[发明专利]一种基于神经网络的非线性高光谱图像异常目标检测方法

权利要求书

1.一种基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，包括以下步骤：

步骤1，采用径向基函数构造具有五层结构的非线性主成分分析神经网络；

步骤2，对步骤1中的神经网络进行训练，并实现基于非线性主成分分析技术的高光谱图像非线性特征提取；

步骤3，以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值，以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值；对各个非线性特征的平均奇异值进行排序，选择出平均奇异值最大的若干个非线性主成分，并将这些非线性主成分作为有效主成分；

步骤4，对挑选出的有效主成分进行RX异常检测处理，获得基于非线性主成分分析的异常检测结果，完成目标检测。

2.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，步骤1所述的径向基函数为

式中，为第i个波段的映射函数，m_i为第i个波段的均值，σ_i为第i个波段的方差，i为波段序号；

所述非线性主成分分析神经网络为具有一个输入层、一个输出层和三个隐藏层的5层神经网络；其中，输入层与输出层的神经元个数与高光谱图像波段数相同，第一、三层隐藏层神经元采用主元曲线算法计算神经元个数，第二层隐藏层的神经元个数采用虚拟维数方法确定。

3.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，所述步骤2的具体方式为：

(201)采用待进行异常目标检测的原始高光谱图像本身作为神经网络的训练样本，神经网络的输入和输出均为原始高光谱图像的所有波段；

(202)采用基于梯度下降法的反向传播方式对神经网络进行训练，随着训练进行，输入和输出的误差逐渐减少，当达到神经网络的收敛阈值时，训练完毕；

(203)利用训练好的神经网络及其参数，将原始高光谱图像输入神经网络，则第二隐藏层的输出即为高光谱图像的非线性特征。

4.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，所述步骤(3)中以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值，对高光谱图像的每一个非线性特征，其局部奇异值的计算方式为：

(301)构建一个大小为l₁×l₂的窗口，l₁和l₂的取值由图像大小和目标大小共同决定，初始化异常点数目q＝0，确定偏度阈值T_s和峭度阈值T_k：

T_s＝χ_sθ_s

T_k＝χ_kθ_k，

其中θ_s和θ_k为统计量参数，对l₁×l₂的窗口，χ_s和χ_k满足：

(302)将窗口在整幅图像上进行滑动；在每个窗口位置处，计算窗口内的一阶统计量和二阶统计量，并通过一阶统计量和二阶统计量进一步计算三阶统计量S以及四阶统计量K；

(304)针对窗口的每个位置，若S≥T_s且K≥T_K，则此窗口内存在异常点，将异常点数目q加1；

(305)窗口遍历整幅图像后，输出q值，该值即为被统计非线性特征的局部奇异值。

5.根据权利要求2所述的基于神经网络的非线性高光谱图像异常目标检测方法，其特征在于，所述步骤(3)中，选择出的有效主成分的数目为虚拟维数的2/3。