【技术实现步骤摘要】
本专利技术涉及遥感数据分析和机器学习的，尤其涉及一种用于卫星遥感应用系统的异常检测方法。
技术介绍
1、随着全球环境变化、自然资源勘探与管理等需求的不断增加，卫星遥感技术在地球观测领域的应用愈发广泛，多光谱遥感作为遥感技术的重要组成部分，利用不同波段的光谱信息能够有效地捕捉地物的光谱特征，从而实现对地物的识别和分类。
2、传统的多光谱遥感数据处理方法主要依赖于基于规则或经验的统计分析方法，如主成分分析(pca)、线性判别分析(lda)，这些方法能够在一定程度上提取数据的全局特征，然而，随着数据维度和复杂度的增加，这些方法在数据融合和特征提取方面的能力有限，难以应对高维多光谱数据中潜在的信息交互和非线性关系；此外，这些方法对数据的预处理要求较高，需要进行手动特征选择和优化，容易受到人为因素的影响，无法充分挖掘光谱数据中隐藏的深层特征。
3、近年来，随着计算机视觉和深度学习技术的发展，尤其是卷积神经网络(cnn)在图像处理领域的成功应用，遥感数据处理领域也逐渐引入了深度学习算法，深度学习模型通过多层神经网络结构的构建，能够自动学习并提取数据中的高级特征，极大地提高了数据的分析和识别能力；相比传统的基于统计的处理方法，深度学习在遥感数据的特征提取、融合及异常检测方面表现出了显著的优势。
4、例如，通过卷积神经网络对多光谱遥感数据进行特征提取，能够捕捉到不同波段之间的复杂关系，实现数据的高效融合和特征表示，这种自动化的数据处理方式不仅提升了特征提取的精度和效率，还能够在多种复杂场景下表现出更强的鲁棒性
5、现有技术在多光谱遥感数据异常检测方面存在诸多不足，其中：
6、1、传统的异常检测方法，如基于阈值的检测或基于简单统计特征的检测，难以应对数据中的非线性特征和复杂的背景噪声，这些方法在处理高维度、多波段的遥感数据时效率较低，容易产生误检或漏检的情况；
7、2、虽然深度学习方法为遥感数据分析提供了新的思路，但大多数现有方法并未针对多光谱数据的异常检测进行优化，模型的泛化能力和实时处理能力仍有待提高。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术，通过构建卷积神经网络处理模型，对多光谱遥感数据进行特征提取和融合，并基于深度学习算法进行异常检测，旨在提升遥感数据异常检测的精度和效率。
3、因此，本专利技术解决的技术问题是：现有多光谱遥感数据异常检测技术存在检测精度低、计算效率低、泛化能力不足的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案：利用多光谱传感器实时采集光谱遥感数据并对其进行数据预处理；
5、基于卷积神经网络建立处理模型，对预处理后的所述光谱遥感数据进行特征提取、融合，生成光谱遥感特征表示；
6、基于深度学习算法建立光谱异常检测模型并对其进行学习训练，训练结束后，将所述检测模型部署在卫星遥感系统中；
7、将所述光谱遥感特征表示作为所述检测模型的输入，所述检测模型对其进行异常检测，并输出检测结果。
8、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，所述采集通过所述多光谱传感器对目标区域进行扫描，获取不同波段的光谱数据；
9、其中，根据卫星轨道和传感器配置，设定每个波段的数据采样频率和空间分辨率。
10、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，所述不同波段的光谱数据至少包括红光r、绿光g、蓝光b、近红外nir数据。
11、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，所述数据预处理包括辐射校正、几何校正和大气校正。
12、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，生成所述光谱遥感特征表示，包括：
13、提取每个波段的特征图；
14、将各波段特征图按权重加权融合，形成一个多光谱融合特征表示，其数学表达公式为：
15、
16、其中，f融合为融合后的特征表示，fi为第i个波段的特征图，αi为融合权重，n为波段总数量。
17、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，基于深度学习算法建立的所述光谱异常检测模型为自编码器模型，包括编码器和解码器两部分，其中：
18、所述编码器将输入特征表示压缩为低维隐含表示，编码器公式为：
19、h＝σ(we·f融合+be)
20、其中，h为隐含表示，we为编码器的权重矩阵，be为偏置，σ为激活函数。
21、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，所述解码器尝试重构输入特征，解码器公式为：
22、
23、其中，为重构的输入特征，wd为解码器的权重矩阵，bd为偏置。
24、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，进行所述异常检测，包括：
25、将实时获取的光谱特征表示f融合输入到部署好的所述检测模型中；
26、计算每个输入样本的异常得分，根据异常得分判断是否为异常，异常得分的数学表达公式为：
27、
28、其中，s(f融合)为异常得分，为自编码器重构的融合特征，||·||表示l2范数(欧几里得距离)。
29、作为本专利技术所述的用于卫星遥感应用系统的异常检测方法的一种优选方案，s(f融合)的值域为非负实数，其中：
30、当取值在[0，0.05]区间内时，则判断为正常，即输入特征被认为是正常的，符合模型训练数据的特征分布；
31、当取值大于0.05时，则判断为异常，即输入特征偏离正常特征分布，存在异常。
32、本专利技术的有益效果：本专利技术通过结合多光谱数据采集、卷积神经网络特征提取和深度学习异常检测的处理过程，有效解决了现有技术在异常检测中的诸多不足，实现了对卫星遥感应用系统中异常检测精度、效率和实时性的全面提升。
本文档来自技高网...【技术保护点】
1.一种用于卫星遥感应用系统的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述采集通过所述多光谱传感器对目标区域进行扫描，获取不同波段的光谱数据；
3.根据权利要求2所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述不同波段的光谱数据至少包括红光R、绿光G、蓝光B、近红外NIR数据。
4.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述数据预处理包括辐射校正、几何校正和大气校正。
5.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，生成所述光谱遥感特征表示，包括：
6.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，基于深度学习算法建立的所述光谱异常检测模型为自编码器模型，包括编码器和解码器两部分，其中：
7.根据权利要求6所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述解码器尝试重构输入特征，解码器公式为：
8.根据权利要求1所述的用于卫星遥感应用系统的
9.根据权利要求8所述的用于卫星遥感应用系统的异常检测方法，其特征在于，S(F融合)的值域为非负实数，其中：
...【技术特征摘要】
1.一种用于卫星遥感应用系统的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述采集通过所述多光谱传感器对目标区域进行扫描，获取不同波段的光谱数据；
3.根据权利要求2所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述不同波段的光谱数据至少包括红光r、绿光g、蓝光b、近红外nir数据。
4.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法，其特征在于，所述数据预处理包括辐射校正、几何校正和大气校正。
5.根据权利要求1所述的用于卫星遥感应用系统的异常检测方法...
【专利技术属性】
技术研发人员：李睿，
申请(专利权)人：中智万企科技集团股份有限公司，
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。