[发明专利]基于联合深度置信网络的高光谱图像异常目标检测方法

说明书

基于联合深度置信网络的高光谱图像异常目标检测方法，该方法基于深度置信网络实现，有效地利用了张量结构和低秩稀疏分解理论，展示出较好的异常检测效果。本发明包括：首先在高光谱图像中利用测试点张量和其DBNs重建误差进行异常检测；采用LRASMD获得高光谱图像的稀疏矩阵；在稀疏矩阵中，利用测试点张量和其DBNs重建误差进行异常检测；最后，采用JDBN检测器获得最终的异常检测结果。本发明无需对高光谱数据分布模型进行假设；采用了高光谱图像和其稀疏矩阵的联合模型，降低了低秩矩阵最大秩和稀疏矩阵基数的盲选取对检测结果的影响；利用测试点张量代替测试点向量，考虑空谱特性，使检测结果更可靠。

技术领域

本发明属于高光谱图像目标检测研究领域，具体涉及一种基于联合深度置信网络的高光谱图像异常目标检测方法。

背景技术

高光谱图像具有丰富的光谱信息，其在地物分类和目标检测方向得到了广泛的应用。高光谱图像目标检测其实质是二分类问题，根据能否获得先验信息，高光谱目标检测又可分为有监督的目标检测和无监督的异常目标检测。通常情况下，与背景明显不同的像素称为异常目标。高光谱异常目标检测也简称为高光谱异常检测。在实际中，地物的真实光谱信息很难获取，所以无需先验信息的高光谱异常目标检测具有更广泛的应用，其在高光谱图像处理中占据重要的地位。近三十年，学者们提出了大量的高光谱异常检测方法，其中，RX是最经典的方法，在此基础上提出了利用滑动双窗进行检测的局部RX(LRX)方法。然而，RX和LRX方法均假设背景数据符合高斯分布，由于高光谱图像的复杂性，这种假设常常不符合实际情况，会产生较大的虚警概率。该RX(KRX)方法无需假设背景模型，其将低维原始数据空间的线性高斯模型扩展到高维特征空间的非线性高斯域，然而，由于需要计算核方差矩阵和其逆矩阵，所以其计算复杂性很高。随着压缩感知理论和稀疏编码的快速发展，基于稀疏理论的高光谱异常目标检测方法大量出现，这些方法不需要假设背景模型，可获得较好的检测效果。

随着高光谱图像空间分辨率的提高，基于空谱联合的方法在高光谱图像处理领域中得到了关注。在高光谱张量模型中，前两维表示空间维，第三维表示光谱维，空间和光谱信息可以被同时表示，由于其特性，基于张量理论的高光谱图像异常目标检测算法获得了较好的检测效果。近些年，深度学习理论成为高光谱图像处理领域的研究热点。高光谱图像有大量冗余的光谱信息，传统的线性降维方法，如PCA，并不能有效地提取高光谱图像固有的非线性特征，这也对后续图像处理工作带来了较大的影响；相对于PCA，深度学习方法能有效地提取高光谱图像的深度特征，所以在高光谱图像预处理方面受到了广泛的关注，然而，这种应用主要在具有先验信息的高光谱图像分类和目标检测方面。深度学习框架中的卷积神经网络(CNNs)作为典型的完全监督模型，需要大量的训练数据集，其在无先验信息的高光谱图像异常检测方向的应用受到限制。

发明内容

本发明的目的在于提供一种能够更有效地进行高光谱图像异常目标检测的方法，一种基于联合深度置信网络的高光谱图像异常目标检测方法。

为实现上述的发明目的，本发明采用下述的技术方案：

首先，对待处理的高光谱图像数据分别进行如下处理：

步骤(1)：对高光谱图像数据中利用测试点张量DBNs(深度置信网络)重建误差进行异常检测；

步骤(2)：利用LRASMD(低秩稀疏分解)获得待处理的高光谱图像数据的稀疏矩阵；在稀疏矩阵中计算测试点张量DBNs重建误差进行异常检测；

然后，利用联合深度置信网络检测器对上述两个异常检测结果进行处理，获得高光谱图像异常目标检测结果。

对待处理的高光谱图像数据中计算测试点张量和其DBNs重建误差的2范数。

利用低秩稀疏分解LRASMD获得待处理的高光谱图像数据的稀疏矩阵的方法是采用通过GoDec算法实现分解低秩矩阵和稀疏矩阵。

在稀疏矩阵中计算测试点张量和其DBNs重建误差的2范数。