[发明专利]一种基于全卷积级联自编码器的高光谱异常检测方法

说明书

本发明公开了一种基于全卷积级联自编码器的高光谱异常检测方法，步骤包括：1)通过第一个编码器进行编码；2)通过第一个解码器进行解码；3)通过第二个编码器进行编码，第二个编码器把第一个重构图像编码成第二个潜在特征；4)通过第二个解码器进行解码，第二个解码器将第二个潜在特征解码成第二个重构图像；5)用马氏距离在第二个重构图像上确定每一个像素的异常值，网络收敛后得到第二个重构数据并拉伸成二维矩阵，用马氏距离进行异常检测，最终得到2D检测结果图。本发明方法通过全卷积级联自编码网络来进行高光谱异常目标检测，克服了单一自编码器非凸的缺陷，从而使得网络能够更好的找到全局最优解。

技术领域

本发明属于高光谱影像处理技术领域，涉及一种基于全卷积级联自编码器的高光谱异常检测方法。

背景技术

随着航天技术的快速发展，对地遥感已成为人类观测地球的重要方式。高光谱成像技术结合了光谱技术和成像技术，所获取的高光谱影像是一个三维的数据立方体。从空间域上观测，可以看成一系列二维图像的堆叠；从光谱维上分析，可以看作是地物对不同波段的辐射和反射。丰富的光谱信息为目标识别和检测，场景分类、语义分割等提供了有力支撑，所以高光谱影像处理和分析广泛地应用于军工、农业、工业等领域。

高光谱影像异常目标检测是指检测出与周围参考背景分布具有显著差异，并且在空间上分布比较稀疏和出现概率较低的目标。现有高光谱异常检测算法粗略的分为基于深度学习的方法和传统方法。传统方法主要从背景与异常目标的分布特点出发，来进行异常检测。作为异常检测的基准算法，RX算法假设背景服从多元正态分布，通过计算待检测像素与背景之间的马氏距离来确定每个像素的异常程度。由于假设的背景中包括噪声和异常目标，所以RX算法检测精度有限，后续有大量基于RX的改进算法，如：LRX、WRX、KRX等。Li等认为背景像素可以由周围像素线性表示，而异常像素很难由周围像素表示，从而具有较大的表示误差。所以CRD算法通过滑动双窗口来表示每一个像素，最后通过表示误差来进行异常检测。由于双窗口易受异常像素污染，所以CRD算法检测结果不够稳定。由于遥感影像的高冗余性，所以背景像素大都具有低秩属性，而异常像素稀疏分布在背景中。基于此，LRASR算法通过字典学习和低秩矩阵分解来进行异常检测。近年来，深度学习方法也被引入到高光谱影像处理领域。Sertac等结合自编码器(AE)和生成对抗网络(GAN)来进行高光谱异常检测。Xie等先通过形态学滤波处理原始高光谱数据，将其粗略的分为背景和异常，然后用背景样本训练自编解码器，在训练过程中通过GAN来约束潜在特征以及重构图像，进一步保证背景能够被很好的重构出来，而异常具有较大的重构误差，最后通过马氏距离在重构的图像上检测得到初始检测结果，再融合形态学处理的结果得到最终结果。

现有基于深度学习的方法虽然取得了较好的检测精度，但是算法复杂度过高，处理步骤繁琐，而且大多数基于AE的方法仅利用了潜在特征，没有利用到自编码提取的中间层特征，所以检测精度有一定的提升空间。

发明内容

本发明的目的是提供一种基于全卷积级联自编码器的高光谱异常检测方法，解决了现有技术中高光谱异常检测算法难以有效利用中间层特征，以及算法繁琐、复杂度高的问题。

本发明的技术方案是，一种基于全卷积级联自编码器的高光谱异常检测方法，按照以下步骤具体实施：

步骤1、通过第一个编码器进行编码；

步骤2、通过第一个解码器进行解码；

步骤3、通过第二个编码器进行编码，第二个编码器与第一个编码器的结构一致，第二个编码器把第一个重构图像编码成第二个潜在特征其大小与第一个潜在特征相同；

步骤4、通过第二个解码器进行解码，第二个解码器将第二个潜在特征解码成第二个重构图像

步骤5、用马氏距离在第二个重构图像上确定每一个像素的异常值，本步骤涉及的损失函数表示如下：