[发明专利]一种基于动态权重深度自编码的高光谱异常检测方法

说明书

一种基于动态权重深度自编码的高光谱异常检测方法，本发明涉及高光谱异常检测方法。本发明的目的是为了解决现有高光谱异常检测方法中异常目标对局部模型污染，导致检测精度低的问题。过程为：一、得到优化好的DBN模型；二、得到编码图像和重建误差图像；三、得到局部编码图像；执行五；四、得到局部重建误差集；执行六；五、得到局部距离因子；执行七；六、得到局部距离的所有动态权重；执行七；七、得到异常检测算子值，设置阈值，当异常检测算子值大于等于阈值时，则该被测像素为异常目标；否则，为背景像素；取被测图像中的下一个像素作为被测像素，重新执行三～七，直至判断完被测图像中的所有像素。本发明用于高光谱异常检测领域。

技术领域

本发明涉及高光谱异常检测方法。

背景技术

随着遥感成像技术的不断发展与进步，高光谱图像在精准农业、城市规划、军事侦查等领域发挥着越来越重要的作用，对高光谱遥感图像的研究和应用是相关科研人员长期以来聚焦的重点。相对于可见光或红外遥感成像技术，高光谱图像不但能获取地物空间分布信息，还能在每个像素点上收集对应地物数十至数百个连续窄波段的光谱信息，其数据具备图谱合一的特点，从而通过光谱信息可以分辨地物物质信息。然而在实际应用中，由于多数地物先验光谱信息的缺乏及高光谱图像数据标记成本高，基于无监督的异常目标检测方法成为高光谱图像实际应用中极其重要的手段。

目前，学术界对异常目标尚无统一定义，一般将与背景信息存在明显差异的地物目标称为异常目标。在经典的异常检测算法中，基于多元正态分布模型的检测方法应用最为广泛，包括RXD算法、均衡目标检测(UTD)算法及低概率目标检测(LPTD)算法。其中最经典的是RXD算法^[1]([1]Reed I S,Yu X.Adaptive multiple-band CFAR detection of anoptical pattern with unknown spectral distribution[J].IEEE Transactions onAcoustics SpeechSignal Processing,1990,38(10):1760-1770.)，由Reed与Xiaoli Yu提出，利用马氏距离判断异常目标，有较强的理论依据，被广泛应用和研究，但当背景像素不满足高斯分布时，检测虚警率偏高。众多研究学者，针对RXD算法在数据非线性、亚像素检测精度等问题上进行改进研究，针对高光谱图像数据普遍存在的数据维度高，非线性特征对检测精度有一定的影响的问题。

此外，针对真实高光谱图像不能满足分布假设导致经典算法虚警率高的问题，Banerjee^[2]([2]Banerjee A,Burlina P,Diehl C.A support vector method foranomaly detection in hyperspectral imagery[J].IEEE Transactions on Geoscienceand Remote Sensing,2006,44(8):2282-2291.)提出支持向量数据描述(support vectordata description，SVDD)算法，通过核函数解决数据分布问题，利用最小球面估计支持区的训练数据，实现异常目标检测，但其同样存在核函数参数选择无明确方法的问题，为此，Khazai^[3]([3]Khazai S,Homayouni S,Safari A,et al.Anomaly detection inhyperspectral images based on an adaptive support vector method[J].IEEEGeoscience and Remote Sensing Letters,2011,8(4):646-650.)提出对高斯核函数参数自适应选择，进一步提高SVDD方法的异常目标检测精度。