[发明专利]一种外窗可变的近景高光谱图像局部异常检测方法

说明书

技术领域

本发明涉及近景高光谱图像数据处理过程中目标检测技术领域，更具体地说，涉及一种通过外窗可变的方式实现对近景高光谱图像进行自适应异常目标检测的方法。

背景技术

高光谱成像在400～2500nm的可见光和近红外波段中选取数百个连续谱段对场景进行观测，光谱分辨率可达到2～10nm。高光谱图像数据是一个“立方体”，具有“图谱合一”的性质，含有丰富的光谱信息，能够区分地物光谱的微小差别，对物质具有较强的鉴别能力，特别是通过多个光谱段的信息对比与分析，高光谱图像可以从复杂背景中精确地区分目标。

异常检测是高光谱遥感图像中常用的目标检测方法，能够在不知道目标先验信息的情况下检测出目标，与需要目标先验信息的检测方法相比，适用范围更广。经典的RX异常检测算法自1990年被提出来以后，就得到了快速的发展，出现了多种RX算法的变种，如核RX算法、正则化RX算法、核加权RX算法等，RX算法业已成为高光谱图像异常检测领域的标准算法之一。

理论上说，RX算法是一种局部算法，主要应用于高光谱遥感数据处理领域，而将遥感算法引用到近景测量中可能会面临一系列问题，其中最主要就是空间分辨率的变化。星载或机载遥感图像的空间分辨率一般不高(可达到米级)，而在近景测量中，图像的空间分辨率非常高(可达到毫米级)，这使得对物体的观察更精细，物体表面的微小变化都会在图像中有所体现，如表面褶皱和不均匀等。因此，在很小的局部区域内，光照变化的现象十分明显。在这种情况下，如果采用固定窗口的局部背景数据进行统计建模就存在不确定性，局部数据的统计特性往往不能用单一的统计模型进行拟合。

发明内容

为解决上述问题，本发明提供了一种外窗可变的近景高光谱图像局部异常检测方法，本发明利用局部算子外窗尺寸的变化，动态地估计局部区域内背景数据的统计参数，建立准确的统计模型，从而提高局部异常检测算法的可靠性和精度。

为达到上述技术效果，本发明的技术方案是：

一种外窗可变的近景高光谱图像局部异常检测方法，包括下述步骤：

第一步：构建局部RX异常检测算子；

第二步：进行数据降维；

第三步：建立外窗可变的局部检测算法进行待检测点异常值的检测。

进一步的改进，包括如下步骤：

步骤一)构建局部RX算法，设H₀表示目标存在，H₁表示目标不存在，二元假设表示如下

其中，y表示高光谱图像像元，n表示背景噪声向量，α＞0，α表示一个加权系数，s表示目标光谱向量；定义Y＝[y₁,y₂,…,y_N]为包含N个像元的L×N的背景矩阵，第i个像元表示为y_i＝[y_i(1),y_i(2),…,y_i(L)]，L表示高光谱图像数据的波段数；

背景和目标分布具有相同的协方差和不同的均值，分别服从多元正态分布y|H₀～N(μ,K)和y|H₁～N(μ+s,K)，其中，μ为背景Y的均值，K为协方差矩阵；则有：

其中T表示矩阵转置；

步骤二)根据上述公式，背景和目标的概率密度函数为：

其中，p(y|H₀)为条件概率密度，表示在H₀成立的条件下y事件发生的概率密度，p(y|H₁)表示在H₁成立的条件下y事件发生的概率密度；e为自然函数，π为圆周率；L表示表示高光谱图像数据的波段数，K表示|K|代表K的行列式；

步骤三)根据广义似然比检测得到RX算子：

其中，RX(y)表示RX算子；

步骤四)当像元数N趋于无穷时，进一步简化为；

设阈值为η，如果RX(y_i)≥η，则待检测位置存在目标，否则不存在目标。

进一步的改进，所述局部RX算法则设置内、外两个窗，内窗的中心为待检测像元；两窗之间的像元集合作为背景数据，利用背景数据估算背景统计模型的均值和方差；内窗作为保护窗将待检测像元与背景分离。

进一步的改进，所部第二步利用主成分分析法实现数据降维。

进一步的改进，所述第三步包括如下步骤：