[发明专利]基于图像属性恢复的图像异常检测方法和系统

说明书

本发明提供了一种基于图像属性恢复的图像异常检测方法和系统，包括：图像属性移除步骤：对待检测的图像，利用图像灰度化、图像随机旋转的图像属性移除方法进行图像属性移除；图像特征提取步骤：对得到的属性缺失图像使用深度卷积神经网络提取图像的高维特征；图像属性恢复步骤：对图像的高维特征使用深度卷积神经网络进行图像属性恢复，得到属性恢复图像；恢复图像对齐步骤：对属性恢复图像和待检测的图像使用均方误差损失函数进行自监督学习；图像异常评定步骤：对损失函数结果和属性恢复图像使用加权平均函数进行图像异常评定。本发明能够引导深度网络更加注重于学习与图像属性相关的高级语义信息，从而在异常检测任务上取得较好的性能。

技术领域

本发明涉及计算机视觉和图像处理技术领域，具体地，涉及一种基于图像属性恢复的图像异常检测方法和系统。

背景技术

当前，深度卷积神经网络在物体分类任务中取得了显著的成就，这种数据驱动方法通常需要所有数据类别的大量的有标注数据。然而在异常检测任务中，由于数据异常种类多种多样，收集足够的异常数据用于模型训练成本过高。在这种情况下，异常检测任务通常仅提供正常数据用于模型训练，这就要求异常检测方法必须能在未经过异常数据训练的条件下仍具有数据异常检测能力。

基于图像重建的方法是常见的异常检测解决方案，该方法使用正常类别的数据进行图像重建网络的训练。在数据异常检测阶段，由于上述图像重建网络仅拥有正常类别数据的图像重建能力，其针对异常数据的图像重建的能力有限，因此会造成较大的图像重建误差。该方法利用上述假设完成图像异常检测。然而，由于深度卷积网络泛化能力过强，无法保证上述假设一定成立。此外，图像重建网络天然的倾向于学习图像低级信息，例如图像的纹理等，而图像异常检测往往需要依赖与图像中的物体的属性更相关的高级语义信息，这一矛盾使得基于图像重建的异常检测方法性能受限。事实上，为了正确辨别正常类型的数据和异常类型的数据，必须使算法能够更加注重于与图像属性相关的高级语义信息，但现有异常检测算法往往忽略了这一重要信息。

专利文献CN109493338B(申请号：CN201811367560.5)公开了一种基于联合提取空谱特征的高光谱图像异常检测方法，主要解决现有技术中漏检异常点多的问题，具体步骤如下：(1)构建深度信念网络；(2)生成高光谱训练集；(3)训练深度信念网络；(4)提取特征权值矩阵和偏置矩阵；(5)计算高光谱训练集中每个光谱向量的维特征；(6)检测高光谱训练集的光谱向量维的异常值；(7)获得高光谱训练集的空间特征图像；(8)获得空谱特征的高光谱图像的异常值。但是该专利没有考虑提取与图像中的物体的属性更相关的高级语义特征信息。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于图像属性恢复的图像异常检测方法和系统。

根据本发明提供的基于图像属性恢复的图像异常检测方法，包括：

图像属性移除步骤：对待检测的图像，利用图像灰度化、图像随机旋转的图像属性移除方法进行图像属性移除；

图像特征提取步骤：对通过图像属性移除步骤得到的属性缺失图像，使用深度卷积神经网络提取图像的高维特征；

图像属性恢复步骤：对图像的高维特征，使用深度卷积神经网络进行图像属性恢复，得到属性恢复图像；

恢复图像对齐步骤：对属性恢复图像和待检测的图像，使用均方误差损失函数进行自监督学习；

图像异常评定步骤：对均方误差损失函数的结果和属性恢复图像，使用加权平均函数进行图像异常评定。

优选的，所述图像属性移除步骤包括：

所选择的属性移除方法使得被移除的属性与正常数据的语义信息相关，并且该属性在正常数据之间共享；

所选择的属性移除方法使得正常数据和异常数据的被移除的属性具有不同的语义信息；