【技术实现步骤摘要】
本专利技术涉及高光谱图像处理 ，尤其涉及一种大核中心块掩码卷积高分高光谱异常检测方法及装置。
技术介绍
1、高光谱图像（hyperspectral imaging，hsi）的异常检测作为高光谱图像处理过程中的重要环节之一，不需要利用先验的光谱信息，就可以探测到场景中的异常目标，具有很高的应用价值和广阔的应用范围，例如，高光谱传感器可以安装在无人机上，在地面上空一定高度对地面物体进行探测，由此获得的hsi的空间分辨率也比以往更高。
2、相关技术中，图像异常检测任务中的异常目标与大部分的背景地物相比，通常呈现以下特征：空间尺寸较小、所占比例较小和光谱特征存在一定差异性；而常用的检测算法一般先通过邻域背景信息进行图像重构，由于异常目标光谱特性与背景差异较大，重构结果往往只保留了背景，异常则表现为重构误差，导致检测结果不准确；另外，采用基于盲点网络的异常检测算法是采用小领域的重构策略，但由于高分辨率高光谱图hrhsi的目标尺寸远大于中低分辨率hsi的目标尺寸，只依靠小领域的信息很容易造成大目标的重构，从而导致漏检，进而导致图像异常检测结果不准确。
技术实现思路
1、本专利技术提供一种大核中心块掩码卷积高分高光谱异常检测方法及装置，用以解决现有技术通过邻域背景信息进行图像重构的重构结果不准确，而采用基于盲点网络的异常检测算法容易造成大目标的重构，从而导致漏检的缺陷，提高了图像异常检测结果的准确率。
2、本专利技术提供一种大核中心块掩码卷积高分高光谱异常检测方法，包括：
3、对待检测高分辨率高光谱图像进行像素洗牌下采样，得到多个子图像；
4、基于重构网络对所述多个子图像进行图像重构，得到重构后的图像；其中，所述重构网络通过以样本高分辨率高光谱图像为训练样本，以优化目标函数为损失函数对生成器进行迭代训练得到；所述优化目标函数用于降低所述样本高分辨率高光谱图像中的潜在异常像素所在位置的权重；
5、将所述重构后的图像进行像素洗牌逆采样，得到所述待检测高分辨率高光谱图像对应的重构图像，根据所述重构图像对应的差分图像中全部像元对应的统计数据计算出各像元的异常分数，并根据所述各像元的异常分数确定图像异常探测结果。
6、根据本专利技术提供的一种大核中心块掩码卷积高分高光谱异常检测方法，所述重构网络通过如下步骤训练得到：
7、对所述样本高分辨率高光谱图像进行像素洗牌下采样，得到多个样本子图像；
8、将所述多个样本子图像输入至所述重构网络，采用adam算法并根据所述优化目标函数更新所述生成器的网络权重，在更新次数达到最大迭代次数或者所述生成器收敛的情况下，得到所述重构网络；所述重构网络
9、所述优化目标函数通过所述生成器的网络权重、网络参数、多个样本子图像集合和重构后的样本子图像集合确定。
10、根据本专利技术提供的一种大核中心块掩码卷积高分高光谱异常检测方法，所述生成器包括大核中心块掩码卷积模块、通道注意力机制eca模块和扩张卷积重构模块；
11、所述大核中心块掩码卷积模块用于对从高分辨率高光谱图像中获取大尺度的周围背景信息进行像素重构，得到背景特征图；
12、所述eca模块用于对所述背景特征图进行一维卷积，得到新的特征图，所述新的特征图中每个波段的信息均为所述背景特征图中相同位置的波段及临近波段的线性组合；
13、所述扩张卷积重构模块用于在根据新的特征图进行图像重构的情况下，采用与所述高分辨率高光谱图像对应位置的像素拟合背景信息，得到重构后的图像。
14、根据本专利技术提供的一种大核中心块掩码卷积高分高光谱异常检测方法，所述优化目标函数通过下式表示：
15、；
16、其中，为所述优化目标函数的值；为所述生成器，为所述生成器的网络参数，为所述生成器的网络权重，为多个样本子图像集合 ，其中n样本子图像中像元个数，l为波段数，p为样本子图像的空间尺寸，为重构后的样本子图像集合；||||1为l1范数运算。
17、根据本专利技术提供的一种大核中心块掩码卷积高分高光谱异常检测方法，所述根据所述重构图像对应的差分图像中全部像元对应的统计数据计算出各像元的异常分数包括：
18、对所述待检测高分辨率高光谱图像与所述重构图像进行差分处理，得到所述差分图像；
19、计算所述差分图像中所有像元的均值和协方差，并根据所述均值和所述协方差计算出各像元的l2距离和马氏距离；
20、计算所述各像元的l2距离和所述马氏距离的均值确定所述异常分数。
21、根据本专利技术提供的一种大核中心块掩码卷积高分高光谱异常检测方法，所述对待检测高分辨率高光谱图像进行像素洗牌下采样，得到多个多个子图像包括：
22、对所述待检测高分辨率高光谱图像按照异常目标的区域面积进行拆分，得到所述多个子图像；不同的子图像包括所述异常目标的不同部分。
23、本专利技术还提供一种大核中心块掩码卷积高分高光谱异常检测装置，包括：
24、图像采样模块，用于对待检测高分辨率高光谱图像进行像素洗牌下采样，得到多个子图像；
25、图像重构模块，用于基于重构网络对所述多个子图像进行图像重构，得到重构后的图像；其中，所述重构网络通过以样本高分辨率高光谱图像为训练样本，以优化目标函数为损失函数对生成器进行迭代训练得到；所述优化目标函数用于降低所述样本高分辨率高光谱图像中的潜在异常像素所在位置的权重；
26、检测模块，用于将所述重构后的图像进行像素洗牌逆采样，得到所述待检测高分辨率高光谱图像对应的重构图像，根据所述重构图像对应的差分图像中全部像元对应的统计数据计算出各像元的异常分数，并根据所述各像元的异常分数确定图像异常探测结果。
27、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述大核中心块掩码卷积高分高光谱异常检测方法。
28、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述大核中心块掩码卷积高分高光谱异常检测方法。
29、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述大核中心块掩码卷积高分高光谱异常检测方法。
30、本专利技术提供的大核中心块掩码卷积高分高光谱异常检测方法及装置，通过对待检测高分辨率高光谱图像进行像素洗牌下采样，得到多个子图像；基于重构网络对多个子图像进行图像重构，得到重构后的图像；将重构后的图像进行像素洗牌逆采样，得到待检测高分辨率高光谱图像对应的重构图像，根据重构图像对应的差分图像中全部像元对应的统计数据计算出各像元的异常分数，并根据各像元的异常分数确定图像异常探测结果，本专利技术所述方法充分利用大尺度领域背景信息甚至是全局信息用以进行重构，并且结合像素洗牌下采样操作，从而实现对本文档来自技高网...
【技术保护点】
1.一种大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，包括：
2.根据权利要求1所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述重构网络通过如下步骤训练得到：
3.根据权利要求1-2任一项所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述生成器包括大核中心块掩码卷积模块、通道注意力机制ECA模块和扩张卷积重构模块；
4.根据权利要求1-2任一项所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述优化目标函数通过下式表示：
5.根据权利要求1任一项所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述根据所述重构图像对应的差分图像中全部像元对应的统计数据计算出各像元的异常分数包括：
6.根据权利要求1任一项所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述对待检测高分辨率高光谱图像进行像素洗牌下采样，得到多个多个子图像包括：
7.一种大核中心块掩码卷积高分高光谱异常检测装置，其特征在于，包括：
8.一种电子设备，包括存储器、处
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述大核中心块掩码卷积高分高光谱异常检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述大核中心块掩码卷积高分高光谱异常检测方法。
...【技术特征摘要】
1.一种大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，包括：
2.根据权利要求1所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述重构网络通过如下步骤训练得到：
3.根据权利要求1-2任一项所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述生成器包括大核中心块掩码卷积模块、通道注意力机制eca模块和扩张卷积重构模块；
4.根据权利要求1-2任一项所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述优化目标函数通过下式表示：
5.根据权利要求1任一项所述的大核中心块掩码卷积高分高光谱异常检测方法，其特征在于，所述根据所述重构图像对应的差分图像中全部像元对应的统计数据计算出各像元的异常分数包括：
6.根据权利要求1任一项所述的大核中心块掩码卷积高分...
【专利技术属性】
技术研发人员：孙旭，高连如，陈昊，钟弘，孙赫，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。