高光谱图像异常检测方法、装置、设备及介质

本发明涉及高光谱异常检测领域，更具体地说，它涉及高光谱图像异常检测方法、装置、设备及介质。

背景技术：

1、高光谱图像(hsi)利用数百个从红外到紫外连续变化的窄带光谱实现了优异的光谱分辨率，可以准确描述物体的反射光谱，从而显着提高物体的检测和分类能力。hsi的独特优势引领了各种应用，例如目标检测和分类。具体来说，根据是含有目标的确切先验信息，高光谱目标检测可大致分为两类：匹配目标和异常检测，异常检测可用于各个领域，例如精准农业、矿物识别和军事监视。

2、目前，基于自编码器(ae)的检测器被提出用于高光谱异常检测。这类方法都假设网络获得的背景重建误差较小。相比之下，网络获得的异常的重建误差则较大。因此，重建误差被视为异常。为了实现端到端检测，一种基于全卷积ae的自动高光谱异常检测网络被提出，称为auto-ad。该网络采用自适应权重来减少背景重建的误差。然而，该自编码器无法充分学习到背景的一些潜在特性，如低秩性和局部光滑性。同时，不同于基于模型的检测方法，auto-ad为黑盒模型，其学习到的特征是不可解释的。为了结合模型驱动的先验和基于ae网络的优点，一种结合模型驱动和数据驱动的方法被提出用于高光谱异常检测，称为deeplr。它采用自适应权重的ae网络来重建背景，并设计了低秩约束网络的输出以利用背景的低秩属性。然而，deeplr仅利用了背景的低秩性，忽略了背景的局部光滑性。

技术实现思路

1、本技术的目的是提供一种高光谱图像异常检测方法、装置、设备及介质，本发明首先构建了卷积自编码器，利用卷积自编码器强大的特征学习能力提取高光谱预处理数据的特征，在卷积自编码器的输出上构建包含背景潜在特性约束的目标函数，即低秩和稀疏约束，以利用背景中的低秩和稀疏特性，进一步的，本发明采用高效的交替方向乘子法，对目标函数进行求解，以调整卷积自编码器的网络参数，从而使得卷积自编码器能够更加充分学习到高光谱预处理数据的背景特性，从而降低背景重建时的误差，进而提高异常检测性能。

2、本技术的上述技术目的是通过以下技术方案得以实现的：

3、本技术的第一方面，提供了一种高光谱图像异常检测方法，方法包括：

4、对高光谱图像光谱维度的每个切片进行归一化处理，得到高光谱预处理数据；

5、将所述高光预处理谱数据输入预先构建好的具有跨连接层的卷积自编码器中，以对高光谱的背景进行重构，输出高光谱预处理数据的背景重构张量；

6、沿着光谱维度将所述背景重构张量拉伸为矩阵，对所述矩阵施加使卷积自编码器的网络输出最优的目标函数，其中目标函数由自编码器残差约束项和背景潜在特性的低秩约束项和稀疏约束项构成；

7、采用交替方向乘子法迭代更新所述目标函数的低秩约束项、稀疏约束项和残差约束项，以调整所述卷积自编码器的网络参数，在迭代次数达到收敛阈值时，确定当前所述卷积自编码器输出的背景重构张量；

8、将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量，得到背景重构后的误差张量；

9、对误差张量每个光谱维度的切片求平方后累加开方，得到检测图；

10、对所述检测图进行异常检测，得到异常检测结果。

11、在一种实现方案中，所述预先构建好的具有跨连接层的卷积自编码器包括编码器和解码器，编码器和解码器均由卷积层构成，编码器的卷积层输出通过跨连接层与对应的解码器的卷积层输出拼接。

12、在一种实现方案中，所述目标函数的表达式为：其中，表示高光谱预处理数据张量，w表示立方体数据的宽，h表示立方体数据的高，b表示立方体数据的光谱带宽维度，||·||f表示f范数，||·||*表示矩阵的核范数，表示差分算子，||·||1表示l1范数，λ表示用于平衡低秩约束的非负权重参数，β表示用于平衡稀疏约束的非负权重参数，表示自编码器的输出，θ表示自编码器的网络参数，表示将自编码器输出的背景重构张量沿着光谱维度拉伸成矩阵，表示对执行一阶差分运算。

13、在一种实现方案中，采用交替方向乘子法迭代更新所述目标函数含网络参数项和所述目标函数的低秩约束项和稀疏约束项，包括：

14、引入第一松驰变量和第二松驰变量对所述目标函数的低秩约束项和稀疏约束项进行替换，得到替换后的目标函数，替换后的目标函数的表达式为：其中，c1表示第一松驰变量，c2表示第二松驰变量；

15、利用拉格朗日乘子法构建变量替换后的目标函数，构建的目标函数的表达式为：其中,p1和p2均为拉格朗日乘子，μ为拉格朗日权重系数；

16、依据重构的目标函数分别更新第一松弛变量和第二松弛变量，以分别计算出更新后第一松弛变量和第二松弛变量的解；

17、采用adam算法，对代入更新后第一松弛变量和第二松弛变量的解的含有网络参数项的代价函数项进行求解，得到使卷积自编码器代价函数最小化的网络参数。

18、在一种实现方案中，在迭代次数达到收敛阈值时，确定当前所述卷积自编码器输出的背景重构张量，具体为：

19、预设收敛阈值，计算该迭代次数下含有网络参数项的代价函数值；

20、在所述代价函数值小于收敛阈值时，停止迭代，确定当前所述卷积自编码器输出的背景重构张量。

21、在一种实现方案中，所述代价函数值小于收敛阈值的表达式为：k表示迭代次数，θk+1表示第k+1次迭代跟新的网络参数，θk表示第k次迭代跟新的网络参数，表示自编码器代价函数在第k+1次的值，表示自编码器代价函数在第k次的值。

22、在一种实现方案中，计算所述检测图的表达式其中，表示误差张量，表示误差张量在第三个维度上的第i个切片，b表示高光谱预处理数据光谱的个数。

23、本技术的第二方面，提供了一种高光谱图像异常检测装置，装置包括：

24、预处理模块，用于对高光谱图像的每个光谱维度的切片进行归一化处理，得到高光谱预处理数据；

25、背景重构模块，用于将所述高光谱预处理数据输入预先构建好的具有跨连接层的卷积自编码器中，以对高光谱的背景进行重构，输出高光谱预处理数据的背景重构张量；

26、目标函数施加模块，用于沿着光谱维度将所述背景重构张量拉伸为矩阵，对所述矩阵施加约束以构建使卷积自编码器的网络输出最优的目标函数，其中目标函数由自编码器端的残差约束和背景潜在特性的低秩约束和稀疏约束构成；

27、迭代更新模块，用于采用交替方向乘子法迭代更新所述目标函数的低秩约束项、稀疏约束项和含有自编码器网络参数项以调整所述卷积自编码器的网络参数，在迭代次数达到收敛阈值时，确定当前所述卷积自编码器输出的重构背景张量；

28、重构误差计算模块，用于将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量，得到背景重构后的误差张量；

29、检测图计算模块，用于对误差张量每个光谱维度的切片求平方后累加开方，得到检测图；

30、异常检测模块，用于对所述检测图进行异常检测，得到异常检测结果。

31、本技术的第三方面，提供了一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述本技术的第一方面所述的一种高光谱图像异常检测方法的步骤。

32、本技术的第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述本技术的第一方面所述的一种高光谱图像异常检测方法的步骤。

33、与现有技术相比，本技术具有以下有益效果：

34、本发明提供了一种高光谱图像异常检测方法，该方法首先构建了卷积自编码器，利用卷积自编码器强大的特征学习能力提取高光谱预处理数据的特征，在卷积自编码器的输出上额外构建包含背景潜在特性约束的目标函数，即低秩和稀疏约束，以利用背景中的低秩和稀疏特性，进一步的，本发明采用高效的交替方向乘子法，对目标函数进行求解，以调整卷积自编码器的网络参数，从而使得卷积自编码器能够更加充分学习到高光谱预处理数据的背景，从而降低背景重建时的误差，进而提高异常检测性能。

35、此外，本技术上述的第二方面至第四方面还提供了一种高光谱图像异常检测装置、设备及介质，具备与本技术上述提供的一种高光谱图像异常检测方法相同的有益效果，此处不在赘述。