一种外窗可变的近景高光谱图像局部异常检测方法技术

本发明专利技术公开了一种外窗可变的近景高光谱图像局部异常检测方法，包括下述步骤：第一步：构建局部RX异常检测算子；第二步：进行数据降维；第三步：建立外窗可变的局部检测算法进行待检测点异常值的检测。本发明专利技术利用局部算子外窗尺寸的变化，动态地估计局部区域内背景数据的统计参数，建立准确的统计模型，从而提高局部异常检测算法的可靠性和精度。

【技术实现步骤摘要】
一种外窗可变的近景高光谱图像局部异常检测方法
本专利技术涉及近景高光谱图像数据处理过程中目标检测
，更具体地说，涉及一种通过外窗可变的方式实现对近景高光谱图像进行自适应异常目标检测的方法。
技术介绍
高光谱成像在400～2500nm的可见光和近红外波段中选取数百个连续谱段对场景进行观测，光谱分辨率可达到2～10nm。高光谱图像数据是一个“立方体”，具有“图谱合一”的性质，含有丰富的光谱信息，能够区分地物光谱的微小差别，对物质具有较强的鉴别能力，特别是通过多个光谱段的信息对比与分析，高光谱图像可以从复杂背景中精确地区分目标。异常检测是高光谱遥感图像中常用的目标检测方法，能够在不知道目标先验信息的情况下检测出目标，与需要目标先验信息的检测方法相比，适用范围更广。经典的RX异常检测算法自1990年被提出来以后，就得到了快速的发展，出现了多种RX算法的变种，如核RX算法、正则化RX算法、核加权RX算法等，RX算法业已成为高光谱图像异常检测领域的标准算法之一。理论上说，RX算法是一种局部算法，主要应用于高光谱遥感数据处理领域，而将遥感算法引用到近景测量中可能会面临一系列问题，其中最主要就是空间分辨率的变化。星载或机载遥感图像的空间分辨率一般不高(可达到米级)，而在近景测量中，图像的空间分辨率非常高(可达到毫米级)，这使得对物体的观察更精细，物体表面的微小变化都会在图像中有所体现，如表面褶皱和不均匀等。因此，在很小的局部区域内，光照变化的现象十分明显。在这种情况下，如果采用固定窗口的局部背景数据进行统计建模就存在不确定性，局部数据的统计特性往往不能用单一的统计模型进行拟合。
技术实现思路
为解决上述问题，本专利技术提供了一种外窗可变的近景高光谱图像局部异常检测方法，本专利技术利用局部算子外窗尺寸的变化，动态地估计局部区域内背景数据的统计参数，建立准确的统计模型，从而提高局部异常检测算法的可靠性和精度。为达到上述技术效果，本专利技术的技术方案是：一种外窗可变的近景高光谱图像局部异常检测方法，包括下述步骤：第一步：构建局部RX异常检测算子；第二步：进行数据降维；第三步：建立外窗可变的局部检测算法进行待检测点异常值的检测。进一步的改进，包括如下步骤：步骤一)构建局部RX算法，设H0表示目标存在，H1表示目标不存在，二元假设表示如下其中，y表示高光谱图像像元，n表示背景噪声向量，α＞0，α表示一个加权系数，s表示目标光谱向量；定义Y＝[y1,y2,…,yN]为包含N个像元的L×N的背景矩阵，第i个像元表示为yi＝[yi(1),yi(2),…,yi(L)]，L表示高光谱图像数据的波段数；背景和目标分布具有相同的协方差和不同的均值，分别服从多元正态分布y|H0～N(μ,K)和y|H1～N(μ+s,K)，其中，μ为背景Y的均值，K为协方差矩阵；则有：其中T表示矩阵转置；步骤二)根据上述公式，背景和目标的概率密度函数为：其中，p(y|H0)为条件概率密度，表示在H0成立的条件下y事件发生的概率密度，p(y|H1)表示在H1成立的条件下y事件发生的概率密度；e为自然函数，π为圆周率；L表示表示高光谱图像数据的波段数，K表示|K|代表K的行列式；步骤三)根据广义似然比检测得到RX算子：其中，RX(y)表示RX算子；步骤四)当像元数N趋于无穷时，进一步简化为；设阈值为η，如果RX(yi)≥η，则待检测位置存在目标，否则不存在目标。进一步的改进，所述局部RX算法则设置内、外两个窗，内窗的中心为待检测像元；两窗之间的像元集合作为背景数据，利用背景数据估算背景统计模型的均值和方差；内窗作为保护窗将待检测像元与背景分离。进一步的改进，所部第二步利用主成分分析法实现数据降维。进一步的改进，所述第三步包括如下步骤：设置3个背景层，即3个外窗，其中，最小外窗的大小大于参与计算的背景像元数量的10倍波段数，相邻两个外窗的直径步长为内窗的大小；设3个背景层分别为Q1,Q2,Q3，根据局部RX算法，外窗可变PCA-LRX检测的异常值为：式(7)中，d为待检测点，r为待检测点的异常值；k示可变外窗的个数，，从而得到待检测点的异常值r。附图说明图1为外窗可变高光谱局部异常检测的流程图；图2菠菜叶高光谱图像数据及异常点位置示意图；图3A为使用全局RX算法异常检测处理后所得到的投影图。图3B为使用局部RX(LRX)算法异常检测处理后所得到的投影图；图3C为使用PCA-LRX算法异常检测处理后所得到的投影图；图3D为使用外窗可变PCA-LRX算法异常检测处理后所得到的投影图；图4A为使用全局RX异常检测算法的投影图经直方图阈值分割后得到的二值图像。图4B为使用局部RX(LRX)异常检测算法的投影图经直方图阈值分割后得到的二值图像；图4C为使用PCA-LRX异常检测算法的投影图经直方图阈值分割后得到的二值图像；图4D为使用外窗可变PCA-LRX异常检测算法的投影图经直方图阈值分割后得到的二值图像；图5PCA-LRX和外窗可变PCA-LRX算法的ROC曲线对比图。具体实施方式以下通过具体实施方式并且结合附图对本专利技术的技术方案作具体说明。实施例1如图1所示的为本专利技术方法的流程图，输入近景高光谱图像数据，首先进行基于主成分分析的降维处理，将原始的高维数据转换为低维特征数据；然后根据异常点的空间尺寸确定局部异常检测的内窗大小；接下来根据数据特性，设置外窗变化值，通常选择三种变化值即可，原始外窗、一倍内窗大小的扩展外窗和两倍内窗大小的扩展外窗；再对每一个图像像元计算在不同外窗大小情况下的异常检测投影值，该投影值即为异常值；判断三种情况下异常值的大小，选择最大异常值作为最终检测结果，填入全局投影图；针对生成的全局投影图进行阈值分割，得到最终的目标分割结果。具体包括下述步骤：第一步：构建局部RX异常检测算子首先，构建局部RX算法。RX算法可以看成一个二元信号的检测问题。设H0表示目标存在，H1表示目标不存在，二元假设表示如下式(1)中，y表示高光谱图像像元，n表示背景噪声向量，当α＞0时，s表示目标光谱向量。定义Y＝[y1,y2,…,yN]为包含N个像元的L×N的背景矩阵，第i个像元表示为yi＝[yi(1),yi(2),…,yi(L)]，L表示高光谱图像数据的波段数。所设背景和目标分布具有相同的协方差和不同的均值，分别服从多元正态分布y|H0～N(μ,K)和y|H1～N(μ+s,K)，μ为背景Y的均值，K为协方差矩阵。根据以上假设，背景和目标的概率密度函数为：式(4)中，|K|代表K的行列式。根据广义似然比检测得到RX算子：当样本数N趋于无穷时，进一步简化为设阈值为η，如果RX(yi)≥η，则待检测位置存在目标，否则不存在目标。局部RX算法则需要设置内、外两个窗，内窗的中心为待检测像元；两窗之间的像元集合作为背景数据，利用这部分数据来估算背景统计模型的均值和方差；内窗作为保护窗将待检测像元与背景分离。两个窗口的大小由感兴趣目标的尺寸决定。第二步：利用主成分分析实现数据降维主成分分析(PCA)是高光谱图像数据中常用的一种数据降维方法，它是将原始图像线性投影到新的坐标轴上，并将投影得到的成分按照本身含有的信息量排列，其中第一主成分含有的信息量最大，第二主成分次之，信息量依次递减，最后本文档来自技高网...

【技术保护点】
一种外窗可变的近景高光谱图像局部异常检测方法，其特征在于，包括下述步骤：第一步：构建局部RX异常检测算子；第二步：进行数据降维；第三步：建立外窗可变的局部检测算法进行待检测点异常值的检测。

【技术特征摘要】
1.一种外窗可变的近景高光谱图像局部异常检测方法，其特征在于，包括下述步骤：第一步：构建局部RX异常检测算子；第二步：进行数据降维；第三步：建立外窗可变的局部检测算法进行待检测点异常值的检测。2.如权利要求1所述的外窗可变的近景高光谱图像局部异常检测方法，其特征在于，包括如下步骤：步骤一)构建局部RX算法，设H0表示目标存在，H1表示目标不存在，二元假设表示如下其中，y表示高光谱图像像元，n表示背景噪声向量，α＞0，α表示一个加权系数，s表示目标光谱向量；定义Y＝[y1,y2,…,yN]为包含N个像元的L×N的背景矩阵，第i个像元表示为yi＝[yi(1),yi(2),…,yi(L)]，L表示高光谱图像数据的波段数；背景和目标分布具有相同的协方差和不同的均值，分别服从多元正态分布y|H0～N(μ,K)和y|H1～N(μ+s,K)，其中，μ为背景Y的均值，K为协方差矩阵；则有：其中T代表矩阵转置；步骤二)根据上述公式，背景和目标的概率密度函数为：其中，p(y|H0...

【专利技术属性】
技术研发人员：李吉碑，
申请(专利权)人：湖南神帆科技有限公司，
类型：发明
国别省市：湖南,43