[发明专利]一种基于张量分解网络的高光谱异常检测方法

说明书

本发明公开了一种基于张量分解网络的高光谱异常检测方法，步骤包括：步骤1、选取背景样本数据集；步骤2、通过自编码器和张量分解网络来恢复背景数据信息，先将训练集送入编码器中进行编码，通过三层编码网络逐步将输入数据降维，得到潜在特征；通过张量分解网络从潜在特征中分解出背景的低秩张量，通过解码器的解码操作，逐层恢复出背景数据；步骤3、通过重构误差进行异常检测，得到最终的检测结果图。本发明的方法，通过深度网络来模拟传统张量分解的过程，有效提高了网络的重建精度，进一步提高异常检测性能。

技术领域

本发明属于高光谱影像处理技术领域，涉及一种基于张量分解网络的高光谱异常检测方法。

背景技术

高光谱异常目标检测作为高光谱影像处理的一个重要子方向，在过去的数十年里，有大量算法被提出。RX(Reed-Xiao li Detection,RX)算法作为高光谱异常目标检测的一个基准算法，它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一个像素的异常程度，然而由于实际场景复杂，难以满足此假设，所以RX算法检测精度有限。为了避免对背景分布的假设，李伟和杜倩提出了基于协同表达思想的CRD(Collaborative Representation-based Detector,CRD)算法，此算法通过滑动双窗口构造局部字典，并通过此字典来逐个表示原始输入高光谱影像，最后表示误差作为每一个像素的异常程度。然而由于缺少先验信息，针对不同的数据集CRD算法没有一个有效的规则来制定双窗口尺寸。得益于低秩稀疏矩阵分解(Low-Rank and Sparse MatrixDecomposition,LRaSM)技术的发展，大量的基于LRaSM的异常检测算法被相继提出。LRASR算法通过K-Means聚类算法构造背景字典，然后通过低秩矩阵分解来进行异常检测。除此之外，张兴等提出了基于Tucker分解的异常检测算法，此方法很好地保留了原始影像的空谱信息，然后由于高光谱影像自身的高维性以及噪声多等特点，导致基于矩阵分解和张量分解的异常检测算法不够稳定。

近年来，深度学习技术为图像处理、计算机视觉等领域带来了极大的便利，基于此，为了克服上述方法的不足，亟需研制一种基于张量分解网络的高光谱异常目标检测方法，以客服了噪声和维度对异常检测算法的影响。

发明内容

本发明的目的是提供一种基于张量分解网络的高光谱异常检测方法，解决现有基于传统张量分解模型过程复杂、易受噪声和数据维度干扰的问题。

本发明采用的技术方案是，一种基于张量分解网络的高光谱异常检测方法，按照以下步骤具体实施：

步骤1、选取背景样本数据集，

输入的原始高光谱影像记为上角标W、H和D分别表示原始高光谱影像的宽、高和波段数；

步骤2、通过自编码器和张量分解网络来恢复背景数据信息，

先将训练集送入编码器中进行编码，通过三层编码网络逐步将输入数据降维：D→128→64→24，得到潜在特征

通过张量分解网络从潜在特征中分解出背景的低秩张量张量分解网络包括RTGB模块和LTGB模块，RTGB模块根据输入生成对应的秩为一的张量，而LTGB模块采用残差结构和RTGB模块生成R个秩为一的张量，然后将R个秩为一的张量进行通道拼接，再使用1×1卷积降维得到背景低秩张量具体过程是：

对于输入的潜在特征先分别从通道方向、宽度方向以及高度方向取全局平均池化，并将得到的三个方向向量先经过1×1卷积，再进行Sigmoid激活，接着通过克罗内克积生成秩为一的张量，具体表达式如下：

其中，O_i表示第i个秩为一的张量，分别表示通道、宽度以及高度方向的平均池化向量，表示克罗内克积，