[发明专利]基于光谱保持稀疏自编码器的高光谱异常检测方法

说明书

本发明公开了一种基于光谱保持稀疏自编码器的高光谱图像异常检测方法，包括以下步骤：求取高光谱数据的小波系数；构建线性解混约束的小波自编码网络，采用光谱角距离替代编码层的内积，选择Relu函数作为编码层的激活函数，引入归一化层、dropout层，并在损失函数中添加惩罚项及正则项，构建基于光谱保持稀疏自编码器的网络；将待测高光谱数据输入稀疏自编码器网络中，设置网络参数，对其进行解混操作，得到背景端元数据，计算重构误差得到所需的异常目标数据。本发明能够对高光谱图像进行快速、精确的异常目标检测。

技术领域

本发明属于遥感图像处理技术领域，特别是一种基于光谱保持稀疏自编码器的高光谱异常检测方法。

背景技术

高光谱图像目标检测是高光谱数据处理的重要内容，在人类社会的各个领域都有着重要的作用。根据目标信号是否已知可将高光谱目标检测分为监督方法及非监督方法，非监督方法即高光谱图像异常检测方法因能够在未知先验信息的情况下检测到与背景像元不同的异常目标，得到国内外人员的广泛研究。高光谱图像具有以下特点：

（1）光谱波段多，波段间基本连续。

（2）图像不仅包含丰富的地物信息，也包含了光谱信息。

（3）高光谱数据量大且数据冗余量多。

（4）空间分辨率及信噪比低。

（5）存在混合像元。

因此传统的异常检测算法并不能较好的将背景目标与异常目标分离，检测精度并不是很高，随着数据驱动，机器学习，流形学习的发展，我们需要进一步研究高光谱遥感图像异常检测技术。

稀疏表示模型不需要假设模型的分布，可以提高学习字典的自适应能力，该算法的主要思想有：1、高光谱图像的相邻像素具有光谱相似性；2、高光谱图像中像素位于低维子空间；3、将求解L0范数的最小化问题定义为标准的线性规划问题，来恢复样本的稀疏表示。该算法相比传统算法，检测率有大大的提高。

但是上述方法依然存在如下问题：（1）计算迭代次数多；（2）检测运算量大；（3）运算及收敛速度慢。

发明内容

本发明的目的在于提供一种速度快、精度高的基于光谱保持稀疏自编码器的高光谱图像异常目标检测方法。

实现本发明目的的技术解决方案为：一种基于光谱保持稀疏自编码器的高光谱异常检测方法，包括以下步骤：

步骤1，求取高光谱数据的小波系数；

步骤2，构建线性解混约束的小波自编码网络，采用光谱角距离替代编码层的内积，并在损失函数中添加惩罚项及正则项，构建基于小波多尺度变换的光谱保持稀疏自编码器网络；

步骤3，将待测高光谱数据输入步骤2构建的光谱保持稀疏自编码器网络中，进行解混操作，得到背景端元数据，计算重构误差得到所需的异常目标数据。

本发明与现有技术相比，其显著优点在于：（1）本发明基于深度学习的自编码器网络，在异常检测问题中引入光谱解混技术，可以有效地抑制背景信息的干扰,克服噪声和非线性相关性对光谱信息的影响，从高光谱图像数据中提取高水平的光谱和空间特征，从而提高异常检测的精确度；（2）对传统自编码器网络结构进行修改，并且在损失函数中添加稀疏惩罚项和正则项等限制，使得网络的学习能力更优异，从而提高异常检测的准确率；（3）对网络参数进行设置后，使用基于随机梯度的Adam优化器更新模型参数，从而避免了手工计算非常复杂的导数问题，提升了运算速度。

下面结合附图详细说明本发明提供的基于光谱保持稀疏自编码器的高光谱异常检测方法。

附图说明

图1是本发明基于光谱保持稀疏自编码器的高光谱异常检测方法的流程图。

具体实施方式