[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

说明书

本发明公开了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，包括：像素对匹配；构建光谱稠密连接深度卷积神经网络；采用双窗口判别准则；计算平均相似度；设定判别阈值，输出异常检测结果。本发明对训练图像应用像素对匹配，构建新的训练样本和标签数据，丰富训练样本数据，解决真实标签缺乏问题；通过一维卷积以及光谱稠密连接单元搭建的深度卷积神经网络，能够充分提取像素对的光谱特征信息，提高训练网络对于输入像素对的异常差异鉴别能力，避免梯度消失现象。本发明可广泛应用于环境监测、地质勘探和国土安全等领域。

技术领域

本发明属于遥感图像处理技术领域，具体涉及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。

背景技术

目标检测是一种有监督的检测任务，在进行检测之前，事先通常会得到相关的先验信息，即真实地物参考数据，从而在高光谱图像中找出与目标物具有匹配光谱特性的像元。而高光谱图像异常检测与目标检测不同，它属于无监督的检测任务。在高光谱图像中，在光谱特性上与周围像元有着明显区别的像素可称为异常点，例如森林中的大火、海洋中的石油、机场上的杂物。高光谱图像异常检测的目的是从图像中发现与周围像元明显不同的像素，并对其进行定位。

RX算法[Reed I,Yu X.Adaptive multiple-band CFAR detection of anoptical pattern with unknown spectral distribution[J].IEEE Transactions onAcoustics Speech and Signal Processing,1990,38(10):1760-1770.]是高光谱异常检测算法中较为经典的方法。RX算法假设背景都服从高斯分布，并计算背景的均值和协方差，再计算待测像元与背景之间的马氏距离，通过比较马氏距离与设置的阈值，从而确定待测像元为异常点或者背景。当高光谱图像的背景分布满足假设的分布条件时，RX检测算法能够表现出较为精准的检测能力。根据背景不同，RX检测算法可以表现为两种形式，一种是Local RX算法[Molero J,Garzon E,Garcia I,et al.Analysis and Optimizations ofGlobal and Local Versions of the RX Algorithm for Anomaly Detection inHyperspectral Data[J].IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2013,6(2):801-814.]。Local RX算法以被测像元周围的区域为背景，然后使用双窗口方法检测异常目标。另一种是Global RX算法[Reed I,YuX.Adaptive multiple-band CFAR detection of an optical pattern with unknownspectral distribution[J].IEEE Transactions on Acoustics Speech and SignalProcessing,1990,38(10):1760-1770.]。Global RX算法以整幅图像为背景，从而得到均值和协方差，再进行检测。由于两种形式的RX检测算法在图像的局部区域或者在整幅图像中的所有像素点都用于背景计算，所以计算得到的均值和协方差矩阵易受异常点的污染，导致检测性能下降。如何能够消除异常像素带来的“污染”问题，设计出具有普遍适用性与实用性的高性能异常检测算法，是目前的主要趋势。

发明内容

本发明的目的在于提供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，该算法采用像素对匹配，既解决了因缺少先验信息而无法使用卷积神经网络的问题，又大大丰富了训练样本的数量。

实现本发明目的的技术解决方案为：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，包括如下步骤：