一种异常目标检测方法、装置和计算机可读介质与流程
本发明涉及计算机技术领域，尤其涉及一种异常目标检测方法、装置和计算机可读介质。
背景技术：
高光谱图像是将反映目标辐射的光谱信息与反映二维空间的图像信息集于一体，其波段数多、波段宽度窄，具有纳米级别的分辨率，谱间相关性较强，因此能够有效探测目标地物在光谱特性上的差异。然而，光谱分辨率的提高导致了信息冗余,增加了后期数据处理的难度，造成存储和处理能力的浪费。因此，可以考虑对高维、海量信息进行数据降维处理,以提高数据处理速度。
异常目标检测是高光谱领域的热点问题，在高光谱图像中，异常目标的光谱往往不同于周围背景的光谱信息，如此可以将目标物体从背景中分离出来。目前，异常目标检测方法通常利用高光谱图像的数据信息估计目标或背景的统计信息，而高光谱中的冗余信息会导致异常目标检测结果产生较高的虚警概率，这会降低对异常目标的检测精度。
鉴于此，针对以上不足，需要提供一种异常目标检测方法、装置和计算机可读介质来解决上述不足。
技术实现要素：
本发明要解决的技术问题在于如何提高对异常目标的检测精度，针对现有技术中的缺陷，提供了一种异常目标检测方法、装置和计算机可读介质。
为了解决上述技术问题，本发明提供了一种异常目标检测方法，该方法包括：
对待检测的高光谱图像进行标准差和相关系数运算，以获得所述高光谱图像中每一个波段的标准差和任意两个波段之间的相关系数；
针对至少一个预设的波段组，根据所述标准差和所述相关系数对每一个所述波段组进行最佳指数运算，以获得该波段组的最佳指数，其中，每一个所述波段组包括至少两个所述波段；
将大于预设的最佳指数阈值的最佳指数确定为目标最佳指数；
根据与所述目标最佳指数对应的波段组，确定目标高光谱图像；
确定所述目标高光谱图像中每一个像素点的光谱向量，其中，每一个像素点的光谱向量用于表征该像素点在每一个波段中的光谱信息；
对所述目标高光谱图像中所有的光谱向量进行背景均值运算和协方差矩阵运算，以获得背景均值和协方差矩阵；
针对所述目标高光谱图像中的每一个像素点，根据当前像素点的光谱向量、所述背景均值和所述协方差矩阵，确定异常目标检测结果。
可选地，在所述对待检测的高光谱图像进行标准差和相关系数运算之前，进一步包括：
对初始待检测的高光谱图像进行预分类，以获得不同类的集群，其中，不同类的集群对应有不同的区域，且不同类的集群中包括的地物种类不同，所有不同类的集群组合成所述初始待检测的高光谱图像；
将异常目标所在集群的区域确定为目标区域；
获取所述目标区域的所有波段，并根据预设的筛选规则筛选出保留波段，以获得包括有保留波段的待检测的高光谱图像。
可选地，所述对待检测的高光谱图像进行标准差和相关系数运算，包括：
通过如下公式对待检测的高光谱图像进行标准差运算：
其中，σi用于表征所述待检测的高光谱图像中第i波段图像的标准差，fik用于表征第i波段图像中k像素点的灰度值，
通过如下公式对待检测的高光谱图像进行相关系数运算：
其中，rij用于表征所述待检测的高光谱图像中第i波段图像与第j波段图像之间的相关系数。
可选地，所述根据所述标准差和所述相关系数对每一个所述波段组进行最佳指数运算，包括：
针对每一个所述波段组，通过如下公式进行最佳指数运算：
其中，oif用于表征该波段组的最佳指数，σi用于表征第i波段图像的标准差，rij用于表征第i波段图像与第j波段图像之间的相关系数，i、j用于表征所述待检测的高光谱图像中的波段数，n用于表征该波段组的波段数量。
可选地，所述根据与所述目标最佳指数对应的波段组，确定目标高光谱图像，包括：
针对各所述目标最佳指数，确定与每一个所述目标最佳指数相对应的第一波段组；
将各所述第一波段组中的波段进行取并运算，以获得第二波段组，其中，所述第二波段组包括所述第一波段组中的波段；
根据所述第二波段组中的波段，确定所述目标高光谱图像。
可选地，所述对所述目标高光谱图像中所有的光谱向量进行背景均值运算和协方差矩阵运算，以获得背景均值和协方差矩阵，包括：
所述背景均值，通过如下公式确定：
其中，u用于表征所述目标高光谱图像的背景均值，r用于表征所述目标高光谱图中的光谱向量，m用于表征m行n列的二维数组，所述二维数组用于表征各像素点的坐标，k用于表征所述光谱向量在所述二维数组中的像素点坐标，其中，所述目标高光谱图像中有m×n个像素点；
所述协方差矩阵，通过如下公式确定：
其中，c用于表征所述目标高光谱图像的协方差矩阵，所述u用于表征所述背景均值，所述r用于表征所述光谱向量，所述m用于表征所述二维数组，所述k用于表征所述光谱向量的像素点坐标。
可选地，所述根据当前像素点的光谱向量、所述背景均值和所述协方差矩阵，确定异常目标检测结果，包括：
通过如下公式对当前像素点的光谱向量、所述背景均值和所述协方差矩阵进行运算：
d(r)＝(r-u)c-1(r-u)t
其中，d用于表征当前像素点的检测值，r用于表征当前像素点的光谱向量，u用于表征所述背景均值，c用于表征所述协方差矩阵；
判断所述当前像素点的检测值是否小于预设的检测阈值；
如果所述当前像素点的检测值不小于所述检测阈值，则确定当前像素点存在异常目标。
本发明还提供了一种异常目标检测装置，包括：第一运算模块、筛选模块、获取模块、第二运算模块和第三运算模块；
所述第一运算模块，用于对待检测的高光谱图像进行标准差和相关系数运算，以获得所述高光谱图像中每一个波段的标准差和任意两个波段之间的相关系数，并针对至少一个预设的波段组，根据所述标准差和所述相关系数对每一个所述波段组进行最佳指数运算，以获得该波段组的最佳指数，其中，每一个所述波段组包括至少两个所述波段；
所述筛选模块，用于将由所述第一运算模块获得的大于预设的最佳指数阈值的最佳指数确定为目标最佳指数，并根据与所述目标最佳指数对应的波段组，确定目标高光谱图像；
所述获取模块，用于确定由所述筛选模块获得的所述目标高光谱图像中每一个像素点的光谱向量，其中，每一个像素点的光谱向量用于表征该像素点在每一个波段中的光谱信息；
所述第二运算模块，用于对所述目标高光谱图像中由所述获取模块所获得的所有光谱向量进行背景均值运算和协方差矩阵运算，以获得背景均值和协方差矩阵；
所述第三运算模块，用于针对所述目标高光谱图像中的每一个像素点，根据由所述获取模块所获得的当前像素点的光谱向量、由所述第二运算模块所确定的所述背景均值和所述协方差矩阵，确定异常目标检测结果。
本发明还提供了一种异常目标检测装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述第一方面或第一方面的任一可能的实现方式所提供的异常目标检测方法。
本发明还提供了计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一方面或第一方面的任一可能的实现方式所提供的异常目标检测方法。
本发明实施例所提供的一种异常目标检测方法、装置和计算机可读介质，通过计算高光谱图像中每一个波段的标准差和任意两个波段之间的相关系数，以进行最佳指数运算，筛选出较大的最佳指数所对应的波段组，根据该波段组确定目标高光谱图像，并对该目标高光谱图像进行背景均值和协方差矩阵运算，并根据背景均值、协方差运算和高光谱图像中各像素的光谱向量，最终确定异常目标检测结果。由此可见，通过选择高光谱图像中较大的最佳指数所对应的波段组，确定出了信息量大、独立性高、信息重叠度小的波段组，如此通过降低高光谱图像的信息冗余度的方式，可以降低数据处理难度，提高运算速度，从而提高了对异常目标的检测精度。
附图说明
图1是本发明实施例所提供的一种异常目标检测方法；
图2是本发明实施例所提供的另一种异常目标检测方法；
图3是本发明实施例所提供的初始待检测的高光谱图像的空间区域灰度图；
图4是本发明实施例所提供的待检测的高光谱图像的空间区域灰度图；
图5是本发明实施例所提供的基于一种异常目标检测方法的异常目标检测结果的示意图；
图6是本发明实施例所提供的基于现有异常目标检测方法的异常目标检测结果的示意图；
图7是本发明实施例所提供的一种异常目标检测装置所在设备的示意图；
图8是本发明实施例所提供的一种异常目标检测装置的示意图；
图9是本发明实施例所提供的另一种异常目标检测装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供的一种异常目标检测方法，该方法包括如下步骤：
步骤101：对待检测的高光谱图像进行标准差和相关系数运算，以获得高光谱图像中每一个波段的标准差和任意两个波段之间的相关系数；
步骤102：针对至少一个预设的波段组，根据标准差和相关系数对每一个波段组进行最佳指数运算，以获得该波段组的最佳指数，其中，每一个波段组包括至少两个波段；
步骤103：将大于预设的最佳指数阈值的最佳指数确定为目标最佳指数；
步骤104：根据与目标最佳指数对应的波段组，确定目标高光谱图像；
步骤105：确定目标高光谱图像中每一个像素点的光谱向量，其中，每一个像素点的光谱向量用于表征该像素点在每一个波段中的光谱信息；
步骤106：对目标高光谱图像中所有的光谱向量进行背景均值运算和协方差矩阵运算，以获得背景均值和协方差矩阵；
步骤107：针对目标高光谱图像中的每一个像素点，根据当前像素点的光谱向量、背景均值和协方差矩阵，确定异常目标检测结果。
在本发明实施例中，该方法通过计算高光谱图像中每一个波段的标准差和任意两个波段之间的相关系数，以进行最佳指数运算，筛选出较大的最佳指数所对应的波段组，根据该波段组确定目标高光谱图像，并对该目标高光谱图像进行背景均值和协方差矩阵运算，并根据背景均值、协方差运算和高光谱图像中各像素的光谱向量，最终确定异常目标检测结果。由此可见，通过选择高光谱图像中较大的最佳指数所对应的波段组，确定出了信息量大、独立性高、信息重叠度小的波段组，如此通过降低高光谱图像的信息冗余度的方式，可以降低数据处理难度，并提高运算速度，从而提高了对异常目标的检测精度。
在本发明实施例中，将运算得到的最佳指数进行由大至小的排序，并将大于预设的最佳指数阈值的最佳指数确定为目标最佳指数。其中，最佳指数越大，则表明其所对应的波段组所包含的信息量越丰富、信息冗余度越小，同时最佳指数法计算简单、易于操作，更接近波段选择原则，因此所选择的波段组更能充分代表目标高光谱图像。
在本发明实施例中，高光谱图像是一个空间-光谱数据立方体，每一层为一个波段，每一个像素点各波段的光谱信息都构成一个光谱向量。通过对光谱向量分析，可以更简单且快速地对高光谱图像进行分类、信息提取等工作。因此，光谱向量不仅直观地展示了每个像素点的光谱信息，还便于对高光谱图像进行后续处理和应用。
可选地，在图1所示异常目标检测方法中，在步骤101中对待检测的高光谱图像进行标准差和相关系数运算之前，进一步包括：
对初始待检测的高光谱图像进行预分类，以获得不同类的集群，其中，不同类的集群对应有不同的区域，且不同类的集群中包括的地物种类不同，所有不同类的集群组合成初始待检测的高光谱图像；
将异常目标所在集群的区域确定为目标区域；
获取目标区域的所有波段，并根据预设的筛选规则筛选出保留波段，以获得包括有保留波段的待检测的高光谱图像。
在本发明实施例中，对初始高光谱进行预处理，首先通过分类确定异常目标所在区域，以便缩小异常目标检测空间范围，进一步提高对异常目标的检测精度和效率。其次，对目标区域中的所有波段进行初步筛选，去除水分吸收波段和低信噪比波段，筛选出保留波段，以使得待检测的高光谱图像中仅包括保留波段，如此去除了影响异常目标检测的波段，进一步提高了对异常目标的检测精度和可靠性。
在本发明实施例中，预设的筛选规则用于剔除水汽吸收波段和低信噪比波段，其中，1356-1417nm，1820-1932nm和大于2395nm的波段受水汽影响较大，且这些波段中极少包含地物(异常目标)信息。
可选地，在图1所示异常目标检测方法中，步骤101对待检测的高光谱图像进行标准差和相关系数运算，包括：
通过如下公式对待检测的高光谱图像进行标准差运算：
其中，σi用于表征待检测的高光谱图像中第i波段图像的标准差，fik用于表征第i波段图像中k像素点的灰度值，
通过如下公式对待检测的高光谱图像进行相关系数运算：
其中，rij用于表征待检测的高光谱图像中第i波段图像与第j波段图像之间的相关系数。
在本发明实施例中，通过对待检测的高光谱图像中的各波段层中各像素点的灰度值进行运算，可以获得基于该高光谱图像的标准差，波段的信息量与标准差为正相关关系。通过标准差，可以确定携带信息量多的波段，保证降维后的高光谱图像的特征信息。
在本发明实施例中，通过对待检测的高光谱图像中各波段层中各像素点的灰度值进行运算，可以获得基于该高光谱图像的相关系数矩阵，该相关系数矩阵中包括该高光谱图像中任意两个波段之间的相关系数。通过相关系数矩阵，可以直观的确定任意两个波段之间的相关系数，从而确定该两个波段之间的信息重叠程度，便于筛选。
在本发明实施例中，i、j波段数不大于保留波段的数量，各像素点的坐标不超过m×n。
可选地，在图1所示异常目标检测方法中，步骤102根据标准差和相关系数对每一个波段组进行最佳指数运算，包括：
针对每一个波段组，通过如下公式进行最佳指数运算：
其中，oif用于表征该波段组的最佳指数，σi用于表征第i波段图像的标准差，rij用于表征第i波段图像与第j波段图像之间的相关系数，i、j用于表征待检测的高光谱图像中的波段数，n用于表征该波段组的波段数量。
在本发明实施例中，根据标准差与所含信息量的关系以及波段间相关系数与信息冗余度之间的关系，确定了一种波段组的优选算法，即最佳指数法，随着最佳指数的增加，波段组所包含的信息量越大，且信息冗余度越小。通过预设波段组，无需事先找出全部可能的三波段组，而是通过n的取值确定各个波段组，从而减小了数据运算量，提高了运算速度。
可选地，在图1所示异常目标检测方法中，步骤104根据与目标最佳指数对应的波段组，确定目标高光谱图像，包括：
针对各目标最佳指数，确定与每一个目标最佳指数相对应的第一波段组；
将各第一波段组中的波段进行取并运算，以获得第二波段组，其中，第二波段组包括第一波段组中的波段；
根据第二波段组中的波段，确定目标高光谱图像。
在本发明实施例中，高光谱图像虽然提供了大量更精细的地物信息，但在异常目标检测中，数据量的增加并没有增加原有的信息量，反而使得图像中某一波段的信息可以部分或完全由图像中其他波段预测。鉴于此，根据筛选出的最佳指数较大的目标最佳指数，可以确定每一个目标最佳系数中包括的波段组，并对所有的波段组进行取并运算，获得包含信息量多的第二波段组，确定仅且只包含第二波段组的高光谱图像为目标高光谱图像。因此，无需任何先验知识和训练样本，通过对待检测高光谱图像的波段选择，即选择出各波段间的信息重叠度小、信息冗余度小且包含信息量多的目标高光谱图像，实现了高光谱图像的降维，从而降低了高光谱图像数据的处理难度。
可选地，在图1所示异常目标检测方法中，步骤106对目标高光谱图像中所有的光谱向量进行背景均值运算和协方差矩阵运算，以获得背景均值和协方差矩阵，包括：
背景均值，通过如下公式确定：
其中，u用于表征目标高光谱图像的背景均值，r用于表征目标高光谱图中的光谱向量，m用于表征m行n列的二维数组，二维数组用于表征各像素点的坐标，k用于表征光谱向量在二维数组中的像素点坐标，其中，目标高光谱图像中有m×n个像素点；
协方差矩阵，通过如下公式确定：
其中，c用于表征目标高光谱图像的协方差矩阵，u用于表征背景均值，r用于表征光谱向量，m用于表征二维数组，k用于表征光谱向量的像素点坐标。
在本发明实施例中，高光谱异常检测实际上就是对偏离背景分布程度越大的像素点进行异常检测，无需知道待检测异常目标的实际光谱信息，只通过背景均值和协方差矩阵便可以估计异常目标的统计信息，如此将异常目标信息从影响背景和噪声中分离处理，无需任何先验信息就可以实现异常目标检测，实用性更强。
可选地，在图1所示异常目标检测方法中，步骤107根据当前像素点的光谱向量、背景均值和协方差矩阵，确定异常目标检测结果，包括：
通过如下公式对当前像素点的光谱向量、背景均值和协方差矩阵进行运算：
d(r)＝(r-u)c-1(r-u)t
其中，d用于表征当前像素点的检测值，r用于表征当前像素点的光谱向量，u用于表征背景均值，c用于表征协方差矩阵；
判断当前像素点的检测值是否小于预设的检测阈值；
如果当前像素点的检测值不小于检测阈值，则确定当前像素点存在异常目标。
在本发明实施例中，通过背景均值、协方差矩阵和每个像素点的光谱向量计算每个像素点的检测值，在假设背景服从高斯背景的条件下，建立二值假设，如果当前像素点的检测值大于预设的检测阈值，则第一假设成立，该认为当前像素点存在异常目标；否则，第二假设成立，该认为当前像素点不存在异常目标。如此，如果当前像素点的检测值大于预设的检测阈值，则当前像素点存在异常目标，从而通过该算法可以有效地实现异常目标的检测。
为了更加清楚地说明本发明的技术方案及优点，如图2所示，下面对本发明实施例提供的一种异常目标检测方法进行详细的说明，具体包括：
步骤201：对初始待检测的高光谱图像进行预处理。
具体地，对初始待检测的高光谱图像进行预分类，以获得不同类的集群，并将异常目标所在集群的区域确定为目标区域，以及获取目标区域的所有波段，并根据预设的筛选规则筛选出保留波段，以获得包括有保留波段的待检测的高光谱图像，其中，不同类的集群对应有不同的区域，且不同类的集群中包括的地物种类不同，所有不同类的集群组合成初始待检测的高光谱图像。
例如，选取在a市海军飞机场获取的224波段的aviris高光谱图像作为初始待检测的高光谱图像，如图3所示，其波长范围为370nm-2510nm，空间分辨率为3.5m，空间区域大小为400×400像素。首先对更改初始待检测光谱进行预分类，分为：建筑区、水体区、林地区和机场区，从而可以确定待提取飞机目标(异常目标)所在的机场区为目标区域，该目标区域如图4所示，位于图3中的左下方区域，该目标区域的空间大小为100×100像素。在该目标空间内剔除水汽吸收波段和低信噪比波段后，获得189个保留波段。
步骤202：对待检测的高光谱图像进行标准差和相关系数运算。
具体地，通过如下公式对待检测的高光谱图像进行标准差运算：
其中，σi用于表征待检测的高光谱图像中第i波段图像的标准差，fik用于表征第i波段图像中k像素点的灰度值，
通过如下公式对待检测的高光谱图像进行相关系数运算：
其中，rij用于表征待检测的高光谱图像中第i波段图像与第j波段图像之间的相关系数。
例如，接前例所述，i、j波段数不大于189，m×n为100×100，k为像素点在目标区域中的空间坐标(x，y)，且x≦m＝100，y≦n＝100。σ2为待检测的高光谱图像中第2波段图像的标准差，r28即为该待检测的高光谱图像中第2波段图像与第8波段图像之间的相关系数，f2k为第2波段图像中k像素点的灰度值，f8k为第8波段图像中k像素点的灰度值，
步骤203：根据标准差和相关系数对每一个波段组进行最佳指数运算。
具体地，针对至少一个预设的波段组，根据标准差和相关系数对每一个波段组进行最佳指数运算，以获得该波段组的最佳指数，其中，每一个波段组包括至少两个波段；
针对每一个波段组，通过如下公式进行最佳指数运算：
其中，oif用于表征该波段组的最佳指数，σi用于表征第i波段图像的标准差，rij用于表征第i波段图像与第j波段图像之间的相关系数，i、j用于表征所述待检测的高光谱图像中的波段数，n用于表征该波段组的波段数量。
例如，接前例所述，获取188个预设的波段组，其中每一个波段组中包括n个波段，n分别为2、3…188、189，即分别对前n个波段进行波段组合获得波段组，并对该188个波段组进行最佳指数运算，以确定目标高光谱图像中的波段组。
步骤204：确定目标最佳指数运算。
具体地，将大于预设的最佳指数阈值的最佳指数确定为目标最佳指数。
例如，接前例所述，预设的最佳指数阈值为600，选择大于该最佳指数阈值的最佳指数为目标最佳指数，该目标最佳指数中包括oif＝700(n＝32)、oif＝800(n＝43)等，其中oif＝800(n＝43)用于表示包含前43个波段的该波段组的最佳指数为800。
步骤205：确定目标高光谱图像。
具体地，针对各目标最佳指数，确定与每一个目标最佳指数相对应的第一波段组，将各第一波段组中的波段进行取并运算，以获得第二波段组，根据第二波段组中的波段，确定目标高光谱图像，其中，第二波段组包括第一波段组中的波段。
例如，接前例所述，目标最佳指数中包括oif＝700(n＝32)、oif＝800(n＝43)，则前者对应的波段为前32号波段，后者对应波段为前43号波段，为了保证目标高光谱所包含的信息量更大，对所有目标最佳指数所对应的波段进行取并运算，如此确定包含信息量最多的43个波段，将这些波段组成新的数据立方体，得到经过光谱降维后的目标高光谱图像。
步骤206：确定目标高光谱图像中每一个像素点的光谱向量。
具体地，确定目标高光谱图像中每一个像素点的光谱向量，其中，每一个像素点的光谱向量用于表征该像素点在每一个波段中的光谱信息。
例如，接前例所述，像素点的光谱向量为该点在43个波段上的光谱信息，可以表示为43维列向量，该目标高光谱图像总计有100×100个43维列向量。
步骤207：对目标高光谱图像进行背景均值运算和协方差矩阵运算。
具体地，目标高光谱图像中所有的光谱向量进行背景均值运算和协方差矩阵运算，以获得背景均值和协方差矩阵；
背景均值，通过如下公式确定：
其中，u用于表征目标高光谱图像的背景均值，r用于表征目标高光谱图中的光谱向量，m用于表征m行n列的二维数组，二维数组用于表征各像素点的坐标，k用于表征光谱向量在二维数组中的像素点坐标，其中，目标高光谱图像中有m×n个像素点；
协方差矩阵，通过如下公式确定：
其中，c用于表征目标高光谱图像的协方差矩阵，u用于表征背景均值，r用于表征光谱向量，m用于表征二维数组，k用于表征光谱向量的像素点坐标。
步骤208：确定异常目标检测结果。
具体地，针对目标高光谱图像中的每一个像素点，通过如下公式对当前像素点的光谱向量、背景均值和协方差矩阵进行运算：
d(r)＝(r-u)c-1(r-u)t
其中，d用于表征当前像素点的检测值，r用于表征当前像素点的光谱向量，u用于表征背景均值，c用于表征协方差矩阵；
判断当前像素点的检测值是否小于预设的检测阈值；
如果当前像素点的检测值不小于检测阈值，则确定当前像素点存在异常目标。
例如，接前例所述，预设的检测阈值为0.85，通过上述运算得到当前像素点(21,76)的检测值为0.93，则可以确定像素点(21,76)存在异常目标。如此对100×100个像素点进行运算，最终可以确定如图5所示的异常目标检测结果，相较于通过背景技术中的现有异常目标检测方法所获得的异常目标检测结果(如图6所示)，从图5中可以更直观准确的识别待提取飞机目标，从而提高了对异常目标的检测精度。
如图7、图8所示，本发明实施例提供了一种异常目标检测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图7所示，为本发明实施例提供的一种异常目标检测装置所在设备的一种硬件结构图，除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图8所示，作为一个逻辑意义上的装置，是通过其所在设备的cpu将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的一种异常目标检测装置，包括：第一运算模块801、筛选模块802、获取模块803、第二运算模块804和第三运算模块805；
第一运算模块801，用于用于对待检测的高光谱图像进行标准差和相关系数运算，以获得高光谱图像中每一个波段的标准差和任意两个波段之间的相关系数，并针对至少一个预设的波段组，根据标准差和相关系数对每一个波段组进行最佳指数运算，以获得该波段组的最佳指数，其中，每一个波段组包括至少两个波段；
筛选模块802，用于将由第一运算模块801获得的大于预设的最佳指数阈值的最佳指数确定为目标最佳指数，并根据与目标最佳指数对应的波段组，确定目标高光谱图像；
获取模块803，用于确定由筛选模块802获得的目标高光谱图像中每一个像素点的光谱向量，其中，每一个像素点的光谱向量用于表征该像素点在每一个波段中的光谱信息；
第二运算模块804，用于对目标高光谱图像中由获取模块803所获得的所有光谱向量进行背景均值运算和协方差矩阵运算，以获得背景均值和协方差矩阵；
第三运算模块805，用于针对目标高光谱图像中的每一个像素点，根据由获取模块803所获得的当前像素点的光谱向量、由第二运算模块804所确定的背景均值和协方差矩阵，确定异常目标检测结果。
可选地，在图8所示一种异常目标检测装置的基础上，如图9所述，该装置进一步包括：预处理模块806；
预处理模块806，用于对初始待检测的高光谱图像进行预分类，获得不同类的集群，将异常目标所在集群的区域确定为目标区域，并获取目标区域的所有波段，以及根据预设的筛选规则筛选出保留波段，以获得包括有保留波段的待检测的高光谱图像，其中，不同类的集群对应有不同的区域，且不同类的集群中包括的地物种类不同，所有不同类的集群组合成初始待检测的高光谱图像。
可选地，在图8所示一种异常目标检测装置的基础上，第一运算模块801，还用于执行如下操作：
通过如下公式确定对待检测的高光谱图像进行标准差运算：
其中，σi用于表征待检测的高光谱图像中第i波段图像的标准差，fik用于表征第i波段图像中k像素点的灰度值，
通过如下公式对待检测的高光谱图像进行相关系数运算：
其中，rij用于表征待检测的高光谱图像中第i波段图像与第j波段图像之间的相关系数。
可选地，在图8所示一种异常目标检测装置的基础上，第一运算模块801，还用于执行如下操作：
针对至少一个预设的波段组，根据标准差和相关系数对每一个波段组进行最佳指数运算，以获得该波段组的最佳指数，其中，每一个波段组包括至少两个波段；
针对每一个波段组，通过如下公式进行最佳指数运算：
其中，oif用于表征该波段组的最佳指数，σi用于表征第i波段图像的标准差，rij用于表征第i波段图像与第j波段图像之间的相关系数，i、j用于表征待检测的高光谱图像中的波段数，n用于表征该波段组的波段数量。
可选地，在图8所示一种异常目标检测装置的基础上，筛选模块802，还用于执行如下操作：
针对各目标最佳指数，确定与每一个目标最佳指数相对应的第一波段组；
将各第一波段组中的波段进行取并运算，以获得第二波段组，其中，第二波段组包括第一波段组中的波段；
根据第二波段组中的波段，确定目标高光谱图像。
可选地，在图8所示一种异常目标检测装置的基础上，第二运算模块804，还用于执行如下操作：
通过如下公式确定背景均值：
其中，u用于表征目标高光谱图像的背景均值，r用于表征目标高光谱图中的光谱向量，m用于表征m行n列的二维数组，二维数组用于表征各像素点的坐标，k用于表征光谱向量在二维数组中的像素点坐标，其中，目标高光谱图像中有m×n个像素点；
通过如下公式确定协方差矩阵：
其中，c用于表征目标高光谱图像的协方差矩阵，u用于表征背景均值，r用于表征光谱向量，m用于表征二维数组，k用于表征光谱向量的像素点坐标。
可选地，在图8所示一种异常目标检测装置的基础上，第三运算模块805，还用于执行如下操作：
通过如下公式对当前像素点的光谱向量、背景均值和协方差矩阵进行运算：
d(r)＝(r-u)c-1(r-u)t
其中，d用于表征当前像素点的检测值，r用于表征当前像素点的光谱向量，u用于表征背景均值，c用于表征协方差矩阵；
判断当前像素点的检测值是否小于预设的检测阈值；
如果当前像素点的检测值不小于检测阈值，则确定当前像素点存在异常目标。
可以理解的是，本发明实施例示意的结构并不构成对一种异常目标检测装置的具体限定。在本发明的另一些实施例中，一种异常目标检测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种异常目标检测装置，包括：至少一个存储区和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行本发明任一实施例中的一种异常目标检测方法。
本发明实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行本发明任一实施例中的一种异常目标检测方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！