[发明专利]基于空谱深度协同的高光谱异常检测方法

说明书

本发明提出了一种基于空谱深度协同的高光谱异常检测方法，实现步骤为：(1)输入高光谱图像进行预处理；(2)基于空谱深度协同的高光谱异常检测模型；(3)对高光谱异常检测模型进行迭代训练；(4)获取高光谱图像的异常检测结果。本发明利用二维卷积的自编码网络提取空间特征信息，利用增广自编码器生成空间特征和光谱的低维表征，利用空谱深度协同的特征融合器生成增广低维表征，结合估计网络进行端到端的联合优化，使用最大似然估计法得到高光谱图像各像素的异常程度，充分利用了高光谱图像中的光谱信息和空间特征信息，提高了高光谱异常检测的精度。

技术领域

本发明属于图像处理技术领域，涉及一种高光谱图像异常检测方法，具体涉及一种基于空谱深度协同的高光谱异常检测方法，可应用于深空探测、地球观测和异常检测领域。

背景技术

随着成像光谱技术的迅速发展，高光谱遥感在异常检测、地球观测和深空探测等领域中得到了广泛应用。高光谱图像是立体图像，包含高、宽和波段三个维度，涵盖数十至数百个连续且细分的光谱频段，具有丰富的信息，能充分的反映样品内部的物理结构和化学成分的差异，同时结合图像空间信息，可以反应样本大小、形状等外部特征。高光谱图像异常检测是指将图像中的背景和异常区分的技术，背景可以用周围像素或光谱向量表示，而异常通常指无法用周围像素或光谱向量表示的区域，异常区域一般远小于背景区域，如图像中的船舶、车辆或飞机等与背景有较大差异的目标。基于高光谱图像的异常检测能更容易区分异常区域和背景区域，分辨人眼难以观察到的异常目标，对于深空探测等缺少先验知识的场景具有十分重要的意义。如何提高高光谱图像异常检测的精度是高光谱异常检测的难点和要点，衡量高光谱图像异常检测精度的指标主要是(TPR,FPR)的ROC曲线下面积，值越大表示结果越好，以及(FPR,τ)的ROC曲线下面积，值越小表示结果越好。

高光谱异常检测方法分为传统的检测方法和基于深度学习的高光谱异常检测方法两类。传统的检测方法基于模型驱动，但由于传统方法基于人工的先验知识设计，难以提取深层的低维表征，因此无法构造一个有效的、分层的、抽象的和高层次的背景模型，在高光谱异常检测上提供的性能和泛化性有限。

近年来，基于深度学习的高光谱异常检测被广泛关注，深度学习能有效提取高光谱图像的隐含表征，针对不同场景图像不需要特定的参数，表达能力和泛化性更强。因此，有很多学者对其进行了研究，例如蒋恺等人于2020年在IEEE Transactions onCybernetics上发表的“E2E-LIADE:End-to-End Local Invariant Autoencoding DensityEstimation Model for Anomaly Target Detection in Hyperspectral Image”，提出了一种基于端到端的本地不变自编码密度估计模型的高光谱异常检测方法，即E2E-LIADE方法，该方法通过本地不变自编码器用于提取高光谱向量的深层低维表征，利用估计网络和高斯混合模型对高光谱向量分类，最后计算各光谱向量的负对数似然值作为异常程度，该方法虽然具有更好的检测精度和泛化性，但在训练过程中只考虑了光谱向量的特征，影响了检测精度的进一步提升。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出一种基于空谱深度协同的高光谱异常检测方法，用于解决现有技术存在的检测精度较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)对输入的高光谱图像进行预处理：