[发明专利]基于流形约束自编码网络的高光谱异常检测方法及系统

摘要

本发明公开了一种基于流形约束自编码网络的高光谱异常检测方法及系统，解决样本识别率低的问题，方法实现步骤是：(1)采用流行学习算法来学习低维嵌入流行；(2)通过低维嵌入流形约束的自编码网络提取隐层表达特征；(3)利用低维嵌入流形约束的自编码网络获得全局重构误差；(4)在低维嵌入流形上计算局部重构误差；(5)将全局重构误差和局部重构误差结合起来进行异常目标检测；(6)统计实验结果，计算高光谱异常检测的精度。本发明在利用自编码网络提取高光谱图像的深度特征时，考虑了图像的局部特性；并且综合全局方法和局部方法的优点，在进行异常判断时，同时考虑全局重构误差和局部重构误差，进而提高了异常检测的精度。

主权项

1.一种基于流形约束自编码网络的高光谱异常检测方法，其特征在于，包括以下步骤：步骤一、输入待检测的高光谱图像X，采用流形学习方法学习该待检测高光谱图像X的低维嵌入流形Y；步骤二、输入待检测的高光谱图像X，逐层预训练流形约束自编码网络，其损失函数是其中，x_i是第i个样本，是第i个重构样本，W^(l)是第l层和l+1层之间的权重系数，λ是权衰减参数，ρ是稀疏参数，s是隐层的神经元个数，是第j个神经元的平均响应值，是KL散度；步骤三、使用步骤二中预训练得到的参数初始化流形约束自编码网络；步骤四、采用步骤三中已初始化好的流形约束自编码网络提取隐层特征Z，充分考虑步骤一中已学习得到的低维嵌入流形Y，通过优化下述的损失函数来训练流形约束自编码网络：其中，x_i是第i个样本，是第i个重构样本，W^(l)是第l层和l+1层之间的权重系数，λ是权衰减参数，y_i表示第i个样本的低维流形嵌入表达，z_i表示第i个样本的隐层表达；步骤五、通过已完成训练的流形约束自编码网络的参数来计算重构样本计算公式如下所示：步骤六、计算全局重构误差，计算公式如下所示：其中，N是高光谱图像的像素个数；步骤七、在低维嵌入流形上，计算局部重构误差，计算公式如下所示：步骤八、综合考虑全局重构误差和局部重构误差来检测异常目标，根据给定的阈值来判断待测像素是背景还是目标，即得到高光谱异常目标检测结果；其中，α是平衡参数，其值在0到1之间。