[发明专利]基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法

说明书

本发明公开了一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，包括以下步骤：根据高阶奇异值分解构建空间维因子矩阵，以充分提取高光谱图像的空间维度信息；用聚类算法对高光谱数据的所有像元进行k个类别归类，去除聚类簇中像元数目少于P的像元，剩下的像元按每一簇进行计算其核空间异常指标，从而最终选取叠加和最大的前P个像元作为光谱维因子矩阵的组成原子；建立基于鲁棒光谱协方差距离正则化的高光谱图像异常智能检测模型，构造拉格朗日方程，逐步迭代求解某一个变量同时固定其余变量，求解异常检测模型，根据所求得的解得到异常目标。本发明能够对高光谱遥感图像中的异常目标实现智能检测，有效降低虚警率。

技术领域

本发明属于遥感图像处理技术领域，特别是一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法。

背景技术

高光谱遥感异常目标检测是高光谱遥感的一个重要的应用方向。高光谱异常检测的目的是为了确定感兴趣目标的位置和类别，其本质是一个二分类问题，高分辨率为辨识不同地物目标提供了可能，不同物质的光谱差异使得高光谱图像中目标像元与背景像元存在差异，利用像元差异可以实现高光谱目标检测。传统目标检测方法一般需要先验光谱知识以及数据光谱校正，完备的光谱库现实中是不存在的，然而“同物异谱”和“同谱异物”现象的存在，使得很难获取特定成像条件下感兴趣目标准确的光谱信息。高光谱异常目标智能检测方法不依赖于目标先验知识，根据光谱像元是否符合背景统计特性从而将异常目标检测出来，因此研究具有较强实用性和普适性的高光谱异常目标智能检测方法是国内外的研究热点之一。

传统的异常目标检测方法往往采用传统的向量和矩阵等数据表示形式，以光谱向量为处理单位的，即将像元中各波段灰度值排列为光谱特征向量，把整个图像张成二维矩阵。这种方法能够有效刻画像元的光谱特性，但弱化了影响局部区域的结构、纹理征等空间特征，破坏了高光谱原始数据的“图谱合一”结构，在处理过程中，高光谱数据的本质没有得到很好描述和充分挖掘潜在特性。

张量是向量和矩阵的更高阶推广，张量表示的优点在于它能够保留不同维度的空间几何信息，如图像的大小、面积、方向、位置、形状、曲率等。张量表示所提供的分解和运算机制有益于大规模数据样本的处理与分析，张量分解可以将计算复杂度较大的复杂问题转化为一系列小规模简单子问题来求解，这有利我们挖掘高维数据的本质特征。

目前的张量分解算法基本上都是假设各向同性，各个模态上的因子矩阵的构造方式是一样的，例如正交约束、非负约束，实际中这个构造方法具有局限性，不能真实表现出各个维度上的真实特性，高维张量数据在不同维度上表现不一样的特征信息。

发明内容

本发明的目的在于提供一种稳定、精度高的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法。

实现本发明目的的技术解决方案为：一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法，包括以下步骤：

步骤1，根据高阶奇异值分解构建空间维因子矩阵，提取高光谱图像的空间维度信息；

步骤2，用聚类算法对高光谱数据的所有像元进行 k个类别归类，采用最大P方法构造背景字典，即去除聚类簇中像元数目少于P的像元，剩下的像元按每一簇进行计算其核空间异常指标，从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子；

步骤3，建立基于鲁棒光谱协方差距离正则化的高光谱图像异常目标检测模型，构造拉格朗日方程，逐步迭代求解某一个变量同时固定其余变量，求解异常目标检测模型，根据所求得的解得到异常目标。