基于像素选择过程的高光谱图像异常目标检测方法

摘要

本发明提供一种基于像素选择过程的高光谱图像异常目标检测方法，包括以下步骤：1】对高光谱图像进行归一化预处理，并设定检测窗口尺寸；2】采用滑动窗口技术，获得待检测高光谱图像块X，X∈RN×D；其中，R是实数空间，N是图像块中的像素点数目，D是高光谱数据的光谱波段数；3】计算每个像素点Xi的重构误差εi；4】构建顶点-边缘权重图；5】构建像素选择过程模型；6】重复步骤2】-步骤5】，直至完成整幅高光谱图像异常目标的检测，获得最终的异常概率图。该高光谱图像异常目标的检测方法，解决了现有的检测技术需要对背景分布进行假设，适应性差，背景与目标的差异性不足，检测能力低的技术问题。

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种针对高光谱图像进行异常目标检测的方法。

背景技术

高光谱图像包含丰富的光谱信息，能够为地物目标微小差异的识别提供辨别性线索。而高光谱图像的异常目标检测正是基于此特性的典型应用，其主要目的是识别图像场景中显著偏离背景光谱特性的目标。这种检测实质是一种二分类问题，即将待观测的像素分类为背景或目标。与有监督的目标检测问题不同，高光谱的异常目标检测没有任何关于目标或背景的先验光谱信息，其仅仅依靠对所设定的参考背景进行建模，寻找不满足背景模型分布的点，进而定义为异常。由于这样的技术特性相比于有监督的目标检测更符合实际情况，因而已经被应用在很多领域，如精准农业，公共安全，智能防御等。

目前，根据对背景分布不同的假设，高光谱图像的异常检测算法可以分为两类。

一是基于均匀光谱分布假设的异常检测。这种方法假设整个背景服从均匀的光谱分布，具有代表性的算法就是由Reed和Yu等在文献“I.Reed and X.Yu.Adaptive Multiple-band CFAR Detection of An Optical Pattern with UnknownSpectral Distribution.IEEE Transactions on Acoustics,Speech and SignalProcessing,38(10):1760–1770,1990”提出的RX算法。该方法假设背景服从相同的多元正态分布，利用马氏距离衡量待检测像素与背景光谱分布的偏离程度。该方法存在两点不足：第一点是高斯分布不能准确地描述真实的高光谱数据，其主要原因来源于由地表材料的多样性和信号获取过程的干扰性所造成的高光谱图像复杂的分布特性；第二点是小样本问题，利用较小数量的样本进行高维背景协方差矩阵的计算，会导致病态矩阵处理问题。研究者也相继提出很多方法克服RX算法存在的问题。一类是RX算法的变种，但是由于其本质的假设没有改变，所以固有的问题还是存在；另一类是基于核理论的算法，将数据映射到高维特征空间增强目标与背景的辨别性，但是较高的计算负担依然是该类核算法难以突破的瓶颈。

二是基于多类光谱分布假设的异常检测。这种方法假设复杂的背景包含多类不同的分布。典型的技术路线是先分别评估不同类别的信息，然后综合分析，其代表性的算法Carlotto在文献“M.J.Carlotto.A Ccluster-based Approach forDetecting Man-made Objects and Changes in Imagery.IEEE Transactions onGeoscience and Remote Sensing,43(2):374–387,2005”提出的基于聚类的检测方法。该算法首先利用聚类算法将高光谱图分割成几类，然后在每一类利用原始的RX算法实现异常目标的检测。这类算法的检测性能依赖于聚类数目的设定：当聚类数目低于真实数据聚类数目，会导致类间的差异性降低，检测性能下降；当聚类数目高于真实数据聚类数目，会导致异常目标被误分为一类，造成不可检测。

发明内容

本发明目的是提供一种高光谱图像异常目标的检测方法，解决了现有的检测技术需要对背景分布进行假设，适应性差，背景与目标的差异性不足，检测能力低的技术问题。

本发明的技术解决方案是：

一种基于像素选择过程的高光谱图像异常目标检测方法，包括以下步骤：

1】对高光谱图像进行归一化预处理，并设定检测窗口尺寸；

2】采用滑动窗口技术，获得待检测高光谱图像块X，X∈R^N×D；其中，R是实数空间，N是图像块中的像素点数目，D是高光谱数据的光谱波段数；

3】计算每个像素点X_i的重构误差ε_i：

3.1】在高维数据空间，寻找图像块X中每个像素点X_i的K个最近邻；

3.2】进行局部线性表示，最小化重构误差计算得到线性权重系数

3.3】保持局部嵌入关系不变，通过线性变换，将高维空间数据X_i映射到低维向量空间Y_i∈R^d；最小化损失函数计算得到每个像素点的重构误差ε_i；

4】构建顶点-边缘权重图：

将图像块X_i中的每一个像素点作为图模型中的顶点V，将重构误差ε_i作为顶点权重，利用公式计算得到图像块中任意两点之间的欧式距离aⁱ_j，作为连接它们的边缘权重，完成图模型的构建；

5】构建像素选择过程模型：

5.1】利用顶点权重和边缘权重值计算相似矩阵其中Π＝diag(ε)；构建像素选择目标函数：

$>\max \frac{1}{2}{P}^T\hat{A}P$>

s.t.P∈Δ

其中P是异常概率向量，它的每一个元素表示图像块每一中像素点的异常概率，满足Δ＝{P≥0,1^TP＝1}；

5.2】利用复制动态算法求解像素选择目标函数；给定初始值通过一阶复制方程的离散时间形式，即公式

$>p_i(t+1)=p_i\left(t\right)\frac{{\left(\hat{A}P\left(t\right)\right)}_i}{P{\left(t\right)}^T\hat{A}P\left(t\right)},i=1,...,N$>

进行迭代计算，当迭代收敛时，近似的稳定解等于局部解；

5.3】求解得到向量P，其包含的每个元素对应所处理的图像块中每个像素点的异常概率。

6】重复步骤2】-步骤5】，直至完成整幅高光谱图像异常目标的检测，获得最终的异常概率图。

步骤1中所述的检测窗口包括内窗口和外窗口；所述内窗口为保护窗口，用于减少异常目标的干扰；所述外窗口用于限定检测范围。

本发明的优点在于：

(1)本发明将流形学习技术与图理论相结合，避免了对背景数据分布进行假设，提高了算法应用性；

(2)本发明中构建的顶点-权重图，充分考虑了每个像素的特性以及与其他所有像素的关系，能够有效抑制数据中噪声的干扰，提高异常目标的检测能力。

附图说明

图1为本发明基于像素选择过程的高光谱图像异常目标检测方法的流程图。

具体实施方式

参照图1，本发明的实现方法主要如下：

(1)采用滑窗策略，提取每次处理的图像块。

(1a)首先对获得的高光谱图像进行归一化预处理。然后，采用内外窗口，(内部窗口作为保护窗口，减少异常目标的干扰；外部窗口，限定检测范围)，提取高光谱图像块X∈R^N×D，其中N是图像块中的像素点数目，D是高光谱数据的光谱波段数。

(2)采用流形学习技术，计算每个像素点的重构误差。

(2a)在高维空间，寻找图像块X中每个像素X_i的K个最近邻，并进行局部线性表示，最小化重构误差可以计算得到线性表示系数

(2b)保持局部嵌入关系不变，通过线性变换，将高维空间数据X_i映射到低维向量空间Y_i∈R^d。最小化损失函数可以计算得到每个像素点的重构误差。

(3)构建顶点-边缘权重图。

将步骤(2b)中计算的重构误差ε，作为顶点权重。计算图像块中所有点之间的欧式距离，作为图中的边缘连接两个顶点。利用得到最终的边缘对称权重矩阵A。

(4)异常像素选择过程，获得异常概率图，计算AUC值。

(4a)利用顶点权重和边缘权重值计算相似矩阵与子集选择类似，构建像素选择目标函数为：

$>\max \frac{1}{2}{P}^T\hat{A}P$>

s.t.P∈Δ,

其中P是异常概率向量，它的每一个元素表示图像块每一中像素点的异常概率，其满足Δ＝{P≥0,1^TP＝1}。最大化目标函数，实际上对应的是为具有较大的顶点权重和边缘权重的顶点分配较大的概率，即越是异常的像素点将以较大的概率从所构建的图关系中挑选出来。

(4b)利用复制动态算法求解像素选择目标函数。给定初始值通过一阶复制方程的离散时间形式，局部解可以通过

$>p_i(t+1)=p_i\left(t\right)\frac{{\left(\hat{A}P\left(t\right)\right)}_i}{P{\left(t\right)}^T\hat{A}P\left(t\right)},i=1,...,N$>

得到。当迭代收敛时候，近似的稳定解等于局部解。最终从求解得到的向量P的每个元素对应图像块中每个像素的异常概率，本发明从P中选出与滑窗中心待检测像素所对应的元素，作为该高光谱像素的异常概率。

本发明的效果可以通过以下仿真实验做进一步的说明。

1.仿真条件

本发明是在中央处理器为Intel(R)Core i3-21303.40GHZ、内存16G、WINDOWS 8操作系统上，运用MATLAB软件进行的仿真。

实验中使用的实验数据是从美国陆军工程研究和开发中心的网站下载的HYDICE urban数据。该数据的光谱范围为400-2500nm，包括210个波段。实验中去除了低信噪比和水汽吸收波段，保留了160个光谱波段。同时，从原始图像截取80×100的子图进行异常目标的检测。

2.仿真内容

按如下步骤用本发明方法进行人高光谱图像的异常检测：

首先，在HYDICE urban数据，完成本发明算法(基于图像素选择)的实验。为了证明算法的有效性，综合考虑算法的流形性、崭新性和多样性，选择了5个基准算法RX、GRX、RSAD、WSCF、SVDD进行比较。其中，GRX在文献“Z.Yuan,H.Sun,K.Ji,Z.Li,and H.Zou.Local Sparsity Divergence for HyperspectralAnomaly Detection.IEEE Geoscience and Remote SensingLetters,11(10):1697–1701,2014.”有详细的介绍；RSAD算法是文献“B.Du and L.Zhang.Random-selection-based Anomaly Detector for Hyperspectral Imagery.IEEETransactions on Geoscience and Remote Sensing,49(5):1578–1589,2011”提出的；WSCF是文献“J.-M.Gaucel,M.Guillaume,and S.Bourennane.Whitening SpatialCorrelation Filtering for Hyperspectral Anomaly Detection.In Proceedings of IEEEInternational Conference on Acoustics,Speech,and Signal Processing,2005:333–336.”提出的；SVDD是文献“A.Banerjee,P.Burlina,and C.Diehl.A SupportVector Method for Anomaly Detection in Hyperspectral Imagery.IEEE Transactionson Geoscienceand Remote Sensing,44(8):2282–2291,2006”提出的。

其次，将实验中每种算法的检测结果与地面真值进行比较，通过计算检测率和虚警率，绘制接受者操作特征曲线，进而计算接受者特征操作曲线下的面积值(AUC)，作为检测性能的衡量指标，结果如表1所示。

表1高光谱异常检测结果

检测算法本发明RXGRXRSADWSCFSVDDAUC值0.94910.89530.89060.52300.44910.8588

从表1可见，本发明的检测AUC值显著地高于另外5种基准算法。本发明由于将流形学习技术与图理论相结合，避免了对背景数据分布进行假设，提高了算法应用性；本发明构建的顶点-权重图，充分考虑了每个像素的特性以及与其他所有像素的关系，能够有效抑制数据中噪声的干扰，提高异常目标的检测能力，因此获得了更好的检测结果，进一步验证了本发明的先进性。