[发明专利]像素对匹配与双窗口判别的高光谱异常检测深度学习方法

权利要求书

1.一种像素对匹配与双窗口判别的高光谱异常检测深度学习方法，其特征在于，该方法包括：

步骤1、输入高光谱图像：输入训练图像和待测图像其中，M₁和M₂表示高光谱图像的宽度，N₁和N₂表示高光谱图像的高度，B₁和B₂表示高光谱图像的波段数；

步骤2、像素对匹配：假设训练图像I_t中的地物类别总共有n种，n≥1且为整数，即类别为C₁,C₂,...,C_n；如果整幅图像中共有m个像素点属于第i类，m＜M₁×N₁，则类C_i中包含像素点在各类之间组合匹配新的像素对，并分配新的标签；

步骤3、构建光谱稠密连接深度卷积神经网络：通过像素对匹配，获得M₁×N₁×(M₁×N₁-1)/2个带有真实数据标签的训练样本，并将其作为光谱稠密连接深度卷积神经网络的输入；首先对训练样本采用直接相减的方法获得差异光谱带，经过归一化、一维卷积层、非线性激活函数处理，提取到高光谱像素对的浅层特征；在稠密连接单元中，第k层的输入为前面k-1层所有输出特征图的叠加；经过稠密连接单元的处理之后，获得深层特征用于区分像素的异常差异；稠密连接单元的最后一层添加一个一维池化层，利用池化层对获取的光谱特征进行抽象简化，保留其中对于鉴别像素对的异常差异有用的特征信息；最后，经过展平、全连接、Sigmoid分类器处理获得检测结果；

步骤4、采用双窗口判别准则：输入待测图像I_d，以待测像素点C为中心，设置内外窗口大小；组合中心像素点与内层窗口外、外层窗口内的邻域像素点，经过像素对匹配形成待测点与邻域像素的像素对(C,P_i)，并将其作为训练完成的光谱稠密连接深度卷积神经网络的输入，对待测图像I_d进行检测；

步骤5、计算平均相似度：光谱稠密连接深度卷积神经网络输出的结果作为该邻域像素点与中心待测点的相似度S_i；对所有邻域像素的相似度S_i进行求和平均，得到平均相似度S；

步骤6、设定判别阈值：平均相似度S与异常阈值θ进行比较，判断中心像素点C是否为异常点，并输出异常检测结果。

2.根据权利要求1所述的像素对匹配与双窗口判别的高光谱异常检测深度学习方法，其特征在于：所述的步骤2，包括如下步骤：

(1)类别匹配：根据真实地物参考数据的分类标签，将不同类别的地物以及相同类别的地物进行像素对匹配；

(2)标签分配：同类匹配的标签设置为“0”，表示两个像素属于同一类；异类匹配的标签设置为“1”，表示二者属于不同类。

3.根据权利要求1所述的像素对匹配与双窗口判别的高光谱异常检测深度学习方法，其特征在于：所述步骤2中，设C_a和C_b表示训练图像I_t中两种不同类别的地物，则两个像素点P₁和P₂经过配对后的标签可表示为：

4.根据权利要求1所述的像素对匹配与双窗口判别的高光谱异常检测深度学习方法，其特征在于：所述步骤3中：

X_k＝H_k([X₀,X₁,...,X_k-1]),k≥1

其中，X_k表示第k层卷积层的输出，H_k(·)表示对第k层卷积操作结果的非线性变换操作，[X₀,X₁,...,X_k*1]表示前面k-1个输出特征图的连接结果。