一种基于胶囊微分对抗网络的高光谱异常检测方法与系统

1.本发明属于图像信息处理技术领域，具体涉及一种基于胶囊微分对抗网络的高光谱异常检测方法与系统。


背景技术：

2.高光谱图像是由光谱成像仪采集的包含上百个光谱通道的高维图像，因此每一个像素点为连续的光谱曲线，可以根据需要选择或提取特定波段来突出目标特征。高光谱成像仪同时探测目标的二维几何空间信息与一维光谱信息，因此高光谱数据具有“图像立方体”的结构，体现出“图谱合一”的特点和优势。
3.由于地球表面不同区域独特的物理和化学特性，可以发射、反射和吸收不同的电磁辐射，高光谱图像中的光谱判别信息可用于识别不同的材料。凭借丰富的光谱、空间和时间信息，高光谱图像已广泛应用于矿产勘探、环境监测、精准农业和国防等诸多领域。高光谱异常检测的目标是在没有任何背景和目标先验知识的情况下识别出在空间或光谱上与其周围背景显著不同的物体，这是高光谱中最活跃的研究领域之一。
4.近年来深度模型算法在高光谱图像处理中得到了越来越多的关注。卷积神经网络在深度模型中表现出了优异性能，然而这种直接基于卷积神经网络的方案，对图像特征位置的建模能力相当有限，如果输入数据呈现旋转、倾斜或向其他任何方向变化，卷积神经网络可能表现出较差的识别性能，导致高光谱异常检测效果较差。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种基于胶囊微分对抗网络的高光谱异常检测方法与系统。本发明要解决的技术问题通过以下技术方案实现：
6.本发明提供了一种基于胶囊微分对抗网络的高光谱异常检测方法，包括：
7.获取待测高光谱图像；
8.将所述待测高光谱图像输入至预先训练完成的生成对抗网络，得到所述待测高光谱图像对应的重建图像以及所述重建图像中各像素点的异常概率；
9.其中，所述生成对抗网络是基于背景样本训练集训练获得的，所述生成对抗网络包括级联的生成器和判别器，所述生成器用于生成与其输入图像数据分布相似的重建图像数据，所述判别器用于判断其输入数据的真假；所述生成器和所述判别器均为一维胶囊网络结构。
10.在本发明的一个实施例中，所述生成器包括级联的编码器和解码器，所述编码器用于将输入的原始数据映射至潜在空间中，所述解码器用于将所述潜在空间中的数据映射至和所述原始数据相同尺寸的光谱向量；其中，
11.所述编码器包括依次级联的若干第一全连接层、第一初级胶囊层和第一密集胶囊层，所述第一初级胶囊层和所述第一密集胶囊层之间通过动态路由策略相连接；
12.所述解码器包括若干级联的第二全连接层。
13.在本发明的一个实施例中，所述判别器包括依次级联的若干一维卷积层、第二初级胶囊层和第二密集胶囊层，所述第二初级胶囊层和第二密集胶囊层之间通过动态路由策略相连接。
14.在本发明的一个实施例中，所述生成对抗网络的训练方法包括：
15.获取背景样本训练集；
16.将所述背景样本训练集输入所述生成对抗网络中进行训练，并计算损失函数；
17.根据所述损失函数对所述生成对抗网络进行优化更新，以得到训练完成的生成对抗网络。
18.在本发明的一个实施例中，获取背景样本训练集，包括：
19.获取高光谱异常检测数据集，所述高光谱异常检测数据集包括若干高光谱图像；
20.计算所述高光谱图像中每个像素与相邻像素的余弦相似度，将所述余弦相似度大于或等于0.99的像素点的坐标集合记为背景样本坐标集x
index
；
21.对所述高光谱图像中每个像素进行空谱均值融合处理，得到融合数据集dataspespa；
22.在所述融合数据集dataspespa中提取坐标在所述背景样本坐标集x
index
中的像素点，构成所述背景样本训练集x
bkg
。
23.在本发明的一个实施例中，将所述背景样本训练集输入所述生成对抗网络中进行训练，并计算损失函数，包括：
24.将所述背景样本训练集输入所述生成对抗网络的生成器中进行训练，并计算所述生成器的损失函数lg，所述生成器输出与其输入对应的重建图像集，同时，对所述重建图像集进行可微数据增强处理，得到增强重建图像集；
25.对所述背景样本训练集进行可微数据增强处理，得到增强背景样本集；
26.将所述增强背景样本集和所述增强重建图像集输入所述生成对抗网络的判别器中进行训练，并计算所述判别器的损失函数ld。
27.在本发明的一个实施例中，所述生成器的损失函数lg为：
[0028][0029]
其中，中e表示数学期望，x表示背景样本训练集中的背景样本，p(x
bkg
)表示背景样本训练集的数据分布，e(x)表示编码器的输出，g(e(x))表示解码器输出的重建图像，diff(g(e(x))表示对重建图像进行可微数据增强处理后的增强重建图像，d(diff(g(e(x))))表示判别器输出的对输入样本diff(g(e(x)))真实概率的预测结果，mse表示均方误差损失函数。
[0030]
在本发明的一个实施例中，所述判别器的损失函数ld为：.
[0031][0032]
其中，中e表示数学期望，x表示背景样本训练集中的背景样本，p(x
bkg
)表示背景样本训练集的数据分布，e(x)表示编码器的输出，g(e(x))表示解码器输出的重建图像，diff(g(e(x))表示对重建图像进行可微数据增强处理后的增强重建图像，d(diff(g(e(x))))表示判别器输出的对输入样本diff(g(e(x)))真实概率的预测结果，diff(x)表示
对背景样本进行可微数据增强处理后的增强背景样本，d(diff(x))表示判别器输出的对输入样本diff(x)真实概率的预测结果。
[0033]
在本发明的一个实施例中，所述重建图像中各像素点的异常概率的表达式为：
[0034]
pic
(i,j)
＝mse(x
(i,j)
,g(e(x
(i,j)
))),(0≤i≤m,0≤j≤n)
[0035]
其中，mse表示均方误差损失函数，m表示待测高光谱图像数据的行数，n表示待测高光谱图像数据的列数，x
(i,j)
表示待测高光谱图像中的像素点，e(x
(i,j)
)表示编码器关于输入x
(i,j)
的输出，g(e(x
(i,j)
))表示待测高光谱图像对应的重建图像中的像素点。
[0036]
本发明提供了一种基于胶囊微分对抗网络的高光谱异常检测系统，包括：
[0037]
图像输入模块，用于输入待测高光谱图像；
[0038]
检测模块，用于根据其内部存储的预先训练完成的生成对抗网络，对输入的所述待测高光谱图像进行检测，得到所述待测高光谱图像对应的重建图像以及所述重建图像中各像素点的异常概率；
[0039]
其中，所述生成对抗网络是基于背景样本训练集训练获得的，所述生成对抗网络包括级联的生成器和判别器，所述生成器用于生成与其输入图像数据分布相似的重建图像数据，所述判别器用于判断其输入数据的真假；所述生成器和所述判别器均为一维胶囊网络结构。
[0040]
与现有技术相比，本发明的有益效果在于：
[0041]
1.本发明的基于胶囊微分对抗网络的高光谱异常检测方法，利用预先训练完成的生成对抗网络对待测高光谱图像的异常进行检测，生成对抗网络相比于传统卷积神经网络能有效缓解过拟合的问题，在异常检测数据中，异常点通常只有一小部分，生成对抗网络能更好地适用于数据不均衡的场景。
[0042]
2.本发明的基于胶囊微分对抗网络的高光谱异常检测方法，生成对抗网络为胶囊网络结构，能够保存样本的姿态参数，提高模型的泛化性能。
[0043]
3.本发明的基于胶囊微分对抗网络的高光谱异常检测方法，在对生成对抗网络训练过程中，通过对高光谱图像的光谱信息和空间信息进行处理，有效融合并充分利用空谱信息，可以提高生成对抗网络的检测精度。
[0044]
4.本发明的基于胶囊微分对抗网络的高光谱异常检测方法，在对生成对抗网络训练过程中，使用可微数据增强处理样本，可以进一步地提升网络的检测性能。
[0045]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0046]
图1是本发明实施例提供的一种基于胶囊微分对抗网络的高光谱异常检测方法的流程图；
[0047]
图2是本发明实施例提供的一种生成对抗网络的结构示意图；
[0048]
图3是本发明实施例提供的生成对抗网络的训练过程示意图；
[0049]
图4是本发明实施例提供的在urban场景的异常检测结果图；
[0050]
图5是本发明实施例提供的在beach场景的异常检测结果图；
[0051]
图6是本发明实施例提供的在airport场景的异常检测结果图。
具体实施方式
[0052]
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种基于胶囊微分对抗网络的高光谱异常检测方法与系统进行详细说明。
[0053]
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
[0054]
实施例一
[0055]
请参见图1，图1是本发明实施例提供的一种基于胶囊微分对抗网络的高光谱异常检测方法的流程图，如图所示，本实施例的基于胶囊微分对抗网络的高光谱异常检测方法，包括：
[0056]
步骤1：获取待测高光谱图像；
[0057]
步骤2：将待测高光谱图像输入至预先训练完成的生成对抗网络，得到待测高光谱图像对应的重建图像以及重建图像中各像素点的异常概率。
[0058]
在本实施例中，生成对抗网络是基于背景样本训练集训练获得的。
[0059]
具体地，生成对抗网络是一种生成式模型，生成对抗网络包括级联的生成器和判别器，生成器用于生成与其输入图像数据分布相似的重建图像数据，判别器用于判断其输入数据的真假，即区分输入数据是真实训练数据或生成器生成的重建数据。判别器输出的是对其输入样本的真假预测值，值越大即认为该样本越真实，相反，值越小即认为该样本越虚假。
[0060]
在生成对抗网络中，生成器和判别器以对抗的方式互相博弈，因此，生成对抗网络可以生成逼真的重建数据(伪数据)，可以用于异常检测中的背景像素重建。
[0061]
在本实施例中，生成器和判别器均为一维胶囊网络结构。胶囊网络是一种新型网络结构，它弥补了卷积神经网络的缺陷，增强了识别能力。胶囊网络将数据关系编码成向量(而不是标量)，使用向量神经元代替标量神经元，向量的模表示特征存在的概率，方向表示特征的姿态信息(位置、颜色、方向等)。
[0062]
本实施例的基于胶囊微分对抗网络的高光谱异常检测方法，利用预先训练完成的生成对抗网络对待测高光谱图像的异常进行检测，生成对抗网络相比于传统卷积神经网络能有效缓解过拟合的问题，在异常检测数据中，异常点通常只有一小部分，生成对抗网络能更好地适用于数据不均衡的场景。
[0063]
进一步地，请参见图2，图2是本发明实施例提供的一种生成对抗网络的结构示意图，如图所示，在本实施例的生成对抗网络中，生成器包括级联的编码器和解码器，编码器用于将输入的原始数据映射至潜在空间中，解码器用于将潜在空间中的数据映射至和原始数据相同尺寸的光谱向量。
[0064]
其中，为了提升网络的建模能力，在本实施中将编码器设计为一维胶囊网络结构，具体地，编码器包括依次级联的若干第一全连接层、第一初级胶囊层和第一密集胶囊层，第
一初级胶囊层和第一密集胶囊层之间通过动态路由策略相连接。解码器包括若干级联的第二全连接层。
[0065]
与生成器的编码器相似，由于胶囊网络有优秀的特征建模能力，因此，在本实施中将判别器也设计为一维胶囊网络结构，与生成器的编码器包含全连接层不同的是，判别器包括依次级联的若干一维卷积层、第二初级胶囊层和第二密集胶囊层，第二初级胶囊层和第二密集胶囊层之间通过动态路由策略相连接。
[0066]
进一步地，对构建的如图2所示的生成对抗网络的训练方法进行具体说明，请参见图3，图3是本发明实施例提供的生成对抗网络的训练过程示意图。如图所示，本实施例的生成对抗网络的训练方法包括：
[0067]
步骤a：获取背景样本训练集；
[0068]
由于异常检测的目标是在没有任何背景和目标先验知识的情况下识别出在空间或光谱上与其周围背景显著不同的物体。为了使网络学习到背景像素的分布，首先需要依据光谱信息进行初步的背景像素筛选。
[0069]
具体地，步骤a包括：
[0070]
步骤a1：获取高光谱异常检测数据集，高光谱异常检测数据集包括若干高光谱图像；
[0071]
在本实施例中，高光谱图像的数据是尺寸为(m,n,channels)的数据立方体，其中，m表示高光谱图像数据的行数，n表示高光谱图像数据的列数，channels表示高光谱图像数据的光谱通道数，因此每个像素点均是长度为channels的光谱曲线。
[0072]
例如，高光谱图像abu-airport-1的数据是尺寸为(100,100,205)的数据立方体，其中，两个100分别表示abu-airport-1数据的行数和列数，205表示abu-airport-1数据的通道数，因此，每个像素点均是长度为205的光谱曲线。
[0073]
可选地，高光谱异常检测数据集可以从现有公开的公共数据集中获得。
[0074]
步骤a2：计算高光谱图像中每个像素与相邻像素的余弦相似度，将余弦相似度大于或等于0.99的像素点的坐标集合记为背景样本坐标集x
index
；
[0075]
需要说明的是，在异常检测任务中，异常像素和背景像素的光谱曲线有较大差异，而相邻的背景像素之间，光谱曲线差异较小。因此，通过计算高光谱图像中每个像素与相邻像素的余弦相似度，并根据余弦相似度大小可判断该像素的类型(即背景像素或异常像素)。
[0076]
具体地，在本实施例中，若余弦相似度小于0.99，则认为该像素与其相邻像素有较大差异，认为该像素是异常像素，若余弦相似度大于或等于0.99，则就将该像素点的坐标加入背景样本坐标集x
index
。
[0077]
假设x
index
中有n个元素，那么例如，对于高光谱图像abu-airport-1，其背景样本坐标集
[0078]
步骤a3：对高光谱图像中每个像素进行空谱均值融合处理，得到融合数据集dataspespa；
[0079]
具体地，在本实施例中以高光谱图像中每个像素为中心，划定(a,a,channels)大小的空间块，并做全局平均池化，得到尺寸为(1,1,channels)的融合了空间信息的一维数
据，再将该一维数据与原光谱拼接，得到(1,1,2channels)的新数据。对高光谱图像中每个像素均作此操作，即得到融合了自身光谱信息和临近像素空间信息的融合数据集dataspespa，其尺寸为(m,n,2channels)。
[0080]
例如，以高光谱图像abu-airport-1的数据(100,100,205)为例，以其每个像素为中心，划定(3,3,205)大小的空间块，并做全局平均池化，得到(1,1,205)大小的融合了空间信息的一维数据，再将该一维数据与原光谱拼接，得到(1,1,410)的光谱向量。对高光谱图像中每个像素均作此操作，即得到融合了自身光谱信息和临近像素空间信息的融合数据集dataspespa，其尺寸为(100,100,410)，
[0081]
在对生成对抗网络训练过程中，通过对训练样本的高光谱图像的光谱信息和空间信息进行处理，有效融合并充分利用空谱信息，可以提高生成对抗网络的检测精度。
[0082]
步骤a4：在融合数据集dataspespa中提取坐标在背景样本坐标集x
index
中的像素点，构成背景样本训练集x
bkg
。
[0083]
在本实施例中，
[0084]
步骤b：将背景样本训练集输入生成对抗网络中进行训练，并计算损失函数；
[0085]
具体地，包括：
[0086]
步骤b1：将背景样本训练集输入生成对抗网络的生成器中进行训练，并计算生成器的损失函数lg，生成器输出与其输入对应的重建图像集，同时，对重建图像集进行数据增强处理，得到增强重建图像集；
[0087]
具体地，首先，将背景样本训练集x
bkg
中的背景样本x输入生成器的编码器，基于一维胶囊网络结构的编码器将背景光谱向量映射至200维的潜在向量，记为e(x)。
[0088]
其次，经过编码器的映射，解码器将潜在向量重建为2channels维的重建图像g(e(x))。
[0089]
需要说明的是，得到的该重建图像g(e(x))通过可微数据增强处理后输入判别器，对重建图像进行可微数据增强处理后的增强重建图像记为diff(g(e(x)))，判别器输出对输入样本diff(g(e(x)))真实概率的预测结果记为d(diff(g(e(x))))。
[0090]
最后，计算网络损失，在本实施例中，此处的网络损失包括两部分：重建损失以及预测损失。
[0091]
具体地，利用均方误差损失函数计算输入的背景样本x与生成器生成的重建图像g(e(x))之间的损失值。
[0092]
由于生成对抗网络的生成器与判别器之间以博弈的方式训练。在训练生成器时，生成器欺骗判别器使判别器认为重建图像是真实样本，因此利用梯度下降算法最小化损失(-d(diff(g(e(x)))))。
[0093]
利用上述两个损失对生成对抗网络进行反向传播训练。
[0094]
在本实施例中，生成器的损失函数lg表示为：
[0095][0096]
其中，中e表示数学期望，x表示背景样本训练集中的背景样本，p(x
bkg
)表示背景样本训练集的数据分布，e(x)表示编码器的输出，g(e(x))表示解码器输出的重建图像，diff(g(e(x))表示对重建图像进行可微数据增强处理后的增强重建图像，d(diff(g
(e(x))))表示判别器输出的对输入样本diff(g(e(x)))真实概率的预测结果，mse表示均方误差损失函数。
[0097]
步骤b2：对背景样本训练集进行可微数据增强处理，得到增强背景样本集；
[0098]
在本实施例中，为了防止生成对抗网络的判别器过拟合，提升生成对抗网络的性能，对训练集采用可微数据增强，该可微数据增强方法不仅用于背景样本训练集，也用于生成器生成的重建图像集，以避免破坏生成器与判别器的动态平衡。
[0099]
具体地，将该可微数据增强方法记为diff，那么，对背景样本训练集x
bkg
中的背景样本x进行可微数据增强处理后的增强背景样本记为diff(x)。
[0100]
需要说明的是，该可微数据增强方法diff包括对颜色的数据增强(例如，图像亮度、饱和度和/或对比度变化)以及对移位的数据增强(例如，沿x和/或沿y方向移动)。
[0101]
在对生成对抗网络训练过程中，使用可微数据增强训练样本，可以进一步地提升网络的检测性能。
[0102]
步骤b3：将增强背景样本集和增强重建图像集输入生成对抗网络的判别器中进行训练，并计算判别器的损失函数ld。
[0103]
具体地，首先，将增强背景样本diff(x)输入判别器进行非线性映射，输出对diff(x)真实概率的预测结果d(diff(x))。
[0104]
其次，将增强重建图像diff(g(e(x)))输入判别器进行非线性映射，输出对diff(g(e(x)))真实概率的预测结果d(diff(g(e(x))))。
[0105]
最后，计算网络损失，在本实施例中，此处的损失包括两部分：增强背景样本的预测损失和增强重建图像的预测损失。
[0106]
训练判别器时，为了增强判别器的判别能力，利用梯度下降算法最小化损失(-d(diff(x)))，以及d(diff(g(e(x))))，并这利用上述两个损失对生成对抗网络进行反向传播训练。
[0107]
在本实施例中，判别器的损失函数ld表示为：.
[0108][0109]
其中，中e表示数学期望，x表示背景样本训练集中的背景样本，p(x
bkg
)表示背景样本训练集的数据分布，e(x)表示编码器的输出，g(e(x))表示解码器输出的重建图像，diff(g(e(x))表示对重建图像进行可微数据增强处理后的增强重建图像，d(diff(g(e(x))))表示判别器输出的对输入样本diff(g(e(x)))真实概率的预测结果，diff(x)表示对背景样本进行可微数据增强处理后的增强背景样本，d(diff(x))表示判别器输出的对输入样本diff(x)真实概率的预测结果。
[0110]
步骤c：根据损失函数对生成对抗网络进行优化更新，以得到训练完成的生成对抗网络。
[0111]
在本实施例中，通过迭代训练5000次完成训练，得到训练完成的生成对抗网络。
[0112]
进一步地，利用训练完成的生成对抗网络对待测高光谱图像进行异常检测。
[0113]
由于生成对抗网络已经学习了背景像素的分布信息，因此对于输入的背景像素，可以输出相似的伪数据(重建图像)，但对于异常像素，生成对抗网络的输出将与原数据有较大差别。因此，异常像素的重建误差将高于背景像素，通过计算生成对抗网络对某个像素
的重建误差，可以得出该像素属于异常像素的概率。
[0114]
在本实施例中，生成对抗网络中的生成器即可重建输入的待测高光谱图中每个像素的光谱向量。由于训练完成的生成对抗网络已经掌握了背景像素的数据分布，但对异常像素的数据分布一无所知，因此将待测高光谱图的所有像素输入生成对抗网络，并计算待测高光谱图像中的每个像素点x
(i,j)
,(0≤i≤m,0≤j≤n)与待测高光谱图像对应的重建图像中的像素点g(e(x
(i,j)
))之间的损失值，显然，背景像素的损失值较小，异常像素的损失值较大。将该损失值作为待测高光谱图像中像素是异常像素的概率，即可完成异常检测，并输出检测结果，该检测结果为待测高光谱图像对应的重建图像以及该重建图像中各像素点的异常概率。
[0115]
具体地，重建图像中各像素点的异常概率的表达式为：
[0116]
pic
(i,j)
＝mse(x
(i,j)
,g(e(x
(i,j)
))),(0≤i≤m,0≤j≤n)
[0117]
其中，mse表示均方误差损失函数，m表示待测高光谱图像数据的行数，n表示待测高光谱图像数据的列数，x
(i,j)
表示待测高光谱图像中的像素点，e(x
(i,j)
)表示编码器关于输入x
(i,j)
的输出，g(e(x
(i,j)
))表示待测高光谱图像对应的重建图像中的像素点。
[0118]
本实施例的基于胶囊微分对抗网络的高光谱异常检测方法，利用预先训练完成的生成对抗网络对待测高光谱图像的异常进行检测，该生成对抗网络利用空谱均值融合，充分利用和提取了高光谱图像的空谱信息，并在网络训练过程中采用可微数据增强方法，相比于传统卷积神经网络能有效缓解过拟合的问题，提升了网络检测精度，而且在异常检测数据中，异常点通常只有一小部分，生成对抗网络能更好地适用于数据不均衡的场景。
[0119]
实施例二
[0120]
本实施例通过仿真实验对实施一的基于胶囊微分对抗网络的高光谱异常检测方法的效果进行了验证说明。
[0121]
1.实验条件
[0122]
在本实施例中，用于实验验证的abu(airport-beach-urban)数据集分为urban，beach和airport三个场景，其中urban场景有5张高光谱图像，beach场景有4张高光谱图像，airport场景有4张高光谱图像，其具体的高光谱图像数据参见表1。
[0123]
表1高光谱图像数据
[0124]
数据集行数列数光谱波段数abu-urban-1100100204abu-urban-2100100207abu-urban-3100100191abu-urban-4100100205abu-urban-5100100205abu-beach-1150150188abu-beach-2100100193abu-beach-3100100188abu-beach-4150150102abu-airport-1100100205abu-airport-2100100205
abu-airport-3100100205abu-airport-4100100191
[0125]
分别利用实施一的基于胶囊微分对抗网络的高光谱异常检测方法以及四种现有的高光谱异常检测方法：reed
–
xiaoli(rx)、kernel-rx(krx)、local rx(lrx)和基于协同表示的检测器(collaborative representation-based detector,crd)，对abu数据集，在相同的实验条件下进行检测，并分别对其检测结果的auc值进行分析评价。
[0126]
auc(area under curve)值被定义为roc曲线下与坐标轴围成的面积，由于roc曲线一般都处于y＝x这条直线的上方，所以auc的取值范围在0.5和1之间。auc越接近1，检测方法真实性越高；等于0.5时，则真实性最低，无应用价值。
[0127]
2.实验结果分析
[0128]
请参见表2，表2为各检测方法对各高光谱图像检测结果的auc分数。
[0129]
表2各检测方法对各高光谱图像检测结果的auc分数
[0130]
数据集rxkrxlrxcrd本方法abu-urban-10.99060.99060.981810.980130.9917abu-urban-20.99450.99450.980160.947060.9993abu-urban-30.95240.95240.936760.947260.9811abu-urban-40.98960.98960.968980.959380.9967abu-urban-50.96940.96940.969390.933830.9754abu-beach-10.97310.97310.982560.972680.9912abu-beach-20.91030.91030.916830.898120.9015abu-beach-30.99970.99970.996080.989730.9999abu-beach-40.98930.98930.97870.971130.9988abu-airport-10.82130.82130.944320.889940.9331abu-airport-20.84130.84130.97540.905640.9292abu-airport-30.92830.92830.937610.839160.9673abu-airport-40.95080.95080.989590.900170.9923
[0131]
请结合参见图4-图6，图4是本发明实施例提供的在urban场景的异常检测结果图，其中(a)图-(e)图依次为对高光谱图像abu-urban-1-高光谱图像abu-urban-5的异常检测结果图，从左至右分别为高光谱图像的伪彩图、groundtruth图、本发明方法检测结果图、rx检测结果图、krx检测结果图、lrx检测结果图、crd方法检测结果图。图5是本发明实施例提供的在beach场景的异常检测结果图，其中(a)图-(d)图依次为对高光谱图像abu-beach-1-高光谱图像abu-beach-4的异常检测结果图，从左至右分别为高光谱图像的伪彩图、groundtruth图、本发明方法检测结果图、rx检测结果图、krx检测结果图、lrx检测结果图、crd方法检测结果图。图6是本发明实施例提供的在airport场景的异常检测结果图，其中(a)图-(d)图依次为对高光谱图像abu-airport-1-高光谱图像abu-airport-4的异常检测结果图，从左至右分别为高光谱图像的伪彩图、groundtruth图、本发明方法检测结果图、rx检测结果图、krx检测结果图、lrx检测结果图、crd方法检测结果图。
[0132]
由表2以及图4-图6可以看出，在大多数数据集上，本发明的基于胶囊微分对抗网络的高光谱异常检测方法均优于其他传统检测方法，均优于其他传统检测方法，具有稳定
的优良性能。由于检测数据中一些异常像素的光谱与背景像素的光谱较为接近，因此算法可能将这些异常像素判定为背景，或将这些背景像素判定为异常，这种情况下rx、lrx和crd算法有大量的异常漏检情况，异常检测率较低。尽管krx算法检测出了大多数异常像素，但同时有很多背景像素被检测为异常，即krx有较高的误报率。本发明的方法在检测率和误报率达到了均衡，在尽可能将异常像素检测全面的同时降低误检率。
[0133]
本实施例的基于胶囊微分对抗网络的高光谱异常检测方法，用胶囊网络代替广泛使用的卷积神经网络，并结合生成对抗网络，有效利用和融合了高光谱数据中的判别性信息，同时利用可微数据增强方法，缓解判别器过拟合，提升生成对抗网络的性能。
[0134]
实施例三
[0135]
基于同一发明构思，本发明实施例提供了一种基于胶囊微分对抗网络的高光谱异常检测系统，包括：
[0136]
图像输入模块，用于输入待测高光谱图像；
[0137]
检测模块，用于根据其内部存储的预先训练完成的生成对抗网络，对输入的待测高光谱图像进行检测，得到待测高光谱图像对应的重建图像以及重建图像中各像素点的异常概率；
[0138]
其中，生成对抗网络是基于背景样本训练集训练获得的，生成对抗网络包括级联的生成器和判别器，生成器用于生成与其输入图像数据分布相似的重建图像数据，判别器用于判断其输入数据的真假；生成器和判别器均为一维胶囊网络结构。
[0139]
本发明实施例提供的基于胶囊微分对抗网络的高光谱异常检测系统，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0140]
本发明还提供了一种终端设备，该终端设备包括处理器以及存储器，存储器用于存储计算机程序，计算机程序包括程序指令，处理器用于执行计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例的处理器可以实现上述任一种基于胶囊微分对抗网络的高光谱异常检测方法所述的方法步骤，或者实现上述任一种生成对抗网络所实现的功能。
[0141]
本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0142]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实
现上述任一种基于胶囊微分对抗网络的高光谱异常检测方法所述的方法步骤，或者，实现上述任一种生成对抗网络所实现的功能。
[0143]
对于电子设备/存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0144]
应当说明的是，在本文中，诸如第一和第二等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。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物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0145]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。