[发明专利]一种基于空-谱联合显著性特征表达的高光谱异常检测方法

权利要求书

1.一种基于空-谱联合显著性特征表达的高光谱图像的异常检测方法，其特征在于，包括如下步骤：

步骤1，对原始高光谱图像采用双窗口结构进行背景估算，计算局部背景和待测像素之间的光谱距离；

步骤2，通过滑动双窗口结构计算每一个像素对应光谱维度与周围背景之间的相对光谱差异，得到初始光谱特征图；

步骤3，通过主成分分析法，去除原始高光谱图像中的冗余信息得到多个波段的降维后图像，然后对多个波段的降维后图像进行加权融合，得到融合的降维后图像；

步骤4，对融合的降维后图像，采用全变分曲率滤波进行能量最小化计算，获得高光谱初始空间特征图，即二维地物分布特征图；

步骤5，将步骤2得到的初始光谱特征图与步骤4得到的高光谱初始空间特征图进行融合，获得高光谱空-谱初始联合特征图；

步骤6，采用基于前后文感知的高光谱显著性异常特征检测方法对步骤5得到的高光谱空-谱初始联合特征图中的目标进行检测，得到检测结果。

2.根据权利要求1所述基于空-谱联合显著性特征表达的高光谱图像的异常检测方法，其特征在于，所述步骤1，原始高光谱图像Y∈R^M×N×B中坐标(i,j)处像素，对应光谱曲线为l，以该点为中心点引入双窗结构，求取内外窗口之间像素的平均光谱曲线l_mean，按如下公式计算l与l_mean之间的光谱距离即局部背景与待测像素之间的光谱距离d(X,Y)，作为(i,j)处像素对应初始光谱特征值：

其中，M表示高光谱图像中包含的行数，N表示高光谱图像中包含的列数，B为波段数，X，Y为两个不同向量，n为向量包含维度数，一维向量X＝[x₁,x₂,x₃,…,x_k,…,x_n]、Y＝[y₁,y₂,y₃,…,y_k,…,y_n]，num为自适应权重系数，根据下式确定num的值：

3.根据权利要求2所述基于空-谱联合显著性特征表达的高光谱图像的异常检测方法，其特征在于，所述步骤2中，在对每一个像素依次完成计算之后，得到一个二维特征矩阵，即初始光谱特征图R_spectrum∈R^M×N。

4.根据权利要求1所述基于空-谱联合显著性特征表达的高光谱图像的异常检测方法，其特征在于，所述步骤3，包括：

步骤3.1，采用PCL降维算法对原始高光谱图像进行降维处理，降维后数据维数为m，m个特征向量对应m个最大特征值，分别为{λ₁,λ₂,…,λ_m}，特征矩阵中对应特征向量{W₁,W₂,…,W_m}组成新的投影矩阵；

步骤3.2，利用步骤3.1中得到的投影矩阵与原始高维数据计算得到相应m个二维图像，即前m个主成分{Y₁,Y₂,…,Y_m}，也即m个波段的降维后图像，其包含了原始高光谱图像中的大部分特征；

步骤3.3，根据下式，对m个波段的降维后图像根据其对应特征值大小进行加权融合，得到融合的降维后图像，即具有代表性的二维地物分布初始特征图Y_final：

5.根据权利要求4所述基于空-谱联合显著性特征表达的高光谱图像的异常检测方法，其特征在于，所述步骤3.1，降维后数据维数m根据特征值对应向量信息量贡献大小选择，当前m个最大特征值对应主成分累积信息贡献率达到设定阈值之后，保留这m个主成分数据，从而完成数据降维。

6.根据权利要求4所述基于空-谱联合显著性特征表达的高光谱图像的异常检测方法，其特征在于，所述阈值为97％。

在本算法中，当前m个特征值累加大于97％时，不再继续保留后续较低特征值对应主成分数据，即保留前m个累计信息贡献率达到97％以上的主成分数据。