[发明专利]高光谱图像目标异常检测方法、系统、终端及存储介质

说明书

一种高光谱图像目标异常检测方法、系统、终端及存储介质，检测方法包括以下步骤：通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重；对于每个波段具有一个合适的权重的高光谱图像，通过最大互相关熵协作表示得出像素异常得分，通过设置合适阈值选择出异常像素。本发明通过对高光谱图像的不同波段自适应赋予不同权重，能够有效避免波段噪声与异常像素点段对于检测准确度的影响，提高算法的鲁棒性。本发明目标函数构建的是联合函数，同时求解波段权重和邻域像素点权重，使用迭代求解算法高效求解，避免了单独学习二者其中一个可能带来的次优解问题。本发明能够有效的提高准确率。

技术领域

本发明属于遥感图像处理领域，具体涉及一种高光谱图像目标异常检测方法、系统、终端及存储介质。

背景技术

高光谱图像拥有众多的光谱域，可以提供地球表面的大量光谱信息和空间信息，由于高光谱图像的良好检测性能，它被广泛的应用于场景分类、混合、聚类、变化检测和目标检测等领域。高光谱图像的应用之一—高光谱异常检测已经是当前研究的热点之一，目前高光谱异常检测被广泛应用于军事和民用领域，并已经取得了不错的效果。高光谱异常检测是一种无监督的二分类问题，不需要先验知识。在高光谱异常检测中，将光谱与其周围的光谱显著不同的对象视为异常，将整个图像中除异常以外的对象定义为背景。

当前已有的很多方法都可以完成高光谱异常检测。Reed-Xiaoli(RX)算法基于像素与背景之间的Mahalanobis距离，并假设使用多元高斯背景分布来识别异常，详细的又分为使用整个图像建模背景的GRX和使用局部双窗口进行建模的LRX。后来又有学者提出了非线性版本的RX(KRX)，KRX通过非线性映射函数扩展到与原始输入空间相关的特征空间。由于KRX存在目标污染背景的问题，又有学者基于此问题对算法进行了改进，提出了在内核空间中使用鲁棒回归分析的鲁棒性非线性异常检测算法(RNAD)。基于协作表示的检测器(CRD)在后来被提出并被广泛使用。CRD假设背景中的每个像素都可以使用其邻域像素进行近似，而异常像素则不能。假设背景像素是相邻像素的线性组合，并且通过最小化范数来增强协作表示。当前已有基于RX的检测器都是假定背景是均匀的，并使用多元高斯分布进行建模。但是实际情况中往往无法满足此假设，这将导致准确率下降。

除此以外，由于高光谱图像在获取时并不能完全屏蔽噪声和异常的干扰，因此在高光谱图像中某个波段可能会存在噪声和异常像素点。CRD以及其派生算法都是假设每个波段都具有相同的重要性，这样的假设对于噪声波段的鲁棒性将会很差，从而降低异常检测的效果。

相关文献：

【1】Reed I S,Yu X.Adaptive multiple-band CFAR detection of an opticalpattern with unknown spectral distribution[J].IEEE Transactions on Acoustics,Speech,and Signal Processing,1990,38(10):1760-1770.

【2】Molero J M,Garzón E M,García I,et al.Analysis and optimizations ofglobal and local versions of the RX algorithm for anomaly detection inhyperspectral data[J].IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2013,6(2):801-814.

【3】Kwon H,Nasrabadi N M.Kernel RX-algorithm:Anonlinear anomalydetector for hyperspectral imagery[J].IEEE transactions on Geoscience andRemote Sensing,2005,43(2):388-397.