[发明专利]一种高光谱异常检测方法及计算机装置

权利要求书

1.一种高光谱异常检测方法，其特征在于，所述方法包括：

S1、获取待处理的高光谱图像；

S2、将所述待处理的高光谱图像输入训练好的深度学习网络得到检测结果；

所述训练好的深度学习网络包括特征提取网络和异常检测网络；

所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图；

所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值；

其中，预先采用高光谱图像的训练数据对深度学习网络中的特征提取网络和异常检测网络进行联合训练以获取训练好的深度学习网络。

2.根据权利要求1所述的方法，其特征在于，

所述特征提取网络包括：

对抗自编码器AAE，用于根据输入特征提取网络的高光谱图像生成重建图像，并根据输入特征提取网络的高光谱图像和所述重建图像生成残差图像；

自注意力机制模块，用于基于残差图像和输入特征提取网络的高光谱图像输出高光谱图像的全局相关特征，并得到包含所述全局相关特征的特征图Z；

所述高光谱图像的全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性；

局部特征提取网络，用于根据包含所述全局相关特征的特征图Z

提取局部特征，输出融合了全局相关特征和局部特征的高光谱图像的特征图。

3.根据权利要求2所述的方法，其特征在于，在S1之前还包括：

S00、获取高光谱图像的训练数据；

S01、将所述高光谱图像的训练数据输入到深度学习网络中的对抗自编码器AAE中，所述对抗自编码器AAE针对所述高光谱图像的训练数据进行编码-解码处理，得到所述高光谱图像的训练数据的重建图像；

S02、基于所述高光谱图像的训练数据和所述重建图像，得到相应的残差图像；

S03、将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块，所述自注意力机制模块采用自注意力机制提取所述高光谱图像的训练数据的全局相关特征，并得到包含所述全局相关特征的特征图Z；

S04、将包含所述全局相关特征的特征图Z输入至局部特征提取网络中，局部特征提取网络提取所述高光谱图像的训练数据的局部特征，输出融合了全局相关特征和局部特征的高光谱图像的特征图；

S05、将所述高光谱图像的特征图输入异常检测网络中，输出高光谱图像的特征图中每一像素点的异常分数值；

所述异常检测网络为超平面学习层；

S06、重复S01-S06直至异常检测网络中预先设定的损失函数收敛以达到，得到训练好的深度学习网络。

4.根据权利要求3所述的方法，其特征在于，

所述对抗自编码器AAE包括：编码器E、解码器De和特征判别器Dz、残差单元；

其中，编码器E用于将输入对抗自编码器AAE中的高光谱图像映射到隐层空间得到隐变量z；

在AAE编码-解码的过程中，重建损失函数使用huberloss；

特征判别器Dz用于采用损失函数Wgan-gp对隐变量z的数据分布进行约束，使其满足高斯分布；

其中，所述损失函数Wgan-gp为：

其中，为高斯采样数据；

P_gauss是高斯采样数据所属的高斯分布；

P_E为隐层空间的数据分布；

代表经过Dz的输出结果；

Dz(z)代表隐变量z经过Dz的输出结果；

t为对定义在为沿P_gauss和P_E采样点对之间的直线空间P_t的均匀采样；

E[*]代表的是数学期望函数；

解码器De用于对隐变量z进行重建得到重建图像；

残差单元，用于根据输入对抗自编码器AAE中的高光谱图像与重建图像做残差得到残差图像；

其中，

其中，X为输入对抗自编码器AAE中的高光谱图像；

为重建图像；

R为残差图像。