[发明专利]基于流形约束自编码网络的高光谱异常检测方法及系统

说明书

本发明公开了一种基于流形约束自编码网络的高光谱异常检测方法及系统，解决样本识别率低的问题，方法实现步骤是：(1)采用流行学习算法来学习低维嵌入流行；(2)通过低维嵌入流形约束的自编码网络提取隐层表达特征；(3)利用低维嵌入流形约束的自编码网络获得全局重构误差；(4)在低维嵌入流形上计算局部重构误差；(5)将全局重构误差和局部重构误差结合起来进行异常目标检测；(6)统计实验结果，计算高光谱异常检测的精度。本发明在利用自编码网络提取高光谱图像的深度特征时，考虑了图像的局部特性；并且综合全局方法和局部方法的优点，在进行异常判断时，同时考虑全局重构误差和局部重构误差，进而提高了异常检测的精度。

技术领域

本发明属于遥感信息处理技术领域，特别涉及一种高光谱异常检测方法，可用于环境监控、矿产资源勘探和国家安全等领域。

背景技术

高光谱图像中的异常目标一般是指光谱信息和周围其他像素的光谱信息存在非常大差别的目标。一般情况下，高光谱图像中的异常目标都是小目标，而且在图像中分布稀疏。高光谱异常检测和高光谱目标检测最大的不同点是高光谱异常检测不需要预先知道任何目标的先验知识，即不需要知道异常目标的光谱信息，只需要将目标与周围环境的光谱特征进行比较，如果存在非常大的差异，就可以认为其是潜在可疑目标。高光谱异常检测通常可以为进一步的目标准确识别提供感兴趣的区域，它最突出的特点在于不需要待检测目标的任何光谱先验信息，直接识别图像中可疑的潜在目标。因此高光谱异常目标检测系统已经在环境监控、矿产资源勘探和国安家安全等领域广泛应用。

目前，由于深度神经网络可以提取底层与高层抽象特征，因此深度神经网络也被应用到高光谱异常检测领域。自编码网络或者深度置信网络经常被用来提取高光谱图像的特征，然后采用重构误差来检测异常目标。为了进一步提高检测精度，利用堆叠自编码器提取光谱特征，然后采用稀疏低秩矩阵分解来检测异常目标。另外，基于卷积神经网络的高光谱异常目标检测方法，利用不同像素对间的光谱差异来训练卷积神经网络，通过计算相似度分数来进行异常目标判断。

虽然上述这些基于深度学习的高光谱异常检测算法已经取得了比较好的实验结果，但是它们并没有考虑一个问题：自编码网络或者深度置信网络提取的隐层特征，多少维才可以反映高光谱数据的本质特征？而且，由于异常目标在整幅高光谱图像中占据比例小，因此基于自编码网络或者深度置信网络的高光谱异常检测方法，在模型训练过程中，背景样本为训练模型提供了主要贡献，即基于深度学习的异常检测方法在本质上是学习目标背景，进而检测异常目标。因此，基于自编码网络或者深度置信网络的高光谱异常检测是基于全局的异常检测方法。然而，高光谱异常检测的定义是在没有任何目标先验信息的情况下，通过与周围环境的光谱特征进行比较，从而发现环境中存在的潜在可疑目标。从定义可以看出，高光谱异常检测和高光谱数据的局部特性是紧密相连的。而目前现有的基于深度学习的高光谱异常检测方法没有考虑高光谱数据的局部特性。

发明内容

现有的基于深度学习的高光谱异常检测方法没有考虑高光谱图像的局部特征，导致对难分辨样本的识别率低。为了解决该问题，本发明提出基于流形约束自编码网络的高光谱异常检测算法。

本发明的解决方案主要包括如下步骤：

该高光谱异常目标检测方法，包括以下步骤：

1)输入待检测的高光谱图像X，采用流形学习方法局部线性嵌入学习高光谱图像的低维嵌入流形Y；

2)输入待检测的高光谱图像X，逐层预训练流形约束自编码网络，其损失函数是

其中，x_i是第i个样本，是第i个重构样本。W^(l)是第l层和l+1层之间的权重系数。λ是权衰减参数。ρ是稀疏参数，是非常接近于0的正数。s是隐层的神经元个数。是第j个神经元的平均响应值。是KL散度。

3)使用预训练得到的参数初始化流形约束自编码网络。