[发明专利]一种基于递归型核机器学习的高光谱异常目标检测方法

摘要

本发明涉及一种基于递归型核机器学习的高光谱异常目标检测方法。本发明包括：(1)输入高光谱数据；(2)选择核函数k(x,x_i)＝(x^Tx_i)^d,d∈N，建立核机器学习的高光谱目标检测模型，初始化Gram矩阵；(3)建立Gram矩阵K_B(n)的状态方程；(4)利用Woodbury恒等式更新高光谱Gram矩阵K_B(n)的逆矩阵[K_B(n)]^‑1；(5)结合异常检测算子对高光谱图像进行快速检测；(6)高光谱图像检测完毕，输出结果。本发明无需重复计算K_B(n)及其逆矩阵，可以大大减少算法计算时间，提高了高光谱异常目标检测效率。

主权项

1.一种基于递归型核机器学习的高光谱异常目标检测方法，其特征在于，包括如下步骤：(1)输入高光谱数据；(2)选择核函数k(x,xi)＝(xTxi)d,d∈N，其中，N表示自然数集，建立核机器学习的高光谱目标检测模型，初始化Gram矩阵；(3)建立Gram矩阵KB(n)的状态方程，式中，k(XB(n),XB(n))为计算核函数k(x,xi)时的矩阵表达形式，XB(n)是当前待检测像元nth的光谱向量，KB(n‑1)是上一时刻状态的估计值，rn＝[r1n,r2n,...,rLn]T是当前状态高光谱像元的观测值，L是高光谱数据的波段数，根据当前状态高光谱像元的观测值rn和上一时刻状态高光谱像元的估计值KB(n‑1)，更新当前状态Gram矩阵的估计值；(4)利用Woodbury恒等式更新高光谱Gram矩阵KB(n)的逆矩阵[KB(n)]‑1；(5)结合异常检测算子对高光谱图像进行快速检测；(6)高光谱图像检测完毕，输出结果。