CN111160310A - 基于自权重协同表示的高光谱异常目标检测方法 - Google Patents
基于自权重协同表示的高光谱异常目标检测方法 Download PDFInfo
- Publication number
- CN111160310A CN111160310A CN202010000282.0A CN202010000282A CN111160310A CN 111160310 A CN111160310 A CN 111160310A CN 202010000282 A CN202010000282 A CN 202010000282A CN 111160310 A CN111160310 A CN 111160310A
- Authority
- CN
- China
- Prior art keywords
- pixel
- hyperspectral
- weight
- self
- abnormal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于自权重协同表示的高光谱异常目标检测方法。首先,设定双窗结构的大小,并以待测像素点为中心,选取双窗结构内的所有像素点构建字典;然后,构建自权重协同表示的异常检测目标函数,将字典代入其中,并采用迭代更新方法求解目标函数,得到期望的稀疏向量;最后,利用稀疏向量计算待检测像素点与重建像素之间的误差,并通过与阈值比较判断该像素点是否属于异常目标。由于本发明将权重学习与协同表示结合起来构建目标函数,可以有效地提升异常目标检测效果。
Description
技术领域
本发明属高光谱异常目标检测技术领域,具体涉及一种基于自权重协同表示的高光谱异常目标检测方法。
背景技术
高光谱异常目标检测是近年来高光谱图像处理的热点研究领域之一,在民用和军事上具有广泛的应用。高光谱异常目标检测属于一种不需要任何先验信息的目标检测问题。传统的高光谱异常目标检测方法假设图像背景服从高斯分布的统计特性,然而由于图像背景的复杂性以及异常目标的干扰,通过该统计假设设计的异常检测算法的异常检测效果并不理想。
近年来,协同表示被引入到目标检测,取得了较好的检测效果。文献“W.Li andQ.Du,Collaborative representation for hyperspectral anomaly detection,IEEETrans.Geosci.Remote Sens.,vol.53,no.3,pp.1463–1474,Mar.2015.”公开了一种基于协同表示的高光谱异常目标检测方法。该方法以待检测像素点为中心构建双窗,以双窗之间的所有像素点作为字典,再通过稀疏表示模型求解稀疏向量,最后通过待检测像素点与重建像素之间的误差判断该像素点是否属于异常目标。虽然基于协同表示的高光谱异常目标检测方法取得了一定的检测效果,但该方法将高光谱图像的众多波段同等对待,忽视了冗余甚至噪声等低质量的波段对检测效果的不利影响。
发明内容
为了克服现有技术的不足,本发明提供一种基于自权重协同表示的高光谱异常目标检测方法。
一种基于自权重协同表示的高光谱异常目标检测方法,其特征在于步骤如下:
步骤1:对于高光谱图像的待检测像元i=1,…,n,n为高光谱图像中的像元总数,d为高光谱图像的波段数,以yi为中心分别构建大小为ωout和win的双窗,双窗之间的所有像元构成字典Yc,即c表示字典包含的像元个数,c=wout×wout-win×win,win<wout<min{h,w},h和w分别为高光谱图像的行数和列数,n=h×w,为字典中的第j个像元,j=1,…,c;
步骤2:构建高光谱异常检测目标函数如下:
步骤3:采用迭代更新求解算法对目标函数进行求解,具体为:
步骤3.2,固定∑,更新αi:
固定αi,更新∑:
∑=diag(σ) (4)
其中,mk表示向量m的第k个元素,向量m=yi-Ycαi,σ为由其σk组成的向量,k=1,…,d;
步骤3.3,利用更新后的αi和∑计算目标函数值,并重复步骤3.2,直至此次计算的目标函数值和上一次计算的目标函数值之差小于10-6时,迭代终止,此时得到的αi即为像元yi异常检测的稀疏向量;
步骤4:按下式计算像元yi的重建误差δi:
δi=||yi-Ycαi||. (5)
之后对δi归一化,给定阈值A,如果δi>A,则判定像元yi为异常像素点,否则,判定像元yi为背景像素点;所述的阈值A的可取值范围为0至1之间。
本发明的有益效果是:由于本发明将权重学习与协同表示结合起来,设计了统一的目标函数,高光谱图像中高质量的波段能被自动赋予较大的权重,而低质量的波段被自动赋予较小的权重,使得加权后的波段特征更具判别性,有效提升了异常目标检测的效果。
附图说明
图1是本发明的基于自权重协同表示的高光谱异常目标检测方法流程图;
图2是采用传统方法进行高光谱异常目标检测结果图;
图3是采用本发明方法进行高光谱异常目标检测结果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
高光谱异常目标检测方法通过对每一个像素点计算其为异常目标的分值大小,当该分值大于一定的阈值时,则判断该像素点属于异常目标像素,否则属于背景像素点。假定待处理的高光谱图像是一个三维矩阵,包含图像的行数、列数和波段数,为方便计算,可以将其转换成一个二维矩阵其中,d表示高光谱图像的波段数,n为高光谱图像所有像素点的个数。如图1所示,本发明提供了一种基于自权重协同表示的高光谱异常检测方法,其基本实现过程如下:
1、通过双窗结构构建字典
假定待测的像素点为以yi为中心构建双窗结构。令wout表示外窗的大小,win表示内窗的大小。选择双窗之间的所有像素点构建字典其中,c表示字典包含的像元个数,c=wout×wout-win×win,win<wout<wmin{h,w},h和ω分别为高光谱图像的行数和列数,有n=h×ω,为字典中的第j个像元,j=1,…,c。
2、基于自权重协同表示的高光谱异常检测方法
传统的基于协同表示的高光谱异常目标检测方法的目标函数是:
其中,λ为正则化参数,αi为希望得到的像元yi异常检测的稀疏向量。
本发明提出的基于自权重协同表示的高光谱异常检测方法,在上述方法的基础之上考虑到不同质量的波段会对检测结果产生不同的影响,因此需要对不同的波段赋予合适的权重。然而,高光谱异常目标检测实际上是一个无监督的二分类问题,并没有任何先验信息来判断不同波段的质量。为解决该问题,本发明将权重学习与协同表示结合起来,构建了统一的目标函数,高光谱图像中高质量的波段能被自动赋予较大的权重,而低质量的波段被自动赋予较小的权重,使得加权后的特征更具判别性。本发明所解决的问题可用数学模型表示为:
3、模型求解
为求解目标函数(7),本发明设计了一种迭代更新算法,通过不断迭代更新权重矩阵∑以及稀疏向量αi直到目标函数收敛。具体为:
(2)固定∑,更新αi:
当∑固定时,求解问题(7)等价于求解:
将上式对αi求导然后令其等于0,可得:
(3)固定αi,更新∑:
当αi固定时,问题(7)可简化表示为:
上式对未知的权重向量σ有两个约束,由于约束σT1=1,0≤σk≤1可简化为非负约束σk≥0。先只考虑第一个约束σT1=1,问题(11)所对应拉格朗日函数可表示为:
其中,γ为拉格朗日乘子。将上式对σk求导然后令其等于0,那么:
由于约束σT 1=1,可得:
结合公式(13)和公式(14),有:
对于任意k,σk均是非负的,正好符合问题(11)对σ的非负约束,因此公式(15)中得到的∑,就是问题(8)的最优解。
(4)重复步骤(2)和步骤(3)进行αi和∑的迭代更新计算,直至目标函数收敛,即每一次迭代利用更新后的αi和∑按照公式(7)计算目标函数值,前后两次迭代计算得到的目标函数值变化小于10-6时,迭代终止,此时得到的αi即为像元yi异常检测的稀疏向量。
4、基于重建误差提取异常目标
通过对模型求解计算得到yi所对应的稀疏向量αi,Ycαi即是利用背景像素(字典)重新构建的像素,如果原像素点yi能被重建后的像素精确表示,则表明yi为背景像素点,否则,yi为异常像素点。重建误差的计算公式如下:
δi=||yi-Ycαi||. (16)
之后对δi归一化,如果δi的取值大于事先设定的阈值A,则表明yi为异常像素点,否则,yi为背景像素点。所述的阈值A的可取值范围为0至1之间。
对于高光谱图像中的每一个像素点均采用上述过程进行检测,即完成整个高光谱图像的异常检测。
为验证本发明方法的有效性及优越性,将本发明与传统的基于协同表示的高光谱异常目标检测方法进行比较。图2和3分别是采用传统方法和本发明方法计算得到的重建误差归一化后所绘制的检测结果图,虽然两种方法均存在部分虚警,但本发明所提出的方法基本能将异常目标点检测出来。表1为采用不同双窗大小时,采用传统方法得到的检测结果AUC值和采用本发明方法得到检测结果AUC值,其中,CRD代表传统方法,SWCRD代表本发明方法,AUC取值越大,表明方法的检测性能越好。可以看出,在不同的窗口大小下,本发明所提出的方法均具有更高的AUC值,证明了本发明方法具有更好的检测性能。
表1
Claims (1)
1.一种基于自权重协同表示的高光谱异常目标检测方法,其特征在于步骤如下:
步骤1:对于高光谱图像的待检测像元n为高光谱图像中的像元总数,d为高光谱图像的波段数,以yi为中心分别构建大小为wout和win的双窗,双窗之间的所有像元构成字典Yc,即c表示字典包含的像元个数,c=wout×wout-win×win,win<wout<min{h,w},h和w分别为高光谱图像的行数和列数,n=h×w,为字典中的第j个像元,j=1,…,c;
步骤2:构建高光谱异常检测目标函数如下:
步骤3:采用迭代更新求解算法对目标函数进行求解,具体为:
步骤3.2,固定∑,更新αi:
固定αi,更新∑:
∑=diag(σ) (4)
其中,mk表示向量m的第k个元素,向量m=yi-Ycαi,σ为由其σk组成的向量,k=1,…,d;
步骤3.3,利用更新后的αi和∑计算目标函数值,并重复步骤3.2,直至此次计算的目标函数值和上一次计算的目标函数值之差小于10-6时,迭代终止,此时得到的αi即为像元yi异常检测的稀疏向量;
步骤4:按下式计算像元yi的重建误差δi:
δi=||yi-Ycαi||. (5)
之后对δi归一化,给定阈值A,如果δi>A,则判定像元yi为异常像素点,否则,判定像元yi为背景像素点;所述的阈值A的可取值范围为0至1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010000282.0A CN111160310B (zh) | 2020-01-02 | 2020-01-02 | 基于自权重协同表示的高光谱异常目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010000282.0A CN111160310B (zh) | 2020-01-02 | 2020-01-02 | 基于自权重协同表示的高光谱异常目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160310A true CN111160310A (zh) | 2020-05-15 |
CN111160310B CN111160310B (zh) | 2022-04-08 |
Family
ID=70560906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010000282.0A Active CN111160310B (zh) | 2020-01-02 | 2020-01-02 | 基于自权重协同表示的高光谱异常目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160310B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537150A (zh) * | 2021-08-11 | 2021-10-22 | 西安交通大学 | 高光谱图像目标异常检测方法、***、终端及存储介质 |
CN113989528A (zh) * | 2021-12-08 | 2022-01-28 | 南京航空航天大学 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
CN114596483A (zh) * | 2022-02-10 | 2022-06-07 | 复旦大学 | 一种高光谱图像非线性异常探测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010132135A1 (en) * | 2009-05-14 | 2010-11-18 | Raytheon Company | Adaptive spatial-spectral processing (assp) |
CN105427300A (zh) * | 2015-12-21 | 2016-03-23 | 复旦大学 | 一种基于低秩表示和学习字典的高光谱图像异常探测算法 |
CN105825200A (zh) * | 2016-03-31 | 2016-08-03 | 西北工业大学 | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 |
CN106022391A (zh) * | 2016-05-31 | 2016-10-12 | 哈尔滨工业大学深圳研究生院 | 一种高光谱图像特征的并行提取与分类方法 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN109493338A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于联合提取空谱特征的高光谱图像异常检测方法 |
CN110298235A (zh) * | 2019-05-17 | 2019-10-01 | 中国科学院西安光学精密机械研究所 | 基于流形约束自编码网络的高光谱异常检测方法及*** |
CN110619263A (zh) * | 2019-06-12 | 2019-12-27 | 河海大学 | 低秩联合协同表示的高光谱遥感影像异常探测方法 |
-
2020
- 2020-01-02 CN CN202010000282.0A patent/CN111160310B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010132135A1 (en) * | 2009-05-14 | 2010-11-18 | Raytheon Company | Adaptive spatial-spectral processing (assp) |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN105427300A (zh) * | 2015-12-21 | 2016-03-23 | 复旦大学 | 一种基于低秩表示和学习字典的高光谱图像异常探测算法 |
CN105825200A (zh) * | 2016-03-31 | 2016-08-03 | 西北工业大学 | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 |
CN106022391A (zh) * | 2016-05-31 | 2016-10-12 | 哈尔滨工业大学深圳研究生院 | 一种高光谱图像特征的并行提取与分类方法 |
CN109493338A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于联合提取空谱特征的高光谱图像异常检测方法 |
CN110298235A (zh) * | 2019-05-17 | 2019-10-01 | 中国科学院西安光学精密机械研究所 | 基于流形约束自编码网络的高光谱异常检测方法及*** |
CN110619263A (zh) * | 2019-06-12 | 2019-12-27 | 河海大学 | 低秩联合协同表示的高光谱遥感影像异常探测方法 |
Non-Patent Citations (5)
Title |
---|
KUN TAN 等: "Anomaly Detection for Hyperspectral Imagery Based on the Regularized Subspace Method and Collaborative Representation", 《REMOTE SENSING》 * |
RONG WANG 等: "Scalable Graph-Based Clustering With Nonnegative Relaxation for Large Hyperspectral Image", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
WEI LI 等: "Collaborative Representation for Hyperspectral Anomaly Detection", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
刘万军 等: "改进协同表示的高光谱图像异常检测算法", 《计算机应用研究》 * |
成宝芝 等: "子空间稀疏表示高光谱异常检测新算法", 《哈尔滨工程大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537150A (zh) * | 2021-08-11 | 2021-10-22 | 西安交通大学 | 高光谱图像目标异常检测方法、***、终端及存储介质 |
CN113537150B (zh) * | 2021-08-11 | 2024-04-02 | 西安交通大学 | 高光谱图像目标异常检测方法、***、终端及存储介质 |
CN113989528A (zh) * | 2021-12-08 | 2022-01-28 | 南京航空航天大学 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
CN113989528B (zh) * | 2021-12-08 | 2023-07-25 | 南京航空航天大学 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
CN114596483A (zh) * | 2022-02-10 | 2022-06-07 | 复旦大学 | 一种高光谱图像非线性异常探测方法 |
CN114596483B (zh) * | 2022-02-10 | 2023-05-02 | 复旦大学 | 一种高光谱图像非线性异常探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160310B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160310B (zh) | 基于自权重协同表示的高光谱异常目标检测方法 | |
Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
CN111639719B (zh) | 基于时空运动和特征融合的足迹图像检索方法 | |
US9317929B2 (en) | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images | |
CN108734661B (zh) | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 | |
CN109671030B (zh) | 一种基于自适应秩估计黎曼流形优化的图像补全方法 | |
CN109598220B (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN108681752A (zh) | 一种基于深度学习的图像场景标注方法 | |
CN110287777B (zh) | 一种自然场景下的金丝猴躯体分割算法 | |
CN106097278B (zh) | 一种多维信号的稀疏模型、重建方法和字典训练方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN110648292A (zh) | 一种基于深度卷积网络的高噪声图像去噪方法 | |
CN108416753A (zh) | 一种基于非参数化交替方向乘子法的图像去噪算法 | |
CN110363775B (zh) | 一种基于区域型变分水平集的图像分割方法 | |
CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
US20240126829A1 (en) | Unsupervised feature selection method based on latent space learning and manifold constraints | |
CN112598711B (zh) | 一种基于联合光谱降维和特征融合的高光谱目标跟踪方法 | |
CN111147863B (zh) | 基于张量的视频快照压缩成像恢复方法 | |
CN116402825B (zh) | 轴承故障红外诊断方法、***、电子设备及存储介质 | |
CN114067168A (zh) | 基于改进的变分自编码器网络的布匹缺陷图像生成***及方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN106934398A (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
CN110111300B (zh) | 一种图像变化检测方法 | |
CN114720938A (zh) | 基于深度展开的大规模天线阵列单比特采样doa估计方法 | |
CN108596911B (zh) | 一种基于pca重构误差水平集的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |