[发明专利]一种基于迁移学习张量分解的高光谱异常检测方法

说明书

本发明公开了一种基于迁移学习张量分解的高光谱异常检测方法，具体步骤包括：设计具有连续卷积层的卷积神经网络模型，通过迁移训练有标签的高光谱数据生成同类和不同类别的像素对，采用反向传播算法使网络参数不断迭代更新直至收敛；采用塔克分解将完成训练的模型进行卷积层分解，卷积运算将H×W×S大小的输入数据X映射到H'×W'×T大小的输出数据Y，读取待检测数据，将待检测像素与其周围的16个像素形成像素对，将平均相似度得分作为判断的依据，如果平均相似度得分大于设定阈值则视为异常目标，否则为背景。

技术领域

本发明涉及高光谱图像异常检测技术领域，尤其涉及一种基于迁移学习张量分解的高光谱异常检测方法。

背景技术

异常检测近年来受到了广泛的关注，其主要思想是检测光谱信息与周围背景显著不同的像素点，因此异常点的分布通常是稀疏的。异常目标的光谱信息通常是未知的，这对异常检测来说是一个很大的挑战。

最广泛使用的异常检测方法是Reed-Xiaoli(RX)算法，该算法基于背景分布的假设计算马氏距离。近年来，基于深度学习和张量的方法在高光谱图像处理中得到了广泛的应用。例如，L.Zhang等人提出了一种基于张量的迁移卷积神经网络(CNN)高光谱异常检测算法。W.Li等人提出了迁移深度学习算法，但是这些网络只利用光谱信息进行训练和检测，忽略了空间信息。另外，设计的CNN架构比较浅层，学习到的特征不够。一般来说，浅层神经网络可能无法很好地提取训练数据的特征，CNN的层次越深，模型的效果越好。然而，由于训练数据的缺乏，使得深层神经网络的设计和训练受到很大的阻力。

发明内容

根据现有技术存在的问题，本发明公开了一种基于迁移学习张量分解的高光谱异常检测方法，具体包括如下步骤：

设计具有连续卷积层的卷积神经网络架构，通过迁移训练有标签的高光谱数据，生成同类和不同类别的像素对，采用反向传播算法使网络参数不断迭代更新，最终具有一定的区分像素对差异的能力。

采用塔克分解将训练完备模型的卷积层分解，卷积运算将H×W×S大小的输入数据X映射为H'×W'×T大小的输出数据Y，公式如下：

核张量W被分解成:

P是一个四维的核心张量,Q_sQ_t是因子矩阵。分解后得到三个连续卷积公式，形成三个新的卷积层，它们替代了原始的卷积层，从而增加网络深度，公式如下：

塔克分解后，卷积层中的通道数会发生变化，具体的结构设计如下：

第一层：采用一维卷积，并将输出通道的数量将减为输入通道的三分之一。

核心层：第一层卷积后，数据的空间信息不变，仍与原始输入相对应，采用conv2d二维卷积核提取空间信息，卷积核的大小等于分解前卷积层中使用的卷积核的大小。

最后一层：仍然使用一维卷积，但是输出通道将扩展到输入通道的三倍，以恢复原始卷积数据的大小。

将卷积层分解后，保存分解模型，将每个卷积层分解为三个对应的卷积层，并将分解后的张量作为新卷积层的参数，

分解后的模型增加卷积层的数量即网络深度，且可以提取输入数据的空间信息，结合当前像素的光谱和空间信息，获得检测结果。具体来说，读取待检测数据后，待检测像素与其周围的16个像素形成像素对，采用它们的平均相似度作为判断的依据，如果平均相似度得分高于阈值，则视为异常，否则为背景。