[发明专利]基于空谱深度协同的高光谱异常检测方法

权利要求书

1.一种基于空谱深度协同的高光谱异常检测方法，其特征在于，包括如下步骤：

(1)对输入的高光谱图像进行预处理：

对高光谱图像进行归一化操作，得到归一化后的高光谱二维图像同时通过二维卷积自编码网络对高光谱图像X进行特征提取，并对所提取的空间特征进行归一化操作，得到归一化后的空间特征其中，M、N和B分别表示X的行像素数、列像素数和光谱波段数，表示实数集，i＝1,2,...,L，L＝M×N，D表示空间特征的波段数，x_i表示第i个像素，x_i′表示x_i对应的归一化结果，y_i表示x_i对应的空间特征，y_i′表示y_i对应的归一化后的空间特征；

(2)构建基于空谱深度协同的高光谱异常检测模型O：

(2a)构建基于空谱深度协同的高光谱异常检测模型O的结构：

构建包括级联的增广自编码器、空谱深度协同的特征融合器和估计网络Est(·)的高光谱异常检测模型O，其中：

增广自编码器包括并行排布的光谱自编码器和空间特征自编码器；光谱自编码器包括参数为θ_en1的编码器En(·；θ_en1)和参数为θ_de1的解码器Dn(·；θ_de1)，空间特征自编码器包括参数为θ_en2的编码器En(·；θ_en2)和参数为θ_de2的解码器Dn(·；θ_de2)，En(·；θ_en1)、Dn(·；θ_de1)、En(·；θ_en2)和Dn(·；θ_de2)采用包含多个通道数不同的全连接层和tanh激活函数的神经网络；

估计网络采用包含多个通道数不同的全连接层和tanh激活函数、参数为θ_est的神经网络；

(2b)定义高光谱异常检测模型O的损失函数Loss：

其中，λ₁、λ₂和λ₃表示超参数，z_i表示x_i对应的增广低维表征，E(z_i)表示z_i的负对数似然值，表示x_i′对应的重构矩阵，表示y′_i对应的重构矩阵，r_i表示z_i对应的混合概率，K表示高斯分布混合分量数，和分别表示第k个高斯混合分量的混合权重、均值和协方差矩阵，k＝1,2,...,K，K≥2，r_ik表示r_i的第k列的元素，J表示协方差矩阵的行数，表示的第j行第j列的元素，||·||表示1范数，|·|表示求行列式运算，(·)^T表示转置运算，(·)^-1表示求逆运算；

(3)对高光谱异常检测模型O进行迭代训练：

(3a)初始化迭代次数为t，最大迭代次数为T，T≥20，当前高光谱异常检测模型为O^t，并令t＝0，O^t＝O；

(3b)将归一化后的高光谱二维图像X′和空间特征Y'作为高光谱异常检测模型O^t的输入进行前向传播：

(3b1)增广自编码器中的光谱自编码器、空间特征自编码器分别对X′、Y'进行降维，得到X′对应的低维表征和重构矩阵以及Y'对应的低维表征和重构矩阵其中，c_xi表示x_i′对应的低维表征，c_yi表示y′_i对应的低维表征，H表示低维表征的波段数；

(3b2)空谱深度协同的特征融合器对X′对应的低维表征C_x和重构矩阵以及Y'对应的低维表征C_y和重构矩阵进行特征融合，得到增广低维表征z_i的表达式为：

其中，α表示超参数，[·]表示按照波段维度堆叠，MSE(·)表示均方误差,OPD(·)表示正交投影散度；

(3b3)估计网络对增广低维表征Z进行密度估计，得到Z对应的混合概率

(3c)采用损失函数Loss，并通过增广低维表征Z和混合概率R计算当前高光谱异常检测模型O^t的损失值，再采用BP算法，通过该损失值计算O^t的梯度信息grad，然后采用学习率为1e-4的Adma优化器，通过梯度信息grad对参数θ_en1、θ_de1、θ_en2、θ_de2和θ_est进行更新；

(3d)判断t＝T是否成立，若是，得到训练好的高光谱异常检测模型O^*，否则，令t＝t+1，并执行步骤(3b)；

(4)获取高光谱图像的异常检测结果：

计算每个增广低维表征z_i对应的负对数似然值E(z_i)，并将E(z_i)作为Z对应的高光谱图像X中第i个像素x_i的异常程度，得到X的异常检测结果