基于像素選擇過程的高光譜圖像異常目標檢測方法
【專利摘要】本發(fā)明提供一種基于像素選擇過程的高光譜圖像異常目標檢測方法，包括以下步驟：1】對高光譜圖像進行歸一化預處理，并設(shè)定檢測窗口尺寸；2】采用滑動窗口技術(shù)，獲得待檢測高光譜圖像塊X，X∈RN×D；其中，R是實數(shù)空間，N是圖像塊中的像素點數(shù)目，D是高光譜數(shù)據(jù)的光譜波段數(shù)；3】計算每個像素點Xi的重構(gòu)誤差εi；4】構(gòu)建頂點-邊緣權(quán)重圖；5】構(gòu)建像素選擇過程模型；6】重復步驟2】-步驟5】，直至完成整幅高光譜圖像異常目標的檢測，獲得最終的異常概率圖。該高光譜圖像異常目標的檢測方法，解決了現(xiàn)有的檢測技術(shù)需要對背景分布進行假設(shè)，適應性差，背景與目標的差異性不足，檢測能力低的技術(shù)問題。
【專利說明】
基于像素選擇過程的高光譜圖像異常目標檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體設(shè)及一種針對高光譜圖像進行異常目標檢測 的方法。
【背景技術(shù)】
[0002] 高光譜圖像包含豐富的光譜信息，能夠為地物目標微小差異的識別提供辨別性線 索。而高光譜圖像的異常目標檢測正是基于此特性的典型應用，其主要目的是識別圖像場 景中顯著偏離背景光譜特性的目標。運種檢測實質(zhì)是一種二分類問題，即將待觀測的像素 分類為背景或目標。與有監(jiān)督的目標檢測問題不同，高光譜的異常目標檢測沒有任何關(guān)于 目標或背景的先驗光譜信息，其僅僅依靠對所設(shè)定的參考背景進行建模，尋找不滿足背景 模型分布的點，進而定義為異常。由于運樣的技術(shù)特性相比于有監(jiān)督的目標檢測更符合實 際情況，因而已經(jīng)被應用在很多領(lǐng)域，如精準農(nóng)業(yè)，公共安全，智能防御等。
[0003] 目前，根據(jù)對背景分布不同的假設(shè)，高光譜圖像的異常檢測算法可W分為兩類。
[0004] 一是基于均勻光譜分布假設(shè)的異常檢測。運種方法假設(shè)整個背景服從均勻的 光譜分布，具有代表性的算法就是由Reed和化等在文獻"I. Reed and X.化.Adaptive Multiple-band CFA民 Detection of An Optical Pattern with Unknown Spectral Distribution. IEEE Transactions on Acoustics，Speech and Signal Process! ng，38 (10) : 1760 - 1770, 1990"提出的RX算法。該方法假設(shè)背景服從相同的多元正態(tài)分布， 利用馬氏距離衡量待檢測像素與背景光譜分布的偏離程度。該方法存在兩點不足：第一點 是高斯分布不能準確地描述真實的高光譜數(shù)據(jù)，其主要原因來源于由地表材料的多樣性和 信號獲取過程的干擾性所造成的高光譜圖像復雜的分布特性；第二點是小樣本問題，利用 較小數(shù)量的樣本進行高維背景協(xié)方差矩陣的計算，會導致病態(tài)矩陣處理問題。研究者也相 繼提出很多方法克服RX算法存在的問題。一類是RX算法的變種，但是由于其本質(zhì)的假設(shè) 沒有改變，所W固有的問題還是存在；另一類是基于核理論的算法，將數(shù)據(jù)映射到高維特征 空間增強目標與背景的辨別性，但是較高的計算負擔依然是該類核算法難W突破的瓶頸。 陽0化]二是基于多類光譜分布假設(shè)的異常檢測。運種方法假設(shè)復雜的背景包含多類不同 的分布。典型的技術(shù)路線是先分別評估不同類別的信息，然后綜合分析，其代表性的算法 Carlotto 在文獻"M. J. Carlotto. A Ccluster-based Approach for Detecting Man-made Objects and Changes in Imagery. IEEE Transactions on Geoscience and Remote Sensing, 43(2) :374 - 387, 2005"提出的基于聚類的檢測方法。該算法首先利用聚類算法 將高光譜圖分割成幾類，然后在每一類利用原始的RX算法實現(xiàn)異常目標的檢測。運類算法 的檢測性能依賴于聚類數(shù)目的設(shè)定：當聚類數(shù)目低于真實數(shù)據(jù)聚類數(shù)目，會導致類間的差 異性降低，檢測性能下降；當聚類數(shù)目高于真實數(shù)據(jù)聚類數(shù)目，會導致異常目標被誤分為一 類，造成不可檢測。

【發(fā)明內(nèi)容】

[0006]本發(fā)明目的是提供一種高光譜圖像異常目標的檢測方法，解決了現(xiàn)有的檢測技術(shù) 需要對背景分布進行假設(shè)，適應性差，背景與目標的差異性不足，檢測能力低的技術(shù)問題。 陽007] 本發(fā)明的技術(shù)解決方案是：
[0008] 一種基于像素選擇過程的高光譜圖像異常目標檢測方法，包括W下步驟：
[0009] 1】對高光譜圖像進行歸一化預處理，并設(shè)定檢測窗口尺寸；
[0010] 2】采用滑動窗口技術(shù)，獲得待檢測高光譜圖像塊X，X e 其中，R是實數(shù)空間， Ν是圖像塊中的像素點數(shù)目，D是高光譜數(shù)據(jù)的光譜波段數(shù)；
[0011] 3】計算每個像素點Xi的重構(gòu)誤差ε 1:
[0012] 3. 1】在高維數(shù)據(jù)空間，尋找圖像塊X中每個像素點Xi的Κ個最近鄰；
[0013] 3. 2】進行局部線性表示，最小化重構(gòu)誤差
計算得到線性 權(quán)重系數(shù)
[0014] 3. 3】保持局部嵌入關(guān)系不變，通過線性變換，將高維空間數(shù)據(jù)Xi映射到低維向量 空間YiG Rd;最小化損失函數(shù)
計算得到每個像素點的重構(gòu)誤差 ε 1; 陽01引 4】構(gòu)建頂點-邊緣權(quán)重圖：
[0016] 將圖像塊Xi中的每一個像素點作為圖模型中的頂點V，將重構(gòu)誤差ε 1作為頂點 權(quán)重，利用公式
計算得到圖像塊中任意兩點之間的歐式距離a，，作 為連接它們的邊緣權(quán)重，完成圖模型的構(gòu)建；
[0017] 5】構(gòu)建像素選擇過程模型：
[0018] 5. 1】利用頂點權(quán)重和邊緣權(quán)重值計算相似矩陣i = n ?Π ，其中Π =diag( ε );構(gòu) 建像素選擇目標函數(shù)：
[0019]
[0020] S. t. Ρ e Δ
[0021] 其中Ρ是異常概率向量，它的每一個元素表示圖像塊每一中像素點的異常概率， 滿足 A = {Ρ > 0,忡=U ;
[0022] 5. 2】利用復制動態(tài)算法求解像素選擇目標函數(shù)；給定初始值
通過一階 復制方程的離散時間形式，即公式
[0023]
[0024] 進行迭代計算，當?shù)諗繒r，近似的穩(wěn)定解等于局部解；
[00巧]5. 3】求解得到向量P，其包含的每個元素對應所處理的圖像塊中每個像素點的異 常概率。
[00%] 6】重復步驟2】-步驟5】，直至完成整幅高光譜圖像異常目標的檢測，獲得最終的 異常概率圖。
[0027] 步驟1中所述的檢測窗口包括內(nèi)窗口和外窗口；所述內(nèi)窗口為保護窗口，用于減 少異常目標的干擾；所述外窗口用于限定檢測范圍。
[0028] 本發(fā)明的優(yōu)點在于：
[0029] (1)本發(fā)明將流形學習技術(shù)與圖理論相結(jié)合，避免了對背景數(shù)據(jù)分布進行假設(shè)，提 局了算法應用性；
[0030] (2)本發(fā)明中構(gòu)建的頂點-權(quán)重圖，充分考慮了每個像素的特性W及與其他所有 像素的關(guān)系，能夠有效抑制數(shù)據(jù)中噪聲的干擾，提高異常目標的檢測能力。
【附圖說明】
[0031] 圖1為本發(fā)明基于像素選擇過程的高光譜圖像異常目標檢測方法的流程圖。
【具體實施方式】
[0032] 參照圖1，本發(fā)明的實現(xiàn)方法主要如下：
[003引 （1)采用滑窗策略，提取每次處理的圖像塊。
[0034] (la)首先對獲得的高光譜圖像進行歸一化預處理。然后，采用內(nèi)外窗口，（內(nèi)部 窗口作為保護窗口，減少異常目標的干擾；外部窗口，限定檢測范圍），提取高光譜圖像塊 X e RWXD，其中N是圖像塊中的像素點數(shù)目，D是高光譜數(shù)據(jù)的光譜波段數(shù)。
[00對 似采用流形學習技術(shù)，計算每個像素點的重構(gòu)誤差。
[0036] 姑）在高維空間，尋找圖像塊X中每個像素 Xi的K個最近鄰，并進行局部線性表 示，最小化重構(gòu)誤差
可W計算得到線性表示系數(shù)wf
[0037] (2b)保持局部嵌入關(guān)系不變，通過線性變換，將高維空間數(shù)據(jù)Xi映射到低維向量 空間Rd。最小化損失函I
可W計算得到每個像素點的重構(gòu) 誤差。
[0038] (3)構(gòu)建頂點-邊緣權(quán)重圖。
[0039] 將步驟（2b)中計算的重構(gòu)誤差ε，作為頂點權(quán)重。計算圖像塊中所有點之間的歐 式距離，作為圖中的邊緣連接兩個頂點。利用
得到最終的邊緣對稱權(quán) 重矩陣Α。 W40] (4)異常像素選擇過程，獲得異常概率圖，計算AUC值。
[0041] (4a)利用頂點權(quán)重和邊緣權(quán)重值計算相似矩陣/'?二rl·們（Π = diag(<'-'））。與子集 選擇類似，構(gòu)建像素選擇目標函數(shù)為：
[0042]
[0043] s. t. P e Δ，
[0044] 其中P是異常概率向量，它的每一個元素表示圖像塊每一中像素點的異常概率， 其滿足A =巧> 0, iTp = 1}。最大化目標函數(shù)，實際上對應的是為具有較大的頂點權(quán)重 和邊緣權(quán)重的頂點分配較大的概率，即越是異常的像素點將W較大的概率從所構(gòu)建的圖關(guān) 系中挑選出來。
[0045] (4b)利用復制動態(tài)算法求解像素選擇目標函數(shù)。給定初始值
通過一階 復制方程的離散時間形式，局部解可W通過
[0046]
[0047] 得到。當?shù)諗繒r候，近似的穩(wěn)定解等于局部解。最終從求解得到的向量P的 每個元素對應圖像塊中每個像素的異常概率，本發(fā)明從P中選出與滑窗中屯、待檢測像素所 對應的元素，作為該高光譜像素的異常概率。
[0048] 本發(fā)明的效果可W通過W下仿真實驗做進一步的說明。 W例 1.仿真條件 陽化0] 本發(fā)明是在中央處理器為Intel佩Core i3-21303.40GHZ、內(nèi)存16G、WINDOWS 8 操作系統(tǒng)上，運用MATLAB軟件進行的仿真。
[0051] 實驗中使用的實驗數(shù)據(jù)是從美國陸軍工程研究和開發(fā)中屯、的網(wǎng)站下載的HYDICE urban數(shù)據(jù)。該數(shù)據(jù)的光譜范圍為400-2500皿，包括210個波段。實驗中去除了低信噪比 和水汽吸收波段，保留了 160個光譜波段。同時，從原始圖像截取80X100的子圖進行異常 目標的檢測。 陽化引 2.仿真內(nèi)容
[0053] 按如下步驟用本發(fā)明方法進行人高光譜圖像的異常檢測：
[0054] 首先，在HYDICE urban數(shù)據(jù)，完成本發(fā)明算法（基于圖像素選擇）的實驗。為 了證明算法的有效性，綜合考慮算法的流形性、嶄新性和多樣性，選擇了 5個基準算 法 RX、GRX、RSAD、WSCF、SV孤進行比較。其中，GRX 在文獻"Z.化an,比 Sun, K. Ji, Z. Li, and Η. Zou. Local Sparsity Divergence for Hyperspectral Anomaly Detection. IEEE Geoscience and Remote SensingLetters, 11 (10):1697 - 1701，2014."有詳 細的介紹；RSAD 算法是文獻"B. Du and L Zhang. Random-selection-based Anomaly Detector for Hyperspectral Imagery.IEEE Transactions on Geoscience and Remote Sensing, 49 巧）：1578 - 1589, 2011，，提出的；啡5〔尸是文獻"^-]\16過11〇61，]\1 Guillaume,and S. Bourennane. Whitening Spatial Correlation Filtering for Hyperspectral Anomaly Detection. In Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing, 2005:333 - 336."提出的；SVDD 是文 南犬"A. Banerjee, P. Burlina,and C. Diehl.A Support Vector Method for Anomaly Detection in Hyperspectral Imagery. IEEE Transactions on Geoscienceand 民emote Sensing, 44巧）：2282 - 2291，2006"提出的。
[0055] 其次，將實驗中每種算法的檢測結(jié)果與地面真值進行比較，通過計算檢測率和虛 警率，繪制接受者操作特征曲線，進而計算接受者特征操作曲線下的面積值（AUC)，作為檢 測性能的衡量指標，結(jié)果如表1所示。
[0056] 表1高光譜異常檢測結(jié)果
[0057]
[005引從表1可見，本發(fā)明的檢測AUC值顯著地高于另外5種基準算法。本發(fā)明由于將 流形學習技術(shù)與圖理論相結(jié)合，避免了對背景數(shù)據(jù)分布進行假設(shè)，提高了算法應用性；本發(fā) 明構(gòu)建的頂點-權(quán)重圖，充分考慮了每個像素的特性W及與其他所有像素的關(guān)系，能夠有 效抑制數(shù)據(jù)中噪聲的干擾，提高異常目標的檢測能力，因此獲得了更好的檢測結(jié)果，進一步 驗證了本發(fā)明的先進性。
【主權(quán)項】
1. 一種基于像素選擇過程的高光譜圖像異常目標檢測方法，其特征在于：包括W下步 驟： 1】對高光譜圖像進行歸一化預處理，并設(shè)定檢測窗口尺寸； 2】采用滑動窗口技術(shù)，獲得待檢測高光譜圖像塊X，X G 其中，R是實數(shù)空間，N是 圖像塊中的像素點數(shù)目，D是高光譜數(shù)據(jù)的光譜波段數(shù)； 3】計算每個像素點Xi的重構(gòu)誤差e 1: 3. 1】在高維數(shù)據(jù)空間，尋找圖像塊X中每個像素點Xi的K個最近鄰； 3. 2】進行局部線性表示，最小化重構(gòu)誤！計算得到線性權(quán)重 系數(shù)W，； 3. 3】保持局部嵌入關(guān)系不變，通過線性變換，將高維空間數(shù)據(jù)Xi映射到低維向量空間YiG Rd;最小化損失函數(shù) 計算得到每個像素點的重構(gòu)誤差e 1; ， 4】構(gòu)建頂點-邊緣權(quán)重圖： 將圖像塊X;中的每一個像素點作為圖模型中的頂點V，將重構(gòu)誤差e 1作為頂點權(quán)重， 利用公式計算得到圖像塊中任意兩點之間的歐式距離曰1，，作為連接 它們的邊緣權(quán)重，完成圖模型的構(gòu)建； 5】構(gòu)建像素選擇過程模型： 5. 1】利用頂點權(quán)重和邊緣權(quán)重值計算相似矩聞；構(gòu)建 像素選擇目標函數(shù)：S. t. P G A 其中P是異常概率向量，它的每一個元素表示圖像塊每一中像素點的異常概率，滿足 A = {P > 0, fp = 1}; 5. 2】利用復制動態(tài)算法求解像素選擇目標函數(shù)；給定初始通過一階復制 方程的離散時間形式，即公式進行迭代計算，當?shù)諗繒r，近似的穩(wěn)定解等于局部解； 5. 3】求解得到向量P，其包含的每個元素對應所處理的圖像塊中每個像素點的異常概 率。 6】重復步驟2】-步驟5】，直至完成整幅高光譜圖像異常目標的檢測，獲得最終的異常 概率圖。2. 根據(jù)權(quán)利要求1所述的基于像素選擇過程的高光譜圖像異常目標檢測方法，其特征 在于：步驟I中所述的檢測窗口包括內(nèi)窗口和外窗口；所述內(nèi)窗口為保護窗口，用于減少異 常目標的干擾；所述外窗口用于限定檢測范圍。
【文檔編號】G06T7/00GK105989597SQ201510079650
【公開日】2016年10月5日
【申請日】2015年2月13日
【發(fā)明人】袁媛, 王 琦, 馬單丹
【申請人】中國科學院西安光學精密機械研究所