[发明专利]一种基于分层式鲁棒判别学习的高光谱遥感图像异常目标探测方法

说明书

本发明提出了一种用于高光谱遥感图像异常检测的分层式鲁棒判别学习方法。其特点在于通过强化高光谱图像中背景成分与异常目标成分结构上的非相干约束，以促进两者之间的内在非相干性与相异性，从而增强两者的可分离性。通过lsubgt;1，1/subgt;范数和Frobenius范数来有效刻画真实场景下高光谱遥感图像获取过程中引入的复杂混合噪声，提高异常目标检测模型的抗噪声性能。为更精确地分离深度混合的背景和异常目标，获得稳健且检测能力更强的异常目标检测模型，设计了分层式的检测思想，渐进式地分离深度混合的高光谱遥感图像中的背景和异常目标成分。本发明不仅可以提高背景和异常目标之间的可区分能力，而且具有非常强的噪声抑制性能和检测鲁棒性。

技术领域

本发明涉及图像异常探测技术领域，具体地，涉及一种高光谱遥感图像异常目标探测方法。

背景技术

高光谱遥感是目前用于识别土地覆盖的一种有用和流行的地球观测技术。与传统的全色和多光谱遥感图像相比，高光谱图像(HSI)可以提供关于地面物体曲线的几乎连续的光谱信息。在HSI中，光谱分辨率可以达到10nm，并且它拥有数十个甚至数百个光谱带，使得高光谱遥感影像承载了丰富的地物光谱信息。这一特性为高光谱影像地物精确识别和定位提供了极大的可能，在目标探测和分类方面具有独特的优势。高光谱遥感图像目标探测是指根据地物光谱差异将影像中感兴趣的目标从背景当中分离的过程。目标探测被认为是一个二元分类问题，旨在将特定目标像素与包括多个土地覆盖物的背景像素分离。在目标探测中，一个重要的应用是异常探测(AD)，它不使用任何先验信息，仅依赖于HSI的特征差异来将异常目标与由多个不同土地覆盖组成的背景区分开来，广泛应用于民用和军事应用，如稀有矿产勘探和伪装探测。

在异常目标探测问题中，异常目标与背景在光谱特征上往往存在着明显的差异，同时异常目标在影像中所占的比重也较小。目前，高光谱异常探测主要分为两大类：基于统计的以及基于几何建模的方法。其中，基于统计的异常目标探测方法使用高光谱遥感图像的统计特性来探测异常目标信息，其核心是假设背景和异常目标具有不同的统计特性，根据这种统计上的差异性来探测异常目标。然而，基于统计的方法依赖于某种特定的统计规则来探测HSI中的异常目标，在实际中很难找到能够有效描述高光谱遥感图像复杂分布特性的统计模型。基于几何建模的高光谱异常目标探测方法可进一步分两个类，即基于表示学习的和基于矩阵分解的异常目标探测方法。其中，协同表示假设背景像素可以由其临近的背景像素协同地表示，由于异常目标的特异性，异常目标不能由其周围的背景像素很好地表示。基于高光谱异常目标探测个这一特性提出了基于协同表示学习的异常目标探测(CRD)方法。

虽然上述基于表示学习高光谱遥感图像可以通过描述不同像素间的差异性来完成异常目标的探测，但其在描述HSI整体结构方面存在不足。为了充分利用整个HSI的结构信息，矩阵分解方法受到了大量研究人员的青睐。考虑到高光谱遥感图像中背景像素和异常目标像素的特性，即背景像素类别有限且在数量具备普遍性，而异常目标相似占比小且分布稀疏经典的低秩稀疏矩阵分解(LSDM)假设HSI可以分解为两个分量，即低秩背景分量和稀疏异常目标分量。鲁棒主成分分析(RPCA)是最流行的基于LSDM的方法之一，基于RPCA的异常目标探测方法假设背景成分具有低秩结构，HSI数据分解为分别对应于背景和异常的低秩和稀疏分量。该方法假设观察到的像素来自相同的低秩子空间。考虑到HSI中的背景由不同类型的材料组成，随后引入了低秩表示(LRR)来模拟具备多子空间特性的背景成分，该方法从全局角度描述所有HSI像素的邻近关系，但对高光谱遥感图像的局部信息缺乏建模能力。

发明内容

本发明目的在于解决高光谱遥感图像中背景和异常目标难以分离，即背景和异常目标存在深度混合的现象，在加强对混合噪声的鲁棒性的同时，提高背景和异常目标的可分离性与探测能力。其核心在于以下三个部分：

1.结构非相关性学习