[发明专利]基于对抗自编码网络的高光谱异常检测方法

摘要

本发明公开了一种基于对抗自编码网络的高光谱图像异常检测方法，主要解决现有技术中计算复杂及检测精确度不高的问题。其实现方案是：1)利用像素更新方法制作高光谱图像训练数据集；2)将训练数据集输入生成对抗网络训练，提取训练数据集的光谱特征；3)利用波段融合和属性滤波方法处理光谱特征，得到训练数据集的空间特征；4)利用空间特征增强原始高光谱图像中的异常目标；5)利用RX检测器公式计算增强异常目标之后的高光谱图像光谱向量的异常值；6)根据异常值得到检测结果。本发明能获取高光谱图像中更丰富的潜在信息，增加图像中异常目标和复杂背景的差距，具有计算简单、检测精度高的优点，可用于对高光谱图像中异常目标的检测。

主权项

1.一种基于对抗自编码网络的高光谱图像异常检测方法，其特征在于，包括：(1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集；(2)提取高光谱图像训练数据集的光谱特征：(2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络；(2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征；(3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征：(3a)利用波段融合方法对光谱特征进行融合，得到一张融合后的图像：其中，Y表示融合后图像，H_i表示光谱特征第i个波段的值，n表示光谱特征的波段总数；(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O；(3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S：S＝|O‑A|+|C‑A|；(4)利用空间特征S增强原始高光谱图像的异常目标：(4a)将三维M_o×N_o×B_o的原始高光谱图像K转换为二维L_o×B_o的矩阵，其中，M_o表示原始高光谱图像的总行数，N_o表示原始高光谱图像的总列数，B_o表示原始高光谱图像中光谱波段的总数，L_o表示原始高光谱图像中每一个波段的像素总数；(4b)将二维M_s×N_s空间特征S转化为L_s×1的矩阵，其中，M_s表示空间特征的总行数，N_s表示空间特征的总列数，L_s表示空间特征的像素总数；(4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量；L_i＝(1‑exp(‑λS_i))K_i其中，L_i表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，S_i表示空间特征S中第i个像素对应的数值，K_i表示原始高光谱图像K中第i个像素对应的光谱向量；(5)计算异常目标增强后的高光谱图像的异常值：(5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量L_i转换为二维L_e×B_e的矩阵，其中L_e是异常目标增强之后的高光谱图像的像素总数，B_e是光谱向量的波段总数；(5b)求解二维矩阵中每一个像素对应的波段的均值，将均值保存为一个均值矩阵I；(5c)用二维矩阵L_e×B_e减去均值矩阵I，得到去均值矩阵Q；(5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值F_n，其中n表示光谱向量的序号，n的取值范围为1,2,3,…,B_e；(6)根据异常增强后的高光谱图像中每个光谱向量的异常值F_n，得到异常检测的结果图。