[发明专利]一种高光谱异常检测方法及计算机装置

说明书

本发明涉及一种高光谱异常检测方法及计算机装置，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。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种高光谱异常检测方法及计算机装置。

背景技术

高光谱图像是一个三维图像矩阵，能够同时包含目标的光谱特征信息和空间特征信息，光谱分辨率很高，具有强大的空间-光谱信息表达能力，在地物分类、变化检测、目标检测等领域有着广泛的应用。根据目标的光谱信息是否已知，高光谱图像的目标检测可以分为匹配目标检测与异常检测。高光谱图像的异常检测可以在不使用目标先验信息的情况下将图像中的像素分为异常与背景两类，通常情况下，目标的先验信息很难获取，因此高光谱图像异常检测的应用更加广泛。经典的异常检测算法RX算法是一种基于背景建模的方法，该算法通过假设高光谱图像的背景符合高斯分布，利用整幅图像的均值与协方差矩阵来建立背景的统计模型，然后再通过衡量待测像素光谱与背景光谱分布之间的马氏距离来检测异常。CRD算法是一种基于协同表达的异常检测算法，该算法通过滑动双窗口构建背景字典，利用背景字典中的元素的线性组合来表达每个像素，由于背景和异常属于不同的簇，背景像素的再表达会由于异常像素，因此再表达图像与原图像的残差就是异常。现有的SAFL算法是一种基于深度学习的算法，该算法利用对抗自编码器提取高光谱图像的光谱特征，然后利用波段融合方法融合光谱特征得到空间特征，再利用空间特征增强原始高光谱图像中的异常目标，最后利用RX检测器公式求解高光谱图像中的异常值，进而得到高光谱图像的检测结果图。

但是，RX算法假设高光谱图像的背景符合高斯分布，这一假设过于理想化，实际上的高光谱图像背景并不严格服从于高斯分布，并且当背景复杂时，高光谱图像的背景可能是由多种不同的分布构成的，在这些情况下，依然将高光谱图像背景假设为理想的高斯分布并不合理，会导致背景估计的准确率低，检测结果误检率高、检测精度差。CRD算法在利用滑动双窗口构建背景字典时，窗口大小需要人为预先设置，由于缺乏目标的先验知识，因此无法预先知道窗口的最优大小，这会对检测结果造成一定的影响。并且在构建背景字典时值利用了局部的信息而没有考虑全局的信息，这会导致特征利用率低、背景可靠性低。这种方法由于需要重复计算还存在计算量大，耗时长的缺点。SALF算法利用深度神经网络进行高光谱图像特征的提取，在最终的特征图上只是使用了RX检测器进行异常检测，深度神经网络训练好的目标函数未将特征提取部分与后续的异常检测器部分联合优化，使得特征提取部分与异常检测部分本质上是分离的，导致深度神经网络无法发挥最大优势。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种高光谱异常检测方法及计算机装置。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明实施例提供一种高光谱异常检测方法，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；