一种针对高光谱图像分类网络的对象级对抗攻击方法

本发明属于图像处理，具体涉及一种针对高光谱图像分类网络的对象级对抗攻击方法。

背景技术：

1、遥感图像分类技术是理解土地覆盖物的重要组成部分。高光谱图像不仅可以描述土地覆盖的二维空间特征，还可以包含精细的光谱信息；因此，高光谱图像可以识别更精确的土地覆盖对象。深度学习技术已成为高光谱图像分类领域的主要研究方法。深度神经网络(dnn)探索了丰富互补的光谱空间特征，以进一步提高分类性能。

2、然而，dnn对抗样本的脆弱性受到广泛关注。在干净样本中添加难以察觉的扰动可能会使dnn输出错误的预测。这个问题促进了对抗攻击和防御的研究，研究人员评估dnn所面临的风险并进一步提高dnn的稳健性。大多数对抗攻击方法在自然图像上都取得了优异的攻击效果，但在高维空间中进一步应用这些方法生成高光谱图像对抗样本仍然存在以下两个问题：

3、1、高光谱图像数据的迁移性差：对抗攻击方法可以分为两类：白盒攻击和黑盒攻击。在真实的场景中，黑盒攻击更具挑战性。基于传输的黑盒攻击是现在的关注热点，旨在利用白盒攻击方法生成的对抗样本的迁移性。现有的研究主要集中在对单波段或三波段图像的对抗攻击上，高维图像数据的对抗攻击方法的研究较少。与自然图像相比，高光谱包含额外的光谱维度，并且具有光谱冗余。然而，现有的攻击方法通常忽略谱带之间的关系，迁移效果不尽如人意。

4、2、对基于图像处理的防御的鲁棒性较差：大多数对抗攻击方法都是以像素级的方式实现的，即独立地向每个像素添加扰动。然而，像素级扰动对于基于图像处理的防御来说并不鲁棒。在高光谱图像分类任务中，高光谱图像常受到图像预处理技术的影响，像素级的扰动可以轻易被去除。

技术实现思路

1、本发明的目的是提供一种针对高光谱图像分类网络的对象级对抗攻击方法，提高对抗样本的迁移性和鲁棒性，达到更好的攻击效果。

2、本发明采用以下技术方案：一种针对高光谱图像分类网络的对象级对抗攻击方法，包括以下步骤：

3、步骤一、对原始高光谱图像逐像素进行图像分块，得到多个干净样本；

4、步骤二、输入多个干净样本，根据输入的多个干净样本尺寸，随机生成与干净样本尺寸相一致的初始扰动，与多个干净样本相加，得到初始的高光谱图像的对抗样本；

5、步骤三、迭代更新扰动：

6、步骤3a、对原始高光谱图像采用主成分分析法进行光谱降维，对降维后的图像使用slic超像素分割方法生成2d过分割空间模板；

7、步骤3b、输入所述步骤二中的初始扰动，根据所述2d过分割空间模板，将所述初始扰动的每个像素值用其对应超像素内的扰动平均值替代，获得空间局部平滑的扰动；

8、步骤3c、更新所述步骤3b中的空间局部平滑的扰动并剪裁，得到更新后的空间局部平滑的扰动；

9、步骤3d、以所述步骤重复3c中的更新后的空间局部平滑的扰动作为输入，重复步骤3b和3c，迭代更新，得到受到2d过分割空间模板约束的扰动；

10、步骤4、迭代更新受到2d过分割空间模板约束的扰动：

11、步骤4a、对原始高光谱图像使用k均值聚类方法生成1d过分割光谱模板；

12、步骤4b、输入步骤3d中生成的受到2d过分割空间模板约束的扰动，根据1d过分割光谱模板，获得光谱维局部平滑的扰动；

13、步骤4c、更新并剪裁光谱维局部平滑的扰动，得到更新的光谱维局部平滑的扰动；

14、步骤4d、以所述步骤4c中生成的更新的光谱维局部平滑的扰动作为输入，重复步骤4b～4c，迭代更新，得到受2d过分割空间模板和1d过分割光谱模板约束的最终扰动；

15、步骤5、将所述最终扰动与干净样本相加，得到最终的高光谱图像对抗样本。

16、进一步地，在步骤3b中，采用公式(a)获得空间局部平滑的扰动，如下所示：

17、

18、其中：表示第m个超像素内的第n个扰动被该超像素内的扰动平均值所替代；

19、δi表示第i次迭代的扰动；

20、表示根据slic超像素分割生成2d过分割空间模板的第m个超像素内的第n个空间像素分类结果；

21、i表示第i次迭代。

22、进一步地，在步骤4b中，采用公式(b)得到更新后的空间局部平滑的扰动，如下所示：

23、

24、其中：δi+1表示第i+1次迭代的扰动；

25、clipε表示将扰动限制在[-ε,ε]内，ε为攻击强度，取值为0.01～0.1；

26、α表示限制梯度与梯度范数的比值的参数，取值为1.0；

27、j表示损失函数；

28、x表示多个干净样本；

29、y表示标签；

30、f(x+δi)表示多个干净样本x加上扰动δi后模型的分类结果。

31、进一步地，在步骤3c中，根据分类模型的损失梯度更新并剪裁空间局部平滑的扰动。

32、进一步地，在步骤4c中，根据分类模型的损失梯度更新并剪裁光谱维局部平滑的扰动。

33、本发明的有益效果是：1.基于高光谱图像分类，采用slic超像素分割方法和k均值聚类方法分别生成过分割的空间模板和过分割的光谱模板，在空间和光谱模板的约束下，获得局部平滑的空间和光谱扰动。具有平滑扰动的对抗样本可以避免过拟合，由此白盒模型生成的对抗样本更容易转移到黑盒模型，获得更好的迁移性和攻击效果。2.采用迭代更新的方法，以迭代的方式不断强制空间和光谱扰动更加平滑，以此生成对基于图像处理防御鲁棒的对抗样本。

技术特征：

1.一种针对高光谱图像分类网络的对象级对抗攻击方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种针对高光谱图像分类网络的对象级对抗攻击方法，其特征在于，在所述步骤3b中，采用公式(a)获得空间局部平滑的扰动，如下所示：

3.如权利要求1或2所述的一种针对高光谱图像分类网络的对象级对抗攻击方法，其特征在于，在所述步骤4b中，采用公式(b)得到更新后的空间局部平滑的扰动，如下所示：

4.如权利要求3所述的一种针对高光谱图像分类网络的对象级对抗攻击方法，其特征在于，在所述步骤3c中，根据分类模型的损失梯度更新并剪裁空间局部平滑的扰动。

5.如权利要求4所述的一种针对高光谱图像分类网络的对象级对抗攻击方法，其特征在于，在所述步骤4c中，根据分类模型的损失梯度更新并剪裁光谱维局部平滑的扰动。

技术总结
本发明公开了一种针对高光谱图像分类网络的对象级对抗攻击方法，包括如下：步骤一、对原始高光谱图像逐像素进行图像分块，得到多个干净样本；步骤二、输入多个干净样本，根据输入的多个干净样本尺寸，随机生成与干净样本尺寸相一致的初始扰动，与多个干净样本相加，得到初始的高光谱图像的对抗样本；步骤三、迭代更新扰动；步骤4、迭代更新受到2D过分割空间模板约束的扰动；步骤5、将所述最终扰动与干净样本相加，得到最终的高光谱图像对抗样本。采用该对抗攻击方法，提高了对抗样本的迁移性和鲁棒性，达到更好的攻击效果。

技术研发人员：石程,张梦馨,赵明华,吕志勇
受保护的技术使用者：西安理工大学
技术研发日：
技术公布日：2024/1/16