一种基于局部梯度引导的高光谱图像异常检测方法技术

本发明专利技术公开了一种基于局部梯度引导的高光谱图像异常检测方法，首先对输入的原始高光谱遥感图像定位可能的异常像素点；然后根据粗选得到的可能异常像元的梯度轮廓，通过对这些局部梯度轮廓进行变换，并指导优化原始高光谱图像，得到增强空间结构信息后的高光谱图像；最后对增强的高光谱图像进行异常检测。本发明专利技术更好地提高了高光谱遥感影像异常检测的精度。

【技术实现步骤摘要】
一种基于局部梯度引导的高光谱图像异常检测方法
本专利技术属于高光谱遥感图像处理
，具体涉及一种基于局部梯度引导的高光谱图像异常检测方法。
技术介绍
高光谱成像仪可以获得一种具有二维空间信息与一维光谱信息的图像数据立方体，即三维高光谱图像。高光谱图像具有光谱分辨率高、图谱合一、空间分辨率低等特点。其中光谱信息能够用来反演物质的成分信息，这使得高光谱图像在军事侦察、灾害预警等问题上发挥了重要作用。在这些应用中，异常检测不需要任何关于目标的先验信息，直接检测场景中的异常目标，因此在各类应用中具有很强的实用性。异常检测是指在高光谱图像中寻找未知光谱信号的异常像素。异常点通常是指光谱特征和空间特征与周围环境明显不同的像素位置。具体而言，首先，它们的光谱与周围的光谱有很大的不同。同时，异常像元通常是以多个像素的形式嵌入到局部同质背景中，即表现为空间差异性。由于高光谱图像较低的空间分辨率，图像内部的空间结构信息往往较为平滑，区别于真实场景。考虑到一幅高光谱图像中异常像元的个数往往只占很少部分，且在光谱和空间上均表现出差异性。因此，在允许一定程序的虚警情况下，完全检测异常像元并不困难。对这些存在一定虚警的可能异常像素点进行梯度轮廓变换，可以增强空间结构信息。由于空间结构信息的引入，增强后的高光谱图像异常检测精度能够获得一定程度的提升。
技术实现思路
本专利技术的目的是提供一种基于局部梯度引导的高光谱图像异常检测方法，更好地提高了高光谱遥感影像异常检测的精度。本专利技术所采用的技术方案是，一种基于局部梯度引导的高光谱图像异常检测方法，具体按照以下步骤实施：步骤1、对输入的原始高光谱遥感图像定位可能的异常像素点；步骤2、根据步骤1粗选得到的可能异常像元的梯度轮廓，通过对这些局部梯度轮廓进行变换，并指导优化原始高光谱图像，得到增强空间结构信息后的高光谱图像；步骤3、对增强的高光谱图像进行异常检测。本专利技术的特点还在于，步骤1具体按照以下步骤实施：步骤1.1、利用已有的RX异常检测方法对原始输入图像进行检测，检测后得到每个像素点的响应值；步骤1.2、对步骤1.1得到的所有像素点的响应值进行从强到弱的排序；步骤1.3、在从强到弱的排序中，将响应处于前K的空间位置临时标记为可能的异常像元。步骤1.3中K以0.01为间隔遍历0.01至0.04。步骤2具体按照以下步骤实施：步骤2.1、使用临时标记的异常像元的梯度轮廓描述原始图像梯度的空间布局，利用广义高斯分布参数化描述梯度轮廓，使用KL散度和距离测量拟合误差，通过最小化梯度轮廓训练集上的平均拟合误差来获得最优结果；步骤2.2、通过将临时标记的可能异常点的梯度轮廓乘以理想梯度轮廓与实际梯度轮廓之间的变换比，使得观测到的有参数的梯度轮廓转换为理想的有参数的梯度轮廓；步骤2.3、得到理想高光谱图像的梯度轮廓后，通过梯度下降法来一步步的迭代求解，得到最小化的损失函数，从而约束梯度轮廓接近变换后的梯度轮廓，恢复高光谱图像的几何结构，达到增强高光谱图像空间信息的目的。步骤2.2中，原始图像梯度轮廓的形状参数为1.6，理想高光谱影像中的形状参数为1.63。步骤3具体如下：利用已有的RX异常检测方法对步骤2得到的高光谱图像进行检测，获得最终的检测结果图。本专利技术的有益效果是，一种基于局部梯度引导的高光谱图像异常检测方法，与现有的异常检测方法的区别在于，本专利技术不是直接对原始的高光谱图像进行处理，而是通过局部梯度轮廓的引导，首先增强了图像的空间信息，然后对增强后的图像进行检测。由于受图像传感器的限制，高光谱图像通常具有较差的空间细节。从而降低了高光谱图像的检测精度。本专利技术首先从原始高光谱影像中选取一些可能的异常像元，通过广义高斯分布参数化描述异常像元的梯度剖面，并通过梯度轮廓转换来恢复高光谱图像的几何结构，得到一个局部空间信息增强的高光谱图像。对增强后和原始的图像分别利用已有的RX异常检测方法分别进行检测，对本专利技术的有效性进行了验证。附图说明图1是本专利技术一种基于局部梯度引导的高光谱图像异常目标检测方法的流程图；图2是针对airport这一数据库中的4幅高光谱图像，本专利技术与对比方法的视觉检测图。图3是针对airport这一数据库中的4幅高光谱图像，本专利技术与对比方法的检测效果ROC曲线对比图，显然，所提出的方法总能获得最好的检测性能。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种基于局部梯度引导的高光谱图像异常检测方法，流程图如图1所示，具体按照以下步骤实施：步骤1、对输入的原始高光谱遥感图像定位可能的异常像素点；步骤1具体按照以下步骤实施：步骤1.1、利用已有的ReedXiaoli(RX)异常检测方法对原始输入图像进行检测，检测后得到每个像素点的响应值；步骤1.2、对步骤1.1得到的所有像素点的响应值进行从强到弱的排序；步骤1.3、在从强到弱的排序中，将响应处于前K的空间位置临时标记为可能的异常像元。步骤1.3中K以0.01为间隔遍历0.01至0.04。步骤2、根据步骤1粗选得到的可能异常像元的梯度轮廓，通过对这些局部梯度轮廓进行变换，并指导优化原始高光谱图像，得到增强空间结构信息后的高光谱图像；步骤2具体按照以下步骤实施：步骤2.1、使用临时标记的异常像元的梯度轮廓描述原始图像梯度的空间布局，利用广义高斯分布参数化描述梯度轮廓，广义高斯分布函数用于拟合自然图像中的梯度轮廓曲线。使用Kullback-Leibler(KL)散度和距离测量拟合误差，通过最小化梯度轮廓训练集上的平均拟合误差来获得最优结果；步骤2.2、通过将临时标记的可能异常点的梯度轮廓乘以理想梯度轮廓与实际梯度轮廓之间的变换比，使得观测到的有参数的梯度轮廓转换为理想的有参数的梯度轮廓；步骤2.3、得到理想高光谱图像的梯度轮廓后，通过梯度下降法来一步步的迭代求解，得到最小化的损失函数，从而约束梯度轮廓接近变换后的梯度轮廓，恢复高光谱图像的几何结构，达到增强高光谱图像空间信息的目的。步骤2.2中，原始图像梯度轮廓的形状参数为1.6，理想高光谱影像中的形状参数为1.63。步骤3、对增强的高光谱图像进行异常检测。步骤3具体如下：利用已有的RX异常检测方法对步骤2得到的高光谱图像进行检测，即进行了第二遍RX异常检测方法，获得最终的检测结果图。为了验证本专利技术对于高光谱图像进行异常检测的有效性，通过仿真实验给出的对比实验。实验平台采用处理器为Intelcorei5@2.30GHZ、内存为8.0GB的Windows上的MATLAB(R2018a)。本专利技术采用RXD方法作为检测器，分别对原始图像和增强后的图像分别进行异常检测，并得到相应的性能对比，以验证本专利技术中局部梯度引导这一思路的有效性。实验使用了4个机场-海滩-城本文档来自技高网...

【技术保护点】
1.一种基于局部梯度引导的高光谱图像异常检测方法，其特征在于，具体按照以下步骤实施：/n步骤1、对输入的原始高光谱遥感图像粗选定位可能的异常像素点；/n步骤2、根据步骤1粗选得到的可能异常像元的梯度轮廓，通过对这些局部梯度轮廓进行变换，并指导优化原始高光谱图像，得到增强空间结构信息后的高光谱图像；/n步骤3、对增强的高光谱图像进行异常检测。/n

【技术特征摘要】
1.一种基于局部梯度引导的高光谱图像异常检测方法，其特征在于，具体按照以下步骤实施：
步骤1、对输入的原始高光谱遥感图像粗选定位可能的异常像素点；
步骤2、根据步骤1粗选得到的可能异常像元的梯度轮廓，通过对这些局部梯度轮廓进行变换，并指导优化原始高光谱图像，得到增强空间结构信息后的高光谱图像；
步骤3、对增强的高光谱图像进行异常检测。


2.根据权利要求1所述的一种基于局部梯度引导的高光谱图像异常检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、利用已有的RX异常检测方法对原始输入图像进行检测，检测后得到每个像素点的响应值；
步骤1.2、对步骤1.1得到的所有像素点的响应值进行从强到弱的排序；
步骤1.3、在从强到弱的排序中，将响应处于前K的空间位置临时标记为可能的异常像元。


3.根据权利要求2所述的一种基于局部梯度引导的高光谱图像异常检测方法，其特征在于，所述步骤1.3中K以0.01为间隔遍历0.01至0.04。


4.根据权利要求2所述的一种基于局部梯度引导的高光谱图像异常检测方法，其特...

【专利技术属性】
技术研发人员：胡静，张钰婧，赵明华，宁家伟，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61