一种基于深度学习网络的高光谱异常检测方法技术

本发明专利技术涉及数据处理技术领域，尤其涉及一种基于深度学习网络的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最终的异常检测结果；所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络；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隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。相对于现有技术而言，其可以提高检测性能以及提高检测精度。检测性能以及提高检测精度。检测性能以及提高检测精度。

【技术实现步骤摘要】
一种基于深度学习网络的高光谱异常检测方法


[0001]本专利技术涉及数据处理
，尤其涉及一种基于深度学习网络的高光谱异常检测方法。

技术介绍

[0002]高光谱图像将目标探测技术与光谱成像技术结合，充分挖掘了地物的空间信息与光谱特征，更好的反映物体的内部物理属性信息。高光谱图像记录了近似连续的光谱曲线，可以用于区分各种材料之间的细微差异，因此被广泛应用于地物分类、目标检测等民用与军事领域。
[0003]传统的异常检测方法具有合理的数学基础与可解释性，但是其浅层学习的方式一定程度上限制了其检测性能，RX方法和CRD方法就属于传统方法。对于RX方法而言，它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。而基于深度学习的异常检测方法特征利用率高，有着较强的泛化能力，但是其可解释性一般弱于传统方法。对于CRD方法而言，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。

技术实现思路

[0004](一)要解决的技术问题
>[0005]鉴于现有技术的上述缺点、不足，本专利技术提供一种基于深度学习网络的高光谱异常检测方法，其解决了传统的异常检测方法中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、检测精度差或者特征利用率低、背景可靠性低等技术问题。
[0006](二)技术方案
[0007]为了达到上述目的，本专利技术采用的主要技术方案包括：
[0008]本专利技术实施例提供一种基于深度学习网络的高光谱异常检测方法，所述方法包括：
[0009]S1、获取待处理的高光谱图像；
[0010]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最终的异常检测结果；
[0011]所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络；
[0012]所述隐层特征提取网络，用于提取输入至深度学习网络中的高光谱图像的隐层特征；
[0013]所述深层综合潜在特征提取网络，用于基于所述隐层特征，得到该高光谱图像的深层综合潜在特征；
[0014]所述协同表示神经网络，用于基于该高光谱图像的深层综合潜在特征，分别获取该高光谱图像的全局近似表达特征与局部近似表达特征；
[0015]所述检测融合网络，用于基于该高光谱图像的隐层特征以及该高光谱图像的全局近似表达特征与局部近似表达特征，获取最终的异常检测结果；
[0016]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隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。
[0017]优选地，
[0018]所述隐层特征提取网络包括：用于提取输入至深度学习网络中的高光谱图像的隐层特征的自编码器AE；
[0019]所述自编码器AE包括：编码器E和解码器De；
[0020]其中，所述编码器E和解码器De均包括l
a
层卷积核尺寸为1
×
1的二维卷积层；l
a
为预先设定值。
[0021]优选地，所述深层综合潜在特征提取网络包括：
[0022]自注意力机制模块，用于基于隐层特征提取网络所提取的高光谱图像的隐层特征和残差连接，得到包含该高光谱图像的全局相关特征的全局特征图；
[0023]所述全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性；
[0024]局部特征提取模块，用于根据所述全局特征图提取局部特征，输出融合了全局相关特征和局部特征的深层综合潜在特征。
[0025]优选地，所述协同表示神经网络，包括：
[0026]全局支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的全局近似表达特征；
[0027]局部支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的局部近似表达特征。
[0028]优选地，在S1之前还包括：
[0029]S00、基于预先获取的高光谱图像，获取高光谱图像的训练数据；
[0030]所述预先获取的高光谱图像的格式为H*W*k；
[0031]其中H为预先获取的高光谱图像的长；
[0032]W为预先获取的高光谱图像的宽；
[0033]k代表波段数；
[0034][0035]X为所述高光谱图像的训练数据；
[0036]x
i
表示高光谱图像的训练数据中第i个像素点的光谱向量；
[0037]N代表高光谱图像的训练数据的像素数；
[0038]S01、将所述高光谱图像的训练数据输入到深度学习网络中的自编码器AE中，所述自编码器AE针对所述高光谱图像的训练数据进行编码
‑
解码处理，得到所述高光谱图像的训练数据的隐层特征；
[0039][0040]Z为高光谱图像的训练数据的隐层特征；
[0041]z
i
高光谱图像的训练数据的隐层特征中的第i个像素；
[0042]S02、深度学习网络中的深层综合潜在特征提取网络基于所述高光谱图像的训练数据的隐层特征，得到高光谱图像的训练数据的深层综合潜在特征；
[0043]S03、深度学习网络中的协同表示神经网络基于高光谱图像的训练数据的深层综合潜在特征，分别获取所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征；
[0044]S04、基于所述高光谱图像的训练数据的隐层特征和所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征，获取深度学习网络的预先设定的损失函数的具体数值；
[0045]S05、重复S01
‑
S05直至异常检测网络中预先设定的损失函数的具体数值收敛，得到训练好的深度学习网络。
[0046]优选地，所述S02具体包括：
[0047]S021、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征和残差连接，得到第一全局特征图；
[0048]所述第一全局特征图为包含所述高光谱图像的训练数据的全局相关特征的全局特征图；
[0049]S022、深层综合潜在特征提取网络中的局部特征提取模块，根据第一全局特征图提取局部特征，输出融合了所述高光谱图像的训练数据中全局相关特征和局部特征的深层综合潜在特征；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络的高光谱异常检测方法，其特征在于，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最终的异常检测结果；所述训练好的深度学习网络包括：隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络；所述隐层特征提取网络，用于提取输入至深度学习网络中的高光谱图像的隐层特征；所述深层综合潜在特征提取网络，用于基于所述隐层特征，得到该高光谱图像的深层综合潜在特征；所述协同表示神经网络，用于基于该高光谱图像的深层综合潜在特征，分别获取该高光谱图像的全局近似表达特征与局部近似表达特征；所述检测融合网络，用于基于该高光谱图像的隐层特征以及该高光谱图像的全局近似表达特征与局部近似表达特征，获取最终的异常检测结果；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隐层特征提取网络、深层综合潜在特征提取网络、协同表示神经网络和检测融合网络进行联合训练以获取训练好的深度学习网络。2.根据权利要求1所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述隐层特征提取网络包括：用于提取输入至深度学习网络中的高光谱图像的隐层特征的自编码器AE；所述自编码器AE包括：编码器E和解码器De；其中，所述编码器E和解码器De均包括l
a
层卷积核尺寸为1
×
1的二维卷积层；l
a
为预先设定值。3.根据权利要求2所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述深层综合潜在特征提取网络包括：自注意力机制模块，用于基于隐层特征提取网络所提取的高光谱图像的隐层特征和残差连接，得到包含该高光谱图像的全局相关特征的全局特征图；所述全局相关特征为：高光谱图像中每一像素和所有像素之间的相关性；局部特征提取模块，用于根据所述全局特征图提取局部特征，输出融合了全局相关特征和局部特征的深层综合潜在特征。4.根据权利要求3所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述协同表示神经网络，包括：全局支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的全局近似表达特征；局部支流协同表示神经网络，用于基于所述深层综合潜在特征，获取所述高光谱图像的局部近似表达特征。5.根据权利要求4所述的基于深度学习网络的高光谱异常检测方法，其特征在于，在S1之前还包括：S00、基于预先获取的高光谱图像，获取高光谱图像的训练数据；所述预先获取的高光谱图像的格式为H*W*k；
其中H为预先获取的高光谱图像的长；W为预先获取的高光谱图像的宽；k代表波段数；X为所述高光谱图像的训练数据；x
i
表示高光谱图像的训练数据中第i个像素点的光谱向量；N代表高光谱图像的训练数据的像素数；S01、将所述高光谱图像的训练数据输入到深度学习网络中的自编码器AE中，所述自编码器AE针对所述高光谱图像的训练数据进行编码
‑
解码处理，得到所述高光谱图像的训练数据的隐层特征；Z为高光谱图像的训练数据的隐层特征；z
i
高光谱图像的训练数据的隐层特征中的第i个像素；S02、深度学习网络中的深层综合潜在特征提取网络基于所述高光谱图像的训练数据的隐层特征，得到高光谱图像的训练数据的深层综合潜在特征；S03、深度学习网络中的协同表示神经网络基于高光谱图像的训练数据的深层综合潜在特征，分别获取所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征；S04、基于所述高光谱图像的训练数据的隐层特征和所述高光谱图像的训练数据的全局近似表达特征与局部近似表达特征，获取深度学习网络的预先设定的损失函数的具体数值；S05、重复S01
‑
S05直至异常检测网络中预先设定的损失函数的具体数值收敛，得到训练好的深度学习网络。6.根据权利要求5所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述S02具体包括：S021、深层综合潜在特征提取网络中的自注意力机制模块基于所述高光谱图像的训练数据的隐层特征和残差连接，得到第一全局特征图；所述第一全局特征图为包含所述高光谱图像的训练数据的全局相关特征的全局特征图；S022、深层综合潜在特征提取网络中的局部特征提取模块，根据第一全局特征图提取局部特征，输出融合了所述高光谱图像的训练数据中全局相关特征和局部特征的深层综合潜在特征；所述局部特征提取模块由卷积核为1
×
1的二维卷积层和卷积核为3
×3×
3的三维卷积层组成。7.根据权利要求6所述的基于深度学习网络的高光谱异常检测方法，其特征在于，所述S021具体包括：S021
‑
1、深层综合潜在特征提取...

【专利技术属性】
技术研发人员：王津申，欧阳彤彬，何益凡，段宇宵，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：