[发明专利]基于FPGA的高光谱图像异常检测系统

说明书

本发明公开了一种基于FPGA的高光谱异常检测系统，主要解决在卫星遥感应用条件下现有技术检测速度慢，计算成本高的问题。该系统是在FPGA上设置包括5个功能单元的深度流水架构，其中：特征融合单元，用于进行光谱合并，以降低高光谱图像维度；特征定位单元，用于对降维后的图像进行形态学开重建和闭重建，以定位不同于背景的特征；特征提取单元，用于对开重建和闭重建结果进行差分计算，以提取异常信息；特征聚类单元，用于进行修正自引导滤波，完成对异常特征聚类；数据输出单元，对聚类结果加权求和，得到高光谱图像的预检测结果。本发明检测精度高、处理速度快、资源消耗低，可用于卫星遥感条件下从高光谱图像中实时获取异常目标。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种图像异常检测方法，可用于卫星遥感应用条件下从高光谱图像中实时获取异常目标。

背景技术

高光谱异常检测技术的目标是在没有目标光谱特征的先验知识条件下，识别在空间或者光谱上与周围环境完全不同的感兴趣目标。由于异常检测的过程可以不依赖于大气校正和辐射校正等复杂的预处理过程，因而更适合高光谱图像的星上实时处理场景，在农业、人员搜索与救援、军事目标侦察等领域都有非常重要的应用。

Kwon在其发表的论文“Kernel RX-algorithm:A nonlinear anomaly detectorfor hyperspectral imagery”(IEEE地球科学与遥感汇刊TGRS IEEE Transactions OnGeoscience And Remote Sensing期刊论文2005年)提出将原始高光谱数据的光谱信号非线性映射到高维特征空间中，使得在原始空间中线性不可分的成分经过非线性映射到高维特征空间后线性可分，从而更好地分离背景和目标信息。然而，这种技术所采用的高阶Gram矩阵以及矩阵求逆所带来的高计算复杂度给硬件实现带来了巨大难度。

Xudong Kang在其发表的论文“Hyperspectral Anomaly Detection WithAttribute and Edge-Preserving Filters”(IEEE地球科学与遥感汇刊TGRS IEEETransactions On GeoscienceAnd Remote Sensing期刊论文2017年)中提出了一种基于属性滤波和边缘保持滤波的高光谱异常检测方法AED。该方法在光谱特征提取的过程中进一步利用了高光谱图像的空间信息。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，然后通过基于空间属性的形态学属性滤波器提取具有特定面积属性的异常候选，最后使用域变换递归滤波器进行边缘保留及平滑，得到最终的检测结果。然而，该方法所采用的降维方法以及全局的基于树表示的形态学属性滤波技术在硬件实现上都十分困难。

目前大多数广泛使用的高光谱异常检测方法尽管在检测精度上表现出色，但是这些方法往往采用大规模复杂的矩阵计算，比如矩阵的协方差、矩阵的逆、特征值求解等，这样的高计算复杂度给星上实时检测带来了更大的难度。

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FPGA的低复杂度高光谱异常检测系统，以避免复杂耗时的大规模矩阵运算，并进一步提升高光谱图像异常检测精度，便于星上实时检测。

为实现上述目的，本发明基于FPGA的高光谱图像异常检测系统，是在FPGA上设置深度流水架构，其特征在于，包括：

特征融合单元，用于对通过AXI互联总线从片外存储器读取的高光谱图像进行光谱合并，以降低高光谱图像的维度，并将光谱合并后的结果传输至特征定位单元；

特征定位单元，用于对特征融合单元的光谱合并结果进行形态学开重建和形态学闭重建，以定位不同于背景的特征，并将形态学开重建后的结果和形态学闭重建后的结果传输至特征提取单元；

特征提取单元，用于对特征定位单元的形态学开重建结果和形态学闭重建结果进行差分操作，以提取异常信息，并将差分结果传输至特征聚类单元；