基于联合提取空谱特征的高光谱图像异常检测方法

摘要

本发明公开了一种基于联合提取空谱特征的高光谱图像异常检测方法，主要解决现有技术中漏检异常点多的问题。本发明的具体步骤如下：(1)构建深度信念网络；(2)生成高光谱训练集；(3)训练深度信念网络；(4)提取特征权值矩阵和偏置矩阵；(5)计算高光谱训练集中每个光谱向量的维特征；(6)检测高光谱训练集的光谱向量维的异常值；(7)获得高光谱训练集的空间特征图像；(7)获得高光谱训练集的空间特征图像；(8)获得空谱特征的高光谱图像的异常值。本发明能够提取光谱特征和空间特征，更好地区分高光谱图像中的异常和复杂的背景，具有检测结果误检异常少、检测结果漏检异常少的优点。

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及图像异常检测技术领域中的一种基于联合提取空谱特征的高光谱图像异常检测方法。本发明可用于从高光谱图像中检测出与背景之间的异常点目标和小区域目标。

背景技术

高光谱图像异常点是与背景光谱特性曲线差异较大的像素点，异常小区域则是在空间上与背景存在差异的小面积区域。例如，异常可能是罕见植被物种、生长异常的植被、与毒品交易有关的非法植物、沿海水域受污染区域、沙漠中失踪的冒险者、埋藏的考古结构、非法过境以及植被覆盖下的军车、海景背景下的船只和森林背景下的坦克等。高光谱异常检测的目的是识别在空间或光谱上与周围环境完全不同的感兴趣的目标。因此，有效地检测到高光谱图像中的异常点和异常区域，对于研究农业，环保，军事等领域，进而提高社会经济效益和增强国防建设起着十分重要的作用。

哈尔滨工业大学在其申请的专利文献“基于非负稀疏特性的高光谱图像异常检测方法”(专利申请号：201810172380.5，公布号：CN108399622A)中提出了基于非负稀疏特性的高光谱图像异常检测方法。该方法首先根据高光谱图像求解光谱图像的非负稀疏矩阵；然后根据非负稀疏矩阵对高光谱图像进行异常检测，获取高光谱图像中每个像元的异常度；最后通过阈值分割方式，根据高光谱图像中每个像元的异常度确定每个异常度所对应像元是否异常，从而完成对高光谱图像异常检测。该方法虽然通过求解光谱图像的非负稀疏矩阵，可以提高异常检测的精度，但是，该方法仍然存在的不足之处是，需要对高光谱图像进行稀疏矩阵的求解，由于高光谱图像数据庞大，使得计算过程复杂繁琐，同时该方法需要进行阈值分割，这将引入较多的人为主观因素，会使该方法不能高精度地处理不同遥感器获取的高光谱数据。

Wei Li在其发表的论文“Collaborative representation for hyperspectralanomaly detection”(IEEE地球科学与遥感汇刊TGRS IEEE Transactions On GeoscienceAnd Remote Sensing期刊论文2015年)中提出了基于光谱协同表示CRD的高光谱异常检测方法。该方法首先通过滑动双窗口内的周围像素的线性组合来近似地表示每个像素；然后利用距离加权Tikhonov正则化的组合权重向量在其下具有闭合形式得到规范最小化解来加强这些像素之间的协作；最后通过从原始高光谱数据中减去预测背景而获得的残差图像来计算异常，得到检测结果。虽然该方法利用像素光谱之间的协作可以提高异常检测的效果，但是，该方法仍然存在的不足之处是，由于高光谱图像背景复杂，干扰信息较多，将该异常检测方法直接应用于背景复杂以及异常为小面积区域的高光谱图像，容易将背景误检为异常，导致异常检测的精度低。

Xundong Kang在其发表的论文“Benediktsson.Hyperspectral AnomalyDetection With Attribute and Edge-Preserving Filters”(IEEE地球科学与遥感汇刊TGRS IEEE Transactions On Geoscience And Remote Sensing期刊论文2017年)中提出了基于空间属性和域变换递归滤波器AED高光谱异常检测方法。该方法首先使用主成分分析法对高光谱图像进行降维并提取特征图像，然后通过属性滤波器和差分融合对特征图像进行预处理，最后使用域变换递归滤波器对预处理图像进行边缘保留及平滑，得到最终检测结果。虽然该方法利用了高光谱图像的空间信息对小区域异常目标达到了较好的检测效果，但是，该方法仍然存在的不足之处是，由于该方法需要对高光谱图像进行降维，使得计算过程复杂繁琐，并且只考虑了空间信息，其对异常是小目标点的检测性能变差，导致异常检测的精度低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于联合提取空谱特征的高光谱图像异常检测方法，对高光谱图像中的异常值进行检测。本发明与其他现有高光谱图像异常检测方法相比，能够提取光谱向量维特征和空间特征，对背景复杂以及异常值为小目标点和小面积区域的高光谱图像，得到较高的高光谱图像异常检测精度。

实现本发明目的的思路是，利用深度信念网络从输入的高光谱图像中提取异常点在光谱向量维特征，利用光谱向量维特征检测高光谱图像中异常值，利用波段融合和图像分解方法，从输入的高光谱图像中提取异常点在空间小面积区域的特征，利用空间小面积区域特征检测高光谱图像异常值，将光谱向量维检测的异常值与空间小面积区域检测的异常值加权求和，得到空谱特征的高光谱图像的异常值。

本发明实现的具体步骤包括如下：

(1)构建深度信念网络：

分别搭建一个三层的基础网络和一个二层的特征提取网络；将基础网络和特征提取网络组成深度信念网络；

(2)生成高光谱训练集：

利用背景抑制方法，更新高光谱图像中的每个像素点的光谱向量，将更新后的所有像素点的光谱向量组成高光谱训练集；

(3)训练深度信念网络：

将高光谱训练集输入到深度信念网络中迭代训练50次，得到训练好的深度信念网络；

(4)提取特征权值矩阵和偏置矩阵：

从训练好的深度信念网络的特征提取网络中，提取高光谱训练集中每个光谱向量的特征权值矩阵和偏置矩阵；

(5)按照下式，计算高光谱训练集中每个光谱向量的维特征：

其中，y_l表示高光谱训练集中第l个光谱向量的维特征，exp表示以自然数e为底的指数操作，ω_l表示高光谱训练集中第l个光谱向量的特征权值矩阵，x_l表示高光谱训练集中第l个光谱向量，b_l表示高光谱训练集中第l个光谱向量的偏置矩阵；

(6)检测高光谱训练集的光谱向量维特征中的异常值：

(6a)将三维M×N×L的高光谱训练集转换为二维L×B的矩阵，其中，M表示高光谱训练集矩阵中行的总数，N表示高光谱训练集矩阵中列的总数，L表示高光谱训练集中所有光谱波段的总数，B表示高光谱训练集中每一个波段的像素总数；

(6b)分别求二维矩阵中每一行像素的平均值，将所有行的像素平均值存储到一个均值列向量中，将所有像素点总数的均值列向量，组成一个均值矩阵；

(6c)用二维矩阵减去均值矩阵，得到去均值矩阵；

(6d)利用瑞德-肖利RXD公式，计算高光谱训练集中每个光谱向量维特征的异常值；

(7)得到高光谱训练集的空间特征图像：

(7a)将高光谱训练集中所有波段图像相加融合成一个波段图像，得到融合后的空间图像；

(7b)将融合后图像通过属性滤波器，得到包含闭操作、原操作、开操作的三个属性概图；

(7c)按照下式，得到高光谱训练集的空间特征图像：

D＝|A-C|+|E-C|

其中，D表示高光谱训练集的空间特征图像，|·|表示取绝对值操作，A表示开操作概图，C表示原操作概图，E表示闭操作概图；

(8)获得高光谱空间特征图像的异常值：

将高光谱空间特征图像输入到引导滤波器中，引导滤波器输出高光谱空间特征图像的异常值；

(9)按照下述的加权求和公式，得到空谱特征的高光谱图像的异常值：

其中，U表示空谱特征的高光谱图像的异常值，表示高光谱图像光谱向量维特征异常值的权值，其取值是根据工程经验在(0,1)内选取的数，γ表示高光谱空间特征图像异常值的权值，其取值是根据工程经验在(0,1)内选取的数，W表示高光谱空间特征图像的异常值。

本发明与现有的技术相比具有以下优点：

第一，由于本发明利用深度信念网络，从输入的高光谱图像中提取光谱向量维特征，利用光谱向量维特征检测高光谱图像中异常值，克服了现有技术容易将背景误检为异常导致误检率高的问题，使得本发明能够充分利用高光谱图像中光谱向量维特征，更好地区分高光谱图像中的异常和复杂的背景，降低了高光谱图像异常的误检率。

第二，本发明由于利用空间特征图像检测高光谱图像异常值，克服了现有技术中对高光谱图像进行主成分分析降维的计算复杂的问题，使得本发明在空间特征检测的过程简单，提高了高光谱异常的检测效率。

第三，本发明由于利用光谱中异常值与空间中异常值加权求和的方式，得到空谱特征的高光谱图像的异常值，克服了现有技术中对高光谱图像中的异常值为小目标点和小目标区域不能同时达到较高的检测精度的问题，使得本发明充分利用了高光谱图像中光谱和空间的信息，提高了对异常值为小目标点和小面积区域的检测精度。

附图说明

图1是本发明的流程图；

图2是采用现有技术的基于光谱协同表示CRD的高光谱异常检测方法的仿真图；

图3是采用本发明方法的仿真图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照附图1，对本发明的步骤做进一步的详细描述。

步骤1.构建深度信念网络。

分别搭建一个三层的基础网络和一个二层的特征提取网络；将基础网络和特征提取网络组成深度信念网络。

所述的深度信念网络的结构依次为：

基础网络的结构为：输入层→隐藏层→输出层；其参数设置如下，将输入层的节点总数设置为高光谱图像的波段总数、将隐藏层的节点总数设置为70、将输出层的节点总数设置为20，将节点数的步长设置为10。

特征提取网络的结构依次为：输入层→特征提取层；其参数设置如下：将输入层的节点总数设置为20、将特征提取层的节点总数设置为20，将节点数的步长设置为10；的结构依次为：输入层→隐藏层→输出层；其参数设置如下，将输入层的节点总数设置为高光谱图像的波段总数、将隐藏层的节点总数设置为70、将输出层的节点总数设置为20，将节点数的步长设置为10。

步骤2.生成高光谱训练集。

利用背景抑制方法，更新高光谱图像中的每个像素点的光谱向量，将更新后的所有像素点的光谱向量组成高光谱训练集。

所述的背景抑制方法的具体步骤如下：

第1步，从高光谱图像中选取一个未选过的像素点。

第2步，按照下式，计算所选像素点与其周围像素点之间的马氏距离光谱向量。

h_j＝|y-s_j|

其中，h_j表示所选像素点的光谱向量与其周围第j个像素点之间的马氏距离光谱向量，j表示其周围像素点的序号，j的取值范围为1,2,3,…,8,|·|表示取绝对值操作，y表示所选像素点的光谱向量，s_j表示所选像素点与其周围的第j个像素点的光谱向量。

第3步，按照下式，计算每个马氏距离光谱向量的权值：

其中，λ_i表示第i个马氏距离光谱向量的权值，i表示马氏距离光谱向量的序号，i的取值范围为1,2,3,…,8，exp表示取自然数e为底的指数操作，σ表示抑制系数，取经验值0.1。

第4步，按照下式，更新所选像素点的马氏距离光谱向量：

其中，m表示所选像素点更新后的马氏距离光谱向量，∑表示求和操作，k表示马氏距离光谱向量的序号。

第5步，判断是否选完高光谱图像中所有的像素点，若是，则完成所有像素点的光谱向量更新后，执行步骤3，否则，执行第1步。

步骤3.训练深度信念网络。

将高光谱训练集输入到深度信念网络中迭代训练50次，得到训练好的深度信念网络。

步骤4.提取特征权值矩阵和偏置矩阵。

从训练好的深度信念网络的特征提取网络中，提取高光谱训练集中每个光谱向量的特征权值矩阵和偏置矩阵。

步骤5.按照下式，计算高光谱训练集中每个光谱向量的维特征：

其中，y_l表示高光谱训练集中第l个光谱向量的维特征，exp表示以自然数e为底的指数操作，ω_l表示高光谱训练集中第l个光谱向量的特征权值矩阵，x_l表示高光谱训练集中第l个光谱向量，b_l表示高光谱训练集中第l个光谱向量的偏置矩阵。

步骤6.检测高光谱训练集的光谱向量维特征中的异常值。

将三维M×N×L的高光谱训练集转换为二维L×B的矩阵，其中，M表示高光谱训练集矩阵中行的总数，N表示高光谱训练集矩阵中列的总数，L表示高光谱训练集中所有光谱波段的总数，B表示高光谱训练集中每一个波段的像素总数。

所述的将三维M×N×L的高光谱图像转换为二维L×B的矩阵的步骤为：将三维M×N×L的高光谱图像中的每一个波段的像素矩阵转换成一个每个元素与每一个波段的像素矩阵中的像素一一对应的行向量，将所有波段的行向量组成一个二维的L×B的矩阵。

分别求二维矩阵中每一行像素的平均值，将所有行的像素平均值存储到一个均值列向量中，将所有像素点总数的均值列向量，组成一个均值矩阵。

用二维矩阵减去均值矩阵，得到去均值矩阵。

利用瑞德-肖利RXD公式，计算高光谱训练集中每个光谱向量维特征的异常值。

所述的瑞德-肖利RXD公式如下：

其中，F_n表示高光谱图像光谱向量维特征中第n个光谱向量维特征的异常值的异常值，n表示光谱向量维特征的序号，n的取值范围为1,2,3,…,B，p_n表示第n个光谱向量，I表示去均值矩阵，T表示转置操作，-1表示求逆操作。

步骤7.得到高光谱训练集的空间特征图像。

将高光谱训练集中所有波段图像相加融合成一个波段图像，得到融合后的空间图像。

将融合后图像通过属性滤波器，得到包含闭操作、原操作、开操作的三个属性概图。

按照下式，得到高光谱训练集的空间特征图像：

D＝|A-C|+|E-C|

其中，D表示高光谱训练集的空间特征图像，|·|表示取绝对值操作，A表示开操作概图，C表示原操作概图，E表示闭操作概图。

步骤8.获得高光谱空间特征图像的异常值。

将高光谱空间特征图像输入到引导滤波器中，引导滤波器输出高光谱空间特征图像的异常值。

步骤9.按照下述的加权求和公式，得到空谱特征的高光谱图像的异常值：

其中，U表示空谱特征的高光谱图像的异常值，表示高光谱图像光谱向量维特征异常值的权值，其取值是根据工程经验在(0,1)内选取的数，γ表示高光谱空间特征图像异常值的权值，其取值是根据工程经验在(0,1)内选取的数，W表示高光谱空间特征图像的异常值。

下面结合仿真实验对本发明的效果做进一步的说明。

1.仿真条件：

本发明的仿真实验是在主频2.50GHz*8的Intel(R)Core(TM)i5-7200U CPU、内存为8GB的硬件环境和MATLAB的软件环境下进行的。

2.仿真内容与结果分析：

本发明的仿真实验是采用本发明方法和现有技术的基于光谱协同表示CRD的高光谱异常检测方法，在上述仿真条件下，分别进行了两个仿真实验。

参照图2，对采用现有技术的基于光谱协同表示CRD的高光谱异常检测方法进行的仿真实验1进行详细的描述。图2(a)为来自于海德思(Hydice)高光谱遥感卫星采集的真实高光谱图像，图2(b)为来自于海德思(Hydice)高光谱遥感卫星采集的真实高光谱图像附带的异常点分布图，图2(b)中的白色亮点表示真实高光谱图像中的异常点。图2(c)为采用现有技术的基于光谱协同表示CRD的高光谱异常检测方法对图2(a)的检测结果图，图2(c)中的白色亮点表示检测到的异常点。

参照图3，对采用本发明方法进行的仿真实验2进行详细的描述。图3(a)为来自于海德思(Hydice)高光谱遥感卫星采集的真实高光谱图像，图3(b)为来自于海德思(Hydice)高光谱遥感卫星采集的真实高光谱图像附带的异常点分布图，图3(b)中的白色亮点表示真实高光谱图像中的异常点。图3(c)为采用本发明方法的仿真实验结果图，图3(c)中的亮点表示检测到的异常点。

比较图2(c)和图3(c)可以看出：本发明与现有技术的基于光谱协同表示CRD的高光谱异常检测方法相比，本发明检测到的异常点的数目有8个，而现有技术的基于光谱协同表示CRD的高光谱异常检测方法检测到的异常点的数目只有3个，因此本发明比现有技术的基于光谱协同表示CRD的高光谱异常检测方法检测到的异常点数量更多，降低了漏检率，检测效果更好。

为了对两种方法的检测性能进行评价，按照下式，计算检测精度AUC值：

其中，η表示检测精度AUC值，α表示检测结果中的异常点数目，β表示海德思(Hydice)高光谱遥感卫星采集的真实高光谱图像附带的异常点分布图中的异常点数目。两种方法计算检测精度(AUC)值如下表所示。

表1本发明方法和现有技术方法对异常点为点目标的检测精度对比表

方法类型检测精度AUC现有技术96.21％本发明99.86％

从表1可见，本发明与现有技术的基于光谱协同表示CRD高光谱异常检测方法相比，使用本发明方法得到的异常值的检测精度明显提高。

综上所述，本发明通过深度信念网络从输入的高光谱图像中提取异常点在光谱向量维特征，利用光谱向量维特征检测高光谱图像中异常值，利用波段融合和图像分解方法，从输入的高光谱图像中提取异常点在空间小面积区域的特征，利用空间小面积区域特征检测高光谱图像异常值，将光谱向量维检测的异常值与空间小面积区域检测的异常值加权求和，得到空谱特征的高光谱图像的异常值，充分利用了高光谱图像中的光谱信息和空间信息，减少了漏检异常点的数量，提高了整体的检测效果，并且提高了异常点的检测精度。