[发明专利]一种稀疏高光谱异常目标检测方法

说明书

本发明公开了一种稀疏高光谱异常目标检测方法，属于高光谱异常检测技术领域。针对RX异常目标检测算法对高光谱图像异常目标检测精度低和虚警率高的问题。提出一种充分利用高光谱图像的空间信息和光谱信息，基于稀疏表示理论基础上的稀疏RX异常目标检测算法。该算法首先利用空间预处理方法使高光谱图像目标信息相比于背景信息更加突出，然后利用双边滤波方法再次对高光谱图像进行滤波处理，滤除噪声干扰对高光谱图像的影响；在此基础上，利用稀疏表示理论，计算高光谱图像的稀疏差异指数，再利用稀疏差异指数重构一个高光谱图像数据向量，最后利用RX方法进行异常目标检测，得到异常目标检测结果。

技术领域

本发明涉及高光谱异常检测技术领域，特别是一种基于空间预处理与双边滤 波的稀疏RX高光谱异常检测方法。

背景技术

高光谱图像由于具有较高的空间分辨率和光谱分辨率，在遥感图像应用领域 优于其他光谱。高光谱图像在民用和军事上都有大量的应用，如大气环境监测、 植被保护和战场目标发现等。高光谱图像数据是由几十乃至数百个很窄的光谱波 段组成，含有丰富的地物信息。但是由于高光谱图像在获取过程中，受到光谱仪 器和大气环境的影响，空间信息对地物的反映具有局限性。另外，光谱信息也存 在着混合像元和噪声的干扰。从而，使得高光谱图像处理算法的研究成为重点。 过去二十几年，研究者在地物分类、端元解混、目标检测等方面都进行了深入的 研究，并取得了一定的成果。

近年来，一种不需要任何先验信息的异常目标检测问题的研究成为高光谱图 像处理的热点问题，该问题的解决类似于一种盲信号处理问题的解决过程。1990 年，经典的RX异常检测算法由Reed和Xiaoli Yu率先提出，解决高光谱图像异 常检测问题。以该方法为基础，提出了许多改进算法，用于高光谱图像异常检测 问题的解决。如J.M.Molero等提出的快速RX异常目标检测算法，通过在RX算 法中引入多核节点聚类，加速RX算法检测速度。RX算法基于似然比检测算子完 成检测过程，是一种建立在线性基础上的方法，但是高光谱图像在整个获取和后 续处理中，整个图像的波段间是一种非线性的关系，因此RX算法具有一定的局限 性；2005年，Kwon等将非线性引入RX算法，提出Kernel RX算法，基于核函数 的方法，对于高光谱图像波段间的非线性问题进行处理，改善了经典RX算法的检 测性能；S Khazai等假设高光谱图像背景数据符合球形协方差矩阵，对Kernel RX 检测算子进行修正，得到了较好的异常检测结果；J Zhou等提出了一种聚类Kernel RX算法，该算法先对背景像元进行聚类，然后利用快速特征分解算法产生异常检 测算子，进行异常目标检测。基于Kernel RX检测算子的方法检测性能明显优于 RX异常检测算子，但是该类算法也存在算法复杂度增加和检测时间长的不足。近 年来，稀疏表示被引入到异常目标检测中，取得了比较好的异常目标检测结果。 2011年，Chen等在高光谱图像目标检测中引入稀疏表示解决方法，该算法基于低 维子空间中的高光谱图像像元可以表示为稀疏线性训练样本的组合，对目标检测 效果较好；2014年，Yuan等在高光谱异常目标检测中引入稀疏表示，提出了稀疏 差异指数的概念和给出了公式，并把它应用于异常目标检测，得到了较好的异常检测结果；2015年，Li等利用背景联合稀疏表示提出了一个新的异常目标检测模 型，算法估计正交背景互补子空间，在局部区域内自适应的选择更多的代表性背 景，从而提高了稀疏表示算法的异常目标检测精度；2017年，Zhao等提出了稀疏 评分估计框架的异常检测算法，该算法改进了基本稀疏表示异常目标检测方法， 检测效率较高。基于稀疏表示的异常检测算法，突破了传统广义概率似然估计和 非线性核函数等方法的局限性，提高了异常目标检测精度和鲁棒性，但是利用稀 疏表示方法在提高检测性能和降低虚警率方面需要进一步优化和改进。

发明内容

因此，针对现有技术的上述问题，本发明为克服现有技术的不足，利用高光 谱图像的空间特性和光谱特性，联合稀疏表示方法和RX异常检测方法的优点，对 经典的RX异常检测方法进行改进，提出了基于空间预处理和双边滤波的稀疏高光 谱图像异常目标检测方法。

具体的，所述方法具体包括：