像元，即判定为异常点，剩余像元即判定为背景点，完成高光谱影像异常检测；所述的阈值k的取值范围为[0,1]。