[发明专利]一种基于空谱联合的高光谱异常目标检测方法和系统

说明书

本发明公开了一种基于空谱联合的高光谱异常目标检测方法和系统，包括：对原始高光谱图像进行降维处理；采用自编码网络提取降维后的图像中的背景空间特征并进行重构；将重构后的空间域图像和降维后的图像进行差值运算得到第一残差图像，根据第一残差图像得到空间域检测结果；采用对抗自编码网络提取原始高光谱图像中的背景光谱特征并进行重构；将重构后的光谱域图像与原始高光谱图像进行差值运算，得到第二残差图像，根据第二残差图像得到光谱域检测结果；加权融合空间域检测结果和光谱域检测结果，得到异常目标检测结果。本发明具有强大的特征提取和表示能力，采取了样本数量扩充方案解决训练数据匮乏的问题，具有较好的检测精度。

技术领域

本发明涉及高光谱图像领域，尤其是一种基于空谱联合的高光谱异常目标检测方法和一种基于空谱联合的高光谱异常目标检测系统。

背景技术

高光谱图像是由相同场景下不同谱段的三维图像数据构成，包含了地表物体的空间维信息和数十至数百个连续窄波段光谱维信息，其光谱分辨率达到了纳米数量级。由于高光谱图像波段多、光谱分辨率高、能够分辨不同类别地物之间细微的光谱差异的特性，因此基于高光谱图像的目标检测成为当今研究热点。由于目标检测需提前获取目标的先验信息，然而由于光谱数据库的不足等原因，导致在实际情况下目标先验信息难以获得，因此基于高光谱图像的异常目标检测更具实际意义。

高光谱异常目标检测任务中的异常目标具有以下特性：

(1)异常目标在光谱特征或空间特征上与背景具有差异性；

(2)异常目标在空间领域和光谱领域上都具有分布稀疏性，即异常目标面积较小、占高光谱图像总像素数的比例较小、出现概率较低；

传统的高光谱异常目标检测方法主要有两种：

基于统计的方法，即以背景区域服从多元高斯分布为假设基础，利用异常目标与背景区域间光谱分布的差异性进行检测。该类方法以1990年Reed和XiaoliYu提出的RX算法为基础，衍生出一系列基于RX算法的改进算法，如子空间RX、局部RX算法等。

基于稀疏表示的方法，即将高光谱数据分解成代表背景的低秩矩阵和代表异常的稀疏矩阵，旨在精确检测具有差异性、面积小、对比度高的异常区域。该类方法包括RPCA(Roubust Principal Component Analysis)、GoDec、LRR(Low-Rank Representation)等算法。

近年来，因其强大的提取和表示特征能力以及无需手工提取特征的便捷性，深度学习技术逐渐被应用到高光谱图像处理任务中。2017年卷积神经网络首次被应用到高光谱异常目标检测任务中，该网络基于带标签的训练数据，以像素对的差值作为输入，输出为0或1，分别代表不相似和相似。除此之外，基于深度学习的高光谱异常目标检测方法主要分为两种：基于深度置信网络的方法，利用异常分布的稀疏性，重构出与背景重构误差小而与异常目标重构误差大的数据，从而检测出异常目标位置；基于对抗学习的方法，采用对抗学习的方法学习背景的光谱分布，利用异常目标与背景区域光谱分布之间的差异性进行检测。

上述基于深度学习的方法均只利用了高光谱图像的光谱信息，未考虑到诸如纹理、结构、形状等在内的空间特征以及空间领域信息，因此可能导致最终检测图像呈现椒盐外观。同时，同物异谱现象(即由于周围环境等的影响可能造成相同物种的光谱曲线不同的现象)以及同谱异物现象(由于密度、与太阳相对角度不同等的影响可能造成不同物种的光谱曲线相同的现象)的存在，仅凭光谱信息检测异常目标可能会造成检测结果存在较大的误差。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于空谱联合的高光谱异常目标检测方法和系统，以提供一种高检测精度和检测准确性的异常目标检测方案。

本发明采用的技术方案如下：

一种基于空谱联合的高光谱异常目标检测方法，包括：