基于像素选择过程的高光谱图像异常目标检测方法技术

本发明专利技术提供一种基于像素选择过程的高光谱图像异常目标检测方法，包括以下步骤：1】对高光谱图像进行归一化预处理，并设定检测窗口尺寸；2】采用滑动窗口技术，获得待检测高光谱图像块X，X∈RN×D；其中，R是实数空间，N是图像块中的像素点数目，D是高光谱数据的光谱波段数；3】计算每个像素点Xi的重构误差εi；4】构建顶点-边缘权重图；5】构建像素选择过程模型；6】重复步骤2】-步骤5】，直至完成整幅高光谱图像异常目标的检测，获得最终的异常概率图。该高光谱图像异常目标的检测方法，解决了现有的检测技术需要对背景分布进行假设，适应性差，背景与目标的差异性不足，检测能力低的技术问题。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及一种针对高光谱图像进行异常目标检测的方法。
技术介绍
高光谱图像包含丰富的光谱信息，能够为地物目标微小差异的识别提供辨别性线索。而高光谱图像的异常目标检测正是基于此特性的典型应用，其主要目的是识别图像场景中显著偏离背景光谱特性的目标。这种检测实质是一种二分类问题，即将待观测的像素分类为背景或目标。与有监督的目标检测问题不同，高光谱的异常目标检测没有任何关于目标或背景的先验光谱信息，其仅仅依靠对所设定的参考背景进行建模，寻找不满足背景模型分布的点，进而定义为异常。由于这样的技术特性相比于有监督的目标检测更符合实际情况，因而已经被应用在很多领域，如精准农业，公共安全，智能防御等。目前，根据对背景分布不同的假设，高光谱图像的异常检测算法可以分为两类。一是基于均匀光谱分布假设的异常检测。这种方法假设整个背景服从均匀的光谱分布，具有代表性的算法就是由Reed和Yu等在文献“I.Reed and X.Yu.Adaptive Multiple-band CFAR Detection of An Optical Pattern with Unknown Spectral Distribution.IEEE Transactions on Acoustics,Speech and Signal Processing,38(10):1760–1770,1990”提出的RX算法。该方法假设背景服从相同的多元正态分布，利用马氏距离衡量待检测像素与背景光谱分布的偏离程度。该方法存在两点不足：第一点是高斯分布不能准确地描述真实的高光谱数据，其主要原因来源于由地表材料的多样性和信号获取过程的干扰性所造成的高光谱图像复杂的分布特性；第二点是小样本问题，利用较小数量的样本进行高维背景协方差矩阵的计算，会导致病态矩阵处理问题。研究者也相继提出很多方法克服RX算法存在的问题。一类是RX算法的变种，但是由于其本质的假设没有改变，所以固有的问题还是存在；另一类是基于核理论的算法，将数据映
射到高维特征空间增强目标与背景的辨别性，但是较高的计算负担依然是该类核算法难以突破的瓶颈。二是基于多类光谱分布假设的异常检测。这种方法假设复杂的背景包含多类不同的分布。典型的技术路线是先分别评估不同类别的信息，然后综合分析，其代表性的算法Carlotto在文献“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”提出的基于聚类的检测方法。该算法首先利用聚类算法将高光谱图分割成几类，然后在每一类利用原始的RX算法实现异常目标的检测。这类算法的检测性能依赖于聚类数目的设定：当聚类数目低于真实数据聚类数目，会导致类间的差异性降低，检测性能下降；当聚类数目高于真实数据聚类数目，会导致异常目标被误分为一类，造成不可检测。
技术实现思路
本专利技术目的是提供一种高光谱图像异常目标的检测方法，解决了现有的检测技术需要对背景分布进行假设，适应性差，背景与目标的差异性不足，检测能力低的技术问题。本专利技术的技术解决方案是：一种基于像素选择过程的高光谱图像异常目标检测方法，包括以下步骤：1】对高光谱图像进行归一化预处理，并设定检测窗口尺寸；2】采用滑动窗口技术，获得待检测高光谱图像块X，X∈RN×D；其中，R是实数空间，N是图像块中的像素点数目，D是高光谱数据的光谱波段数；3】计算每个像素点Xi的重构误差εi：3.1】在高维数据空间，寻找图像块X中每个像素点Xi的K个最近邻；3.2】进行局部线性表示，最小化重构误差计算得到线性权重系数3.3】保持局部嵌入关系不变，通过线性变换，将高维空间数据Xi映射到低维向量空间Yi∈Rd；最小化损失函数计算得到每个像素点的重构误差εi；4】构建顶点-边缘权重图：将图像块Xi中的每一个像素点作为图模型中的顶点V，将重构误差εi作为顶点权重，利用公式计算得到图像块中任意两点之间的欧式距离aij，作为连接它们的边缘权重，完成图模型的构建；5】构建像素选择过程模型：5.1】利用顶点权重和边缘权重值计算相似矩阵其中Π＝diag(ε)；构建像素选择目标函数： max 1 2 P T A ^ P ]]>s.t.P∈Δ其中P是异常概率向量，它的每一个元素表示图像块每一中像素点的异常概率，满足Δ＝{P≥0,1TP＝1本文档来自技高网...

【技术保护点】
一种基于像素选择过程的高光谱图像异常目标检测方法，其特征在于：包括以下步骤：1】对高光谱图像进行归一化预处理，并设定检测窗口尺寸；2】采用滑动窗口技术，获得待检测高光谱图像块X，X∈RN×D；其中，R是实数空间，N是图像块中的像素点数目，D是高光谱数据的光谱波段数；3】计算每个像素点Xi的重构误差εi：3.1】在高维数据空间，寻找图像块X中每个像素点Xi的K个最近邻；3.2】进行局部线性表示，最小化重构误差计算得到线性权重系数wij；3.3】保持局部嵌入关系不变，通过线性变换，将高维空间数据Xi映射到低维向量空间Yi∈Rd；最小化损失函数计算得到每个像素点的重构误差εi；4】构建顶点‑边缘权重图：将图像块Xi中的每一个像素点作为图模型中的顶点V，将重构误差εi作为顶点权重，利用公式计算得到图像块中任意两点之间的欧式距离aij，作为连接它们的边缘权重，完成图模型的构建；5】构建像素选择过程模型：5.1】利用顶点权重和边缘权重值计算相似矩阵其中Π＝diag(ε)；构建像素选择目标函数：s.t.P∈Δ其中P是异常概率向量，它的每一个元素表示图像块每一中像素点的异常概率，满足Δ＝{P≥0,1TP＝1}；5.2】利用复制动态算法求解像素选择目标函数；给定初始值通过一阶复制方程的离散时间形式，即公式pi(t+1)=pi(t)(A^P(t))iP(t)TA^P(t),i=1,...,N]]>进行迭代计算，当迭代收敛时，近似的稳定解等于局部解；5.3】求解得到向量P，其包含的每个元素对应所处理的图像块中每个像素点的异常概率。6】重复步骤2】‑步骤5】，直至完成整幅高光谱图像异常目标的检测，获得最终的异常概率图。...

【技术特征摘要】
1.一种基于像素选择过程的高光谱图像异常目标检测方法，其特征在于：包括以下步骤：1】对高光谱图像进行归一化预处理，并设定检测窗口尺寸；2】采用滑动窗口技术，获得待检测高光谱图像块X，X∈RN×D；其中，R是实数空间，N是图像块中的像素点数目，D是高光谱数据的光谱波段数；3】计算每个像素点Xi的重构误差εi：3.1】在高维数据空间，寻找图像块X中每个像素点Xi的K个最近邻；3.2】进行局部线性表示，最小化重构误差计算得到线性权重系数wij；3.3】保持局部嵌入关系不变，通过线性变换，将高维空间数据Xi...

【专利技术属性】
技术研发人员：袁媛，王琦，马单丹，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：陕西;61