[发明专利]基于概率模型和深度学习的高光谱未知类别目标检测方法

说明书

本发明属于高光谱智能感知领域，公开了基于概率模型和深度学习的高光谱未知类别目标检测方法，其步骤为，S1:将高光谱训练数据输入到训练好的CNN分类模型，输出每种类别的所有样本的激活向量；S2:将所有属于同一类别且分类正确的样本的激活向量累加并求均值，得到均值激活向量，用该均值激活向量代表该类别的中心；S3:基于每一类别中所有样本的激活向量及该类别的均值激活向量拟合属于每一种类别的威布尔模型；S4:基于每个类别的威布尔拟合结果，把高光谱测试数据输入到CNN模型和概率模型组成网络，计算属于未知类别的概率；本发明结构清晰、易于实现，降低了神经网络学习模型的训练要求，能够明显提升未知类别目标检测的效果。

技术领域

本发明主要涉及到高光谱智能感知领域，特指一种基于概率模型和深度学习的高光谱未知类别目标检测方法。

背景技术

高光谱数据表征了地物分布的二维信息和描述地物光谱特性的一维信息，其光谱分辨达到纳米级，为每个像素提供数十到数百个波段的光谱信息，能够产生一条完整而连续的光谱曲线。相对于可见光和多光谱，高光谱具有更加丰富的地物光谱信息，可以详细反映待测地物细微的光谱属性。人们根据不同的待测地物之间光谱特性的差异，运用计算机或专用设备运行分类和识别程序为每个像素分配用于类别标记的标号，将待测地物划分为多个不同类别的区域，这称为高光谱图像分类和识别。高光谱图像分类和识别分为有监督分类识别和无监督分类识别(包含半监督分类)两种。

基于深度学习的高光谱图像分类和识别方法大部分属于有监督的分类和识别。其思想是通过有标签的高光谱图像数据对深度神经网络进行训练，然后使用训练好的深度神经网络对高光谱图像进行分类和识别。由于实际环境的复杂性和动态性，在使用训练好的深度神经网络对高光谱图像分类的过程中必然会遇到在训练样本中没有的类别。我们定义在分类和识别过程中输入的但是不属于训练样本中的任何一个类别的目标称为高光谱未知类别目标。高光谱未知类别目标检测就是确定高光谱未知类别目标的位置和大小。通过未知目标检测，确定未知目标位置和大小，进而达到识别未知类别目标的目的。

目前利用深度神经网络实现对未知类别目标的检测大部分是依靠神经网络的SoftMax层，当SoftMax层计算出的属于各已知类别的概率小于给定的阈值，判定为未知类别目标。但是仅仅依靠SoftMax层的计算结果判断识别未知类别目标识别和检测的精度差。

高光谱未知类别目标的检测还可以使用高光谱异常目标检测技术。高光谱图像的异常目标检测是指高光谱的数据立方体中搜索未知光谱形状的稀疏像素。异常目标检测不需要光谱的任何先验信息。在高光谱异常目标检测领域有一些成果和专利。对比文件1(中国发明专利，申请号：CN201510593935)提出一种基于稀疏表示理论基础上的稀疏RX异常目标检测算法。该算法先利用空间预处理方法使高光谱图像目标信息相比于背景信息更加突出，再利用双边滤波方法滤出噪声干扰对高光谱图像的影响；然后利用稀疏表示理论计算高光谱图像的稀疏差异指数，再利用稀疏差异指数重构一个高光谱图像数据向量，最后利用RX方法进行异常目标检测，得到异常目标检测的结果。该专利算法的检测精度、虚警率和鲁棒性等有了一定程度的改善，改进了RX异常检测算法的性能。但是计算相对复杂，整个算法运行时间较长。

总体而言，目前在高光谱未知类别目标检测领域的有效方法较少。深度神经网络只使用SoftMax层检测未知类别目标，其检测和识别精度不高。虽然高光谱异常目标检测算法也可以用于高光谱未知类别目标检测，但是其计算比较复杂，运行时间较长。本发明提出一种基于概率模型和深度学习的高光谱未知类别目标检测方法，在深度神经网络的SoftMax层之前引入一个概率模型计算层(威布尔概率计算)，在训练时对CNN网络输出的激活向量与每种已知类别的均值激活向量之间距离的分布进行建模，确定已知类别的目标所属的概率模型参数。在实际使用时，将CNN网络的激活向量输入到上述已有的概率模型中，使用已有的概率模型衡量该向量与所有已知类别的均值激活向量之间的距离，并判断该激活向量是否属于未知类别目标。本发明解决了深度神经网络只使用SoftMax层检测未知类别目标检测精度不高的问题，提高了高光谱未知类目标检测的效率和精度。