[发明专利]基于编码和独立目标子空间投影的高光谱异常检测方法及装置

说明书

本发明涉及图像处理领域，公开了一种基于编码和独立目标子空间投影的高光谱异常检测方法及装置。包括：(1)基于自编码器隐含层神经元数和独立目标数确定；(2)利用自编码器训练原始数据，获得编码权重矩阵及编码空间投影矩阵；(3)将原始数据投影至编码空间的正交子空间，获得低秩背景组分的正交组分；(4)将低秩背景组分的正交组分进行数据球化，并将其用于搜索独立目标用于构造独立目标子空间；(6)将球化后的正交组分投影至独立目标子空间，获得独立目标组分；(7)利用稀疏基数约束独立目标组分得到异常组分，将其结合距离算子构造检测算子，实现异常检测。本发明利用了自编码器和独立目标空间投影能够有效抑制背景，增强目标。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于编码和独立目标子空间投影的高光谱异常检测方法及装置。

背景技术

高光谱遥感图像具有图谱合一和光谱分辨率高等突出特点，其丰富的光谱信息能够识别具有诊断性光谱特征的地表物质，能够探测到全色和多光谱等高空间分辨图像中不可探测的物质，在目标检测和识别领域相比其他遥感图像更具有优势。高光谱异常检测(Hyperspectral anomaly detection，HAD)是在没有先验目标光谱信息的情况下探测高光谱图像(Hyperspectral imagery，HSI)中潜在可疑物质的过程，被广泛用于军事监视、精准农业以及稀有矿产探测等场合。

通常，异常目标虽无先验信息，但存在如下特点：从统计特性出发可以认为异常目标所占像元个数很少、发生概率低且不可预知；从光谱差异性的角度出发可以认为异常目标像元与周围邻域像元存在差异。在过去的几十年中，许多研究工作都是基于这两个前提条件开展研究。与基于目标先验知识的目标检测不同，HAD更加依赖于背景(Background，BKG)的抑制效果以及BKG与异常之间的对比度。

为了更好的实现背景抑制与目标增强，一种基于低秩和稀疏表示(LRaSR)的方法通过将原始数据分解为背景+目标+噪声的形式，利用优化参数求解策略获得解决背景与噪声问题条件下的目标组分。对于基于LRaSR的方法，低秩背景分量本质上是通过寻找最优的低秩空间来表示BKG来获得的。寻找最优低秩空间有两个关键问题需要解决。一是如何确定基数m用于表征BKG的秩；另一个是如何获得m个空间基向量。大多方法基于某些先验分布假设，利用GoDec是基于奇异/特征分析的技术，假设BKG服从高斯分布。此外，参数优化类方法中低秩约束也被转换为计算同样使用奇异分析概念的矩阵F范数。然而，真实高光谱数据的背景部分并不是简单地满足这样的分布假设。因此，可以通过提取或寻找原始数据的有效性表示来获得低秩BKG空间。

近年来，随着深度学习在各领域应用的蓬勃发展，基于深度学习的高光谱图像处理技术也得到了广泛关注。其中，自编码器(Auto-encoder，AE)作为无监督神经网络之一，能够捕获抽象特征来表示原始HSI并在没有先验分布假设的情况下实现重建，适用于无监督约束的HAD。目前，常用的方法利用自编码器潜层特征或者重构误差以及带约束的重构误差来进行异常检测。然而，此类方法虽然避免了背景先验分布假设，但是仍然存在背景表征基数确定以及噪声干扰的问题。有别于这些基于重构误差或潜层特征的方法，从数据驱动和AE模型驱动的角度，利用异常目标所占像元低且发生概率的特点，通过约束AE潜层神经元个数驱使网络倾向于重构背景以此获得背景编码空间，用于背景组分的构建。在球化后的背景正交组分中进行无监督目标检测能够实现背景抑制、高斯噪声去除的同时获得独立目标空间，有助于提高背景抑制与目标增强效果。为了进一步降低非高斯噪声的影响，对独立目标组分施加稀疏基数约束能够获得异常组分，结合距离算子获得最终的检测结果。

发明内容

针对现有技术中的不足，本发明的目的是提供一种基于编码和独立目标子空间投影的高光谱异常检测方法及装置，