基于编码和独立目标子空间投影的高光谱异常检测方法及装置

文档序号:32312949发布日期:2022-11-23 13:17阅读:129来源:国知局
基于编码和独立目标子空间投影的高光谱异常检测方法及装置

1.本发明涉及图像处理领域,尤其涉及一种基于编码和独立目标子空间投影的高光谱异常检测方法及装置。


背景技术:

2.高光谱遥感图像具有图谱合一和光谱分辨率高等突出特点,其丰富的光谱信息能够识别具有诊断性光谱特征的地表物质,能够探测到全色和多光谱等高空间分辨图像中不可探测的物质,在目标检测和识别领域相比其他遥感图像更具有优势。高光谱异常检测(hyperspectral anomaly detection,had)是在没有先验目标光谱信息的情况下探测高光谱图像(hyperspectral imagery,hsi)中潜在可疑物质的过程,被广泛用于军事监视、精准农业以及稀有矿产探测等场合。
3.通常,异常目标虽无先验信息,但存在如下特点:从统计特性出发可以认为异常目标所占像元个数很少、发生概率低且不可预知;从光谱差异性的角度出发可以认为异常目标像元与周围邻域像元存在差异。在过去的几十年中,许多研究工作都是基于这两个前提条件开展研究。与基于目标先验知识的目标检测不同,had更加依赖于背景(background,bkg)的抑制效果以及bkg与异常之间的对比度。
4.为了更好的实现背景抑制与目标增强,一种基于低秩和稀疏表示(lrasr)的方法通过将原始数据分解为背景+目标+噪声的形式,利用优化参数求解策略获得解决背景与噪声问题条件下的目标组分。对于基于lrasr的方法,低秩背景分量本质上是通过寻找最优的低秩空间来表示bkg来获得的。寻找最优低秩空间有两个关键问题需要解决。一是如何确定基数m用于表征bkg的秩;另一个是如何获得m个空间基向量。大多方法基于某些先验分布假设,利用godec是基于奇异/特征分析的技术,假设bkg服从高斯分布。此外,参数优化类方法中低秩约束也被转换为计算同样使用奇异分析概念的矩阵f范数。然而,真实高光谱数据的背景部分并不是简单地满足这样的分布假设。因此,可以通过提取或寻找原始数据的有效性表示来获得低秩bkg空间。
5.近年来,随着深度学习在各领域应用的蓬勃发展,基于深度学习的高光谱图像处理技术也得到了广泛关注。其中,自编码器(auto-encoder,ae)作为无监督神经网络之一,能够捕获抽象特征来表示原始hsi并在没有先验分布假设的情况下实现重建,适用于无监督约束的had。目前,常用的方法利用自编码器潜层特征或者重构误差以及带约束的重构误差来进行异常检测。然而,此类方法虽然避免了背景先验分布假设,但是仍然存在背景表征基数确定以及噪声干扰的问题。有别于这些基于重构误差或潜层特征的方法,从数据驱动和ae模型驱动的角度,利用异常目标所占像元低且发生概率的特点,通过约束ae潜层神经元个数驱使网络倾向于重构背景以此获得背景编码空间,用于背景组分的构建。在球化后的背景正交组分中进行无监督目标检测能够实现背景抑制、高斯噪声去除的同时获得独立目标空间,有助于提高背景抑制与目标增强效果。为了进一步降低非高斯噪声的影响,对独
立目标组分施加稀疏基数约束能够获得异常组分,结合距离算子获得最终的检测结果。


技术实现要素:

6.针对现有技术中的不足,本发明的目的是提供一种基于编码和独立目标子空间投影的高光谱异常检测方法及装置,
7.充分利用高光谱数据的特点以及自编码器在数据表征方面的优势,通过约束自编码器的潜层神经元个数,驱使自编码器网络倾向于重构背景而不是异常目标和噪声。即本发明结合模型驱动与数据驱动,利用带约束的网络架构获得数据编码空间,并将原始数据投影至低秩编码空间以保留背景信息。在低秩背景空间的正交子空间中,对球化后的数据组分进行无监督目标检测能够抑制背景、去除高斯噪声并获得独立目标组分。再结合稀疏基数约束进一步降低非高斯噪声的影响获得异常组分,增强目标。最终结合距离算子与异常组分实现异常检测。
8.为实现上述目的,本发明提供了如下技术方案:
9.本发明首先提供了一种基于编码和独立目标子空间投影的高光谱异常检测方法,其特征在于,包括如下步骤:
10.步骤1):计算原始高光谱数据x的背景秩数m和独立目标数j,所述的背景秩数m用于步骤2)中自编码器隐含层神经元个数的确定,独立目标数j用于步骤 5)中稀疏基数的确定;
11.步骤2):训练背景秩数约束的自编码器,获得编码器的权重矩阵及编码空间投影矩阵
12.步骤3):利用编码空间投影矩阵将原始高光谱数据x投影至编码空间的正交子空间获得低秩背景组分lm的正交组分
13.步骤4):为了获得独立目标用于独立目标空间构建,将低秩背景组分的正交组分进行数据球化,并将球化后的正交组分用于独立目标搜索,将搜索的独立目标集用于独立目标子空间构造;
14.步骤5):将球化后的低秩背景组分lm的正交组分投影至独立目标子空间获得独立目标组分,并利用稀疏基数约束获得异常组分sj,至此原始高光谱数据分解为低秩背景组分、异常组分与噪声组分的正交和;
15.步骤6):利用异常组分sj结合马氏距离构造检测算子实现对异常目标的检测。
16.本发明还提供了一种实施上述方法的基于编码和独立目标子空间投影的高光谱异常检测装置,其包括:
17.背景秩数和独立目标数确定模块,用于确定原始数据中的背景秩数和独立目标的个数,所述背景秩数用于低秩背景组分生成模块构建自编码器过程中潜层神经元个数的确定,独立目标数用于异常组分生成模块中稀疏基数的确定;
18.低秩背景组分生成模块,用于构建自编码器并训练自编码器,利用自编码器的编码矩阵构建编码空间投影矩阵,利用投影矩阵将原始数据投影至编码空间,得到低秩背景组分;
19.低秩背景正交组分生成模块,用于将原始高光谱数据投影至原始数据的低秩编码空间的正交子空间,得到低秩背景组分的正交组分,即低秩背景正交组分;
20.数据球化模块,用于将输入的低秩背景正交组分进行数据的球化,得到球化后的数据;
21.独立目标组分生成模块,用于将球化后低秩背景正交组分投影至球化后低秩背景正交组分的独立目标组分子空间,得到独立目标组分;
22.异常组分生成模块,用于将稀疏基数约束施加至独立目标组分,得到异常组分;
23.检测算子模块,用于异常组分结合距离算子,构造异常检测算子;
24.异常检测结果输出模块,用于输出异常检测结果图。
25.本发明的有益效果在于:
26.1)本发明通过自适应确定的背景秩数约束ae网络的潜层神经元个数,并利用训练后获得的编码矩阵构建编码空间,将原始数据投影至编码空间获得低秩背景组分,用来表征背景。对ae网络的潜层神经元个数进行自适应确定能够驱使网络倾向于重构背景而不是异常目标和噪声。所提出的bkg表示方法结合了数据驱动和网络结构约束的优点,这与其他基于ae的ad方法不同,后者利用了ae框架的重构误差或潜在特征。
27.2)将原始数据投影到低秩背景空间的正交子空间,并将得到的组分通过数据球化以及独立目标提取构建独立目标空间。该操作一方面能够抑制背景,而且能够消除高斯噪声的影响,获得包含异常目标的独立目标组分。为了进一步减少非高斯噪声的影响,对独立目标组分施加稀疏基数约束,能够提高目标增强效果。
附图说明
28.图1为本发明高光谱异常检测方法实施例的基本步骤流程图;
29.图2为本发明高光谱异常检测装置的结构示意图;
30.图3为实验用hypersion高光谱图像;
31.图4为hypersion高光谱图像用不同方法检测后的异常检测结果对比图。
具体实施方式
32.为了使本发明的目的、技术方案和优点更加清楚,下面结合具体的实施例和附图,详细说明本发明,并描述了具体实施例以简化本发明。但是需要认识到,本发明不局限于所说明的实施例,并且在不脱离基本原理的前提下,本发明的各种修改是可能的,这些等价形式同样落于本技术所附权利要求书所限定的范围。
33.首先介绍一下与本发明相关的一些基本变量。
34.记原始数据为x,背景秩数为m,独立目标数为j,稀疏基数为k。自编码器的编码矩阵为编码空间的投影矩阵为m秩编码空间为m秩背景组分为lm,m秩编码空间的正交子空间投影矩阵为背景组分正交组分为
35.如图1所示,为本发明的基于编码和独立目标子空间投影的高光谱异常检测方法在本实施例的基本步骤流程图,主要包括:
36.步骤1:原始高光谱数据的背景秩数和独立目标数确定:计算原始数据x的虚拟端元数p和背景秩数m和独立目标数j;
37.对于原始数据x,采用nwhfc算法确定虚拟端元数p。利用mx-svd进一步划分p,得到背景秩数m和独立目标数j。
38.步骤2:利用自编码器提取原始数据x的潜层特征,其中自编码器为只包含一层潜层(含m个神经元)构成的神经网络,输入为原始数据x,输出为重构的数据x

。将x投影至原始数据的低秩编码空间,获得m秩背景组分;利用原始数据 x的编码矩阵构造编码空间投影矩阵并将原始数据x投影至低秩编码空间得到低秩背景组分的
39.步骤3:将x投影至编码空间的正交子空间,获得低秩背景组分的正交组分;将原始数据x投影至编码空间的正交子空间其中投影矩阵背景组分的正交组分
40.步骤4:对进行球化获得并利用无监督目标提取方法atgp获得j个独立目标向量构成独立目标向量矩阵tj=[t1,t2…
tj],利用独立目标向量矩阵tj构造投影矩阵将球化后的正交组分投影至独立目标空间获得独立目标组分
[0041]
步骤5:利用独立成分分量数j,对独立目标组施加稀疏基数约束,即保留独立目标组分中最大的k个元素,k=j*n,k为稀疏基数,n为已知的高光谱图像像元个数,所获得的异常组分计算公式为:
[0042]
所获得的的异常组分p
ω
(
·
)表示将括号中的矩阵投影至元素集ω的投影矩阵,ω表示矩阵中前k个最大元素的非零集合。
[0043]
步骤6:利用获得的异常组分sj结合马氏距离构造检测算子异常检测算子的计算公式为将待检测像元代入算子公式即可获得像元异常度,遍历所有像元即可完成对异常目标的检测。
[0044]
与前述的一种基于编码和独立目标子空间投影的高光谱异常检测方法的实施例相对应,本发明还提供了一种基于编码和独立目标子空间投影的高光谱异常检测装置的实施例。
[0045]
图2为根据一示例性实施例示出的一种基于编码和独立目标子空间投影的高光谱异常检测方法的框图,如图2所示,该装置包括:
[0046]
背景秩数和独立目标数确定模块,用于确定原始数据中的背景秩数和独立目标的个数,所述背景秩数用于低秩背景组分生成模块构建自编码器过程中潜层神经元个数的确定,独立目标数用于异常组分生成模块中稀疏基数的确定;
[0047]
低秩背景组分生成模块,用于构建自编码器并训练自编码器,利用自编码器的编码矩阵构建编码空间投影矩阵,利用投影矩阵将原始数据投影至编码空间,得到低秩背景组分;
[0048]
低秩背景正交组分生成模块,用于将原始高光谱数据投影至原始数据的低秩编码空间的正交子空间,得到低秩背景组分的正交组分,即低秩背景正交组分;
[0049]
数据球化模块,用于将输入的低秩背景正交组分进行数据的球化,得到球化后的数据;
[0050]
独立目标组分生成模块,用于将球化后低秩背景正交组分投影至球化后低秩背景正交组分的独立目标组分子空间,得到独立目标组分;
[0051]
异常组分生成模块,用于将稀疏基数约束施加至独立目标组分,得到异常组分;
[0052]
检测算子模块,用于异常组分结合距离算子,构造异常检测算子;
[0053]
异常检测结果输出模块,用于输出异常检测结果图。
[0054]
在本发明的一项具体实施中,还包括应用扩展模块,其用于使用低秩背景组分和异常组分来进行高光谱图像分类、解混或目标检测。
[0055]
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
[0056]
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,例如所述低秩背景组分模块,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个单元。另一点,所显示或讨论的模块之间的连接可以是通过一些接口进行通信连接,可以是电性或其它的形式。可以根据实际的需要选择其中的部分或者全部模块来实现本技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。下面以真实高光谱图像为例说明具体的实施方式,以体现本发明的技术效果,实施例中具体步骤不再赘述。
[0057]
实施例
[0058]
接下来以hypersion高光谱图像为研究对象,开展异常检测算法验证。为了从直观视觉和量化评估两个角度进行异常检测结果的对比,分别采用异常检测结果图和3d-roc及其衍生评价指标包括auc
td
,auc
bs
,auc
snpr
,auc
tdbs
和 auc
odp
等,从目标检测能力、背景抑制能力以及检测器有效性等角度前面评估检测结果。3d-roc包括auc
(d,f)
,auc
(d,t)
,auc
(f,t)
,分别表征检测器有效性、目标检测能力以及背景抑制能力,其衍生的评价指标也按照相应评价角度进行划分,具体如下:
[0059]
auc
td
表示检测器的联合检测能力,
[0060]
0≤auc
td
=auc
(d,f)
+auc
(d,τ)
)≤2
[0061]
auc
bs
表示检测器的联合背景抑制能力,
[0062]-1≤auc
bs
=auc
(d,f)-auc
(f,τ)
)≤1
[0063]
auc
tdbs
表示检测器的目标检测与背景抑制综合能力,
[0064]-1≤auc
tdbs
=auc
(d,τ)-auc
(f,τ)
)≤1
[0065]
auc
snpr
表示检测器的信噪比,
[0066][0067]
auc
odp
表示检测器的总检测概率
[0068]-1≤auc
odp
=auc
(d,f)
+auc
(d,τ)-auc
(f,τ)
≤2
[0069]
总的来说,评价指标的划分方式如下:
[0070]
(a)目标检测能力(td):auc
(d,t)
,auc
td
[0071]
(b)背景抑制能力(bs):auc
(f,t)
,auc
bs
,auc
snpr
[0072]
(c)检测器有效性:auc
(d,f)
,auc
tdbs
,auc
odp
[0073]
真实高光谱图像,即hypersion高光谱图像如图3所示,3(a)为截取的小幅宽实验数据的假彩色图,3(b)为真实异常目标的标签图。表1为hypersion数据参数。表2为hypersion高光谱图像采用eait-sp,rx-ad,crd-dw-sto,ospds
‑ꢀ
ad,lsdm-mog,pta和rgae异常检测结果的量化指标。
[0074]
表1高光谱图像参数表
[0075]
数据子区域尺寸波段数目标点个数hypersion高光谱图100
×
100224/145(去除噪声、水汽吸收波段)32
[0076]
表2 hypersion高光谱图像采用eait-sp,rx-ad,crd-dw-sto,ospds-ad,lsdm-mog, pta和rgae异常检测结果的量化指标
[0077][0078]
图4为hypersion城市高光谱图像用eait-sp,rx-ad,crd-dw-sto,ospds
‑ꢀ
ad,lsdm-mog,pta和rgae方法检测后的异常检测结果对比图,结合表2所示的8个评价指标的量化检测结果。可以看出,如果从检测器有效性的角度进行评价,本发明提出的eait-sp法虽然在auc
(d,f)
和auc
bs
这两个指标上略低于 ospds-ad,但总体来看无论是背景抑制还是目标增强效果都优于对比算法。综上,通过视觉效果和量化指标两个层面都能体现出,本发明中提出的异常检测算子在目标增强与背景抑制方面的优越性。
[0079]
以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1