CN115661069A - 一种高光谱异常检测方法及计算机装置 - Google Patents
一种高光谱异常检测方法及计算机装置 Download PDFInfo
- Publication number
- CN115661069A CN115661069A CN202211298268.9A CN202211298268A CN115661069A CN 115661069 A CN115661069 A CN 115661069A CN 202211298268 A CN202211298268 A CN 202211298268A CN 115661069 A CN115661069 A CN 115661069A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- image
- network
- hyperspectral
- features
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 20
- 230000003042 antagnostic effect Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 35
- 239000002184 metal Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 101100366941 Homo sapiens STON1 gene Proteins 0.000 description 1
- 102100021683 Stonin-1 Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种高光谱异常检测方法及计算机装置,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检测结果;所述训练好的深度学习网络包括特征提取网络和异常检测网络;所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图;所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值;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特征提取网络和异常检测网络进行联合训练以获取训练好的深度学习网络。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种高光谱异常检测方法及计算机装置。
背景技术
高光谱图像是一个三维图像矩阵,能够同时包含目标的光谱特征信息和空间特征信息,光谱分辨率很高,具有强大的空间-光谱信息表达能力,在地物分类、变化检测、目标检测等领域有着广泛的应用。根据目标的光谱信息是否已知,高光谱图像的目标检测可以分为匹配目标检测与异常检测。高光谱图像的异常检测可以在不使用目标先验信息的情况下将图像中的像素分为异常与背景两类,通常情况下,目标的先验信息很难获取,因此高光谱图像异常检测的应用更加广泛。经典的异常检测算法RX算法是一种基于背景建模的方法,该算法通过假设高光谱图像的背景符合高斯分布,利用整幅图像的均值与协方差矩阵来建立背景的统计模型,然后再通过衡量待测像素光谱与背景光谱分布之间的马氏距离来检测异常。CRD算法是一种基于协同表达的异常检测算法,该算法通过滑动双窗口构建背景字典,利用背景字典中的元素的线性组合来表达每个像素,由于背景和异常属于不同的簇,背景像素的再表达会由于异常像素,因此再表达图像与原图像的残差就是异常。现有的SAFL算法是一种基于深度学习的算法,该算法利用对抗自编码器提取高光谱图像的光谱特征,然后利用波段融合方法融合光谱特征得到空间特征,再利用空间特征增强原始高光谱图像中的异常目标,最后利用RX检测器公式求解高光谱图像中的异常值,进而得到高光谱图像的检测结果图。
但是,RX算法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。CRD算法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。SALF算法利用深度神经网络进行高光谱图像特征的提取,在最终的特征图上只是使用了RX检测器进行异常检测,深度神经网络训练好的目标函数未将特征提取部分与后续的异常检测器部分联合优化,使得特征提取部分与异常检测部分本质上是分离的,导致深度神经网络无法发挥最大优势。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种高光谱异常检测方法及计算机装置。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种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检测结果;
所述训练好的深度学习网络包括特征提取网络和异常检测网络;
所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图;
所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值;
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特征提取网络和异常检测网络进行联合训练以获取训练好的深度学习网络。
优选地,
所述特征提取网络包括:
对抗自编码器AAE,用于根据输入特征提取网络的高光谱图像生成重建图像,并根据输入特征提取网络的高光谱图像和所述重建图像生成残差图像;
自注意力机制模块,用于基于残差图像和输入特征提取网络的高光谱图像输出高光谱图像的全局相关特征,并得到包含所述全局相关特征的特征图Z;
所述高光谱图像的全局相关特征为:高光谱图像中每一像素和所有像素之间的相关性;
局部特征提取网络,用于根据包含所述全局相关特征的特征图Z提取局部特征,输出融合了全局相关特征和局部特征的高光谱图像的特征图。
优选地,在S1之前还包括:
S00、获取高光谱图像的训练数据;
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对抗自编码器AAE中,所述对抗自编码器AAE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重建图像;
S02、基于所述高光谱图像的训练数据和所述重建图像,得到相应的残差图像;
S03、将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块,所述自注意力机制模块采用自注意力机制提取所述高光谱图像的训练数据的全局相关特征,并得到包含所述全局相关特征的特征图Z;
S04、将包含所述全局相关特征的特征图Z输入至局部特征提取网络中,局部特征提取网络提取所述高光谱图像的训练数据的局部特征,输出融合了全局相关特征和局部特征的高光谱图像的特征图;
S05、将所述高光谱图像的特征图输入异常检测网络中,输出高光谱图像的特征图中每一像素点的异常分数值;
所述异常检测网络为超平面学习层;
S06、重复S01-S06直至异常检测网络中预先设定的损失函数收敛以达到,得到训练好的深度学习网络。
优选地,
所述对抗自编码器AAE包括:编码器E、解码器De和特征判别器Dz、残差单元;
其中,编码器E用于将输入对抗自编码器AAE中的高光谱图像映射到隐层空间得到隐变量z;
在AAE编码-解码的过程中,重建损失函数使用huber loss;
特征判别器Dz用于采用损失函数Wgan-gp对隐变量z的数据分布进行约束,使其满足高斯分布;
其中,所述损失函数Wgan-gp为:
Pgauss是高斯采样数据所属的高斯分布;
PE为隐层空间的数据分布;
Dz(z)代表隐变量z经过Dz的输出结果;
t为对定义在为沿Pgauss和PE采样点对之间的直线空间Pt的均匀采样;
E[*]代表的是数学期望函数;
解码器De用于对隐变量z进行重建得到重建图像;
残差单元,用于根据输入对抗自编码器AAE中的高光谱图像与重建图像做残差得到残差图像;
其中,
其中,X为输入对抗自编码器AAE中的高光谱图像;
R为残差图像。
优选地,所述S03具体包括:
将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块,所述自注意力机制模块采用自注意力机制根据公式(1)得到所述高光谱图像的训练数据的全局相关特征;
所述公式(1)为:
其中,Softmax()为归一化方法;
g(X)为特征表示函数;
然后,根据全局相关特征和残差连接得到了包含所述全局相关特征的特征图Z;
其中,Z=WzY+X;
Wz为残差连接的权重矩阵。
优选地,
所述局部特征提取网络由卷积核大小为1×1的二维卷积层和卷积核大小为3×3×3的三维卷积层构成;
所述二维卷积层用于针对包含所述全局相关特征的特征图Z提取每个像素位置上的光谱特征;
所述三维卷积层用于针对包含所述全局相关特征的特征图Z提取高光谱图像中3×3×3空间内的相邻像素的空间特征。
优选地,
所述局部特征包括:
所述二维卷积层针对包含所述全局相关特征的特征图Z提取的每个像素位置上的光谱特征;
所述三维卷积层针对包含所述全局相关特征的特征图Z提取的高光谱图像中3×3×3空间内的相邻像素的空间特征。
优选地,
所述异常检测网络用于根据输入的高光谱图像的特征图,输出该高光谱图像中每一像素点的异常分数值;
其中,ai=ωxi c+b;
ai为高光谱图像中第i个像素点的异常分数值;
ω为超平面学习层的权重参数;
xi c为高光谱图像的特征图第i像素点处的向量;
b为超平面学习层的偏置参数;
ωxc+b=0为该层所代表的超平面。
优选地,
所述预先设定的损失函数为:
其中,Locsvm为预先设定的损失函数;v∈(0,1)是权衡最大化超平面与原点距离和允许穿过超平面数据的个数的参数;Ψ(*)代表了特征提取网络;N为高光谱图像中的像素数。
另一方面,本实施例还提供一种计算机装置,包括存储器、处理器和总线,所诉处理器与所述存储器通过所述总线连接;
所述存储器用于存储程序,所述处理器用于运行所述程序,其中,所述程序运行时执行上述任一所述的高光谱异常检测方法。
(三)有益效果
本发明的有益效果是:本发明的一种高光谱异常检测方法及计算机装置,采用对抗自编码器得到残差图像,对可能的异常区域进行增强,从而增大异常区域与背景区域的可分性;在自注意力机制的基础上,本发明提出了一种能同时提取高光谱图像中的全局相关特征与局部特征的特征提取网络,更加充分地利用了高光谱图像中的信息,提取的特征包括全局相关特征、光谱特征和局部空间特征;本发明构建的异常检测方法,实现特征提取网络与异常检测网络联合训练与优化,得到针对异常检测任务的特征提取网络,将原始高光谱图像映射到一个异常与背景可分性更好的特征空间。
附图说明
图1为本发明的一种高光谱异常检测方法流程图;
图2为本发明的一种高光谱异常检测方法实际应用示意图;
图3(a)为圣地亚哥机场的原始高光谱图像;
图3(b)是圣地亚哥机场图像的异常目标真值图;
图3(c)是RX异常检测算法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;
图3(d)是CRD异常检测算法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;
图3(e)是LREN异常检测算法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;
图3(f)是本发明的方法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;
图4(a)是RX异常检测算法、CRD异常检测算法、深度学习LREN算法和本发明方法对应的ROC曲线;
图4(b)是RX异常检测算法、CRD异常检测算法、深度学习LREN算法和本发明方法对应的AUC值柱形图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
参见图1,本实施例提供一种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检测结果。
参见图2,本实施例中所述训练好的深度学习网络包括特征提取网络和异常检测网络。
所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图。
所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值。
其中,像素点的异常分数值表示该像素点属于异常目标的概率。
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特征提取网络和异常检测网络进行联合训练以获取训练好的深度学习网络。
在本实施例的实际应用中,所述特征提取网络包括:
对抗自编码器AAE,用于根据输入特征提取网络的高光谱图像生成重建图像,并根据输入特征提取网络的高光谱图像和所述重建图像生成残差图像。
自注意力机制模块,用于基于残差图像和输入特征提取网络的高光谱图像输出高光谱图像的全局相关特征,并得到包含所述全局相关特征的特征图Z。
所述高光谱图像的全局相关特征为:高光谱图像中每一像素和所有像素之间的相关性。
局部特征提取网络,用于根据包含所述全局相关特征的特征图Z提取局部特征,输出融合了全局相关特征和局部特征的高光谱图像的特征图。
具体的,在S1之前还包括:
S00、获取高光谱图像的训练数据。
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对抗自编码器AAE中,所述对抗自编码器AAE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重建图像。
S02、基于所述高光谱图像的训练数据和所述重建图像,得到相应的残差图像。
S03、将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块,所述自注意力机制模块采用自注意力机制提取所述高光谱图像的训练数据的全局相关特征,并得到包含所述全局相关特征的特征图Z。
S04、将包含所述全局相关特征的特征图Z输入至局部特征提取网络中,局部特征提取网络提取所述高光谱图像的训练数据的局部特征,输出融合了全局相关特征和局部特征的高光谱图像的特征图。
S05、将所述高光谱图像的特征图输入异常检测网络中,输出高光谱图像的特征图中每一像素点的异常分数值。
所述异常检测网络为超平面学习层。
S06、重复S01-S06直至异常检测网络中预先设定的损失函数收敛以达到,得到训练好的深度学习网络。
在本实施例的具体应用中,所述对抗自编码器AAE包括:编码器E、解码器De和特征判别器Dz、残差单元。
其中,编码器E用于将输入对抗自编码器AAE中的高光谱图像映射到隐层空间得到隐变量z。
在AAE编码-解码的过程中,重建损失函数使用huber loss。
特征判别器Dz用于采用损失函数Wgan-gp对隐变量z的数据分布进行约束,使其满足高斯分布。
其中,所述损失函数Wgan-gp为:
Pgauss是高斯采样数据所属的高斯分布。
PE为隐层空间的数据分布。
Dz(z)代表隐变量z经过Dz的输出结果。
t为对定义在为沿Pgauss和PE采样点对之间的直线空间Pt的均匀采样。
E[*]代表的是数学期望函数。
解码器De用于对隐变量z进行重建得到重建图像。
残差单元,用于根据输入对抗自编码器AAE中的高光谱图像与重建图像做残差得到残差图像。
其中,
其中,X为输入对抗自编码器AAE中的高光谱图像。
本实施例中,所述S03具体包括:
将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块,所述自注意力机制模块采用自注意力机制根据公式(1)得到所述高光谱图像的训练数据的全局相关特征。
所述公式(1)为:
其中,Softmax()为归一化方法。
g(X)为特征表示函数。
然后,根据全局相关特征和残差连接得到了包含所述全局相关特征的特征图Z。
其中,Z=WzY+X。
Wz为残差连接的权重矩阵。
Z=WzY+X。
其中,Wz为残差连接的权重矩阵。
所述局部特征提取网络由卷积核大小为1×1的二维卷积层和卷积核大小为3×3×3的三维卷积层构成。
所述二维卷积层用于针对包含所述全局相关特征的特征图Z提取每个像素位置上的光谱特征。
所述三维卷积层用于针对包含所述全局相关特征的特征图Z提取高光谱图像中3×3×3空间内的相邻像素的空间特征。
所述局部特征包括:
所述二维卷积层针对包含所述全局相关特征的特征图Z提取的每个像素位置上的光谱特征。
所述三维卷积层针对包含所述全局相关特征的特征图Z提取的高光谱图像中3×3×3空间内的相邻像素的空间特征。
所述异常检测网络用于根据输入的高光谱图像的特征图,输出该高光谱图像中每一像素点的异常分数值。
其中,ai=ωxi c+b。
ai为高光谱图像中第i个像素点的异常分数值。
ω为超平面学习层的权重参数。
xi c为高光谱图像的特征图第i像素点处的向量。
b为超平面学习层的偏置参数。
ωxc+b=0为该层所代表的超平面。
在本实施例中,所述预先设定的损失函数为:
其中,Locsvm为预先设定的损失函数;v∈(0,1)是权衡最大化超平面与原点距离和允许穿过超平面数据的个数的参数;Ψ(*)代表了特征提取网络;N为高光谱图像中的像素数。本实施例中该预先设定的损失函数同时驱动了超平面参数和特征提取网络参数的优化,由于ω、b、Ψ都是以网络参数的形式存在,在训练过程中使用误差反向传播算法来最小化损失函数。
本实施例中的一种高光谱异常检测方法在训练过程中,根据损失函数不断对超平面学习层与特征提取网络进行联合训练优化,得到最终的训练好的深度学习网络。
本发明的一种高光谱异常检测方法及计算机装置,采用对抗自编码器得到残差图像,对可能的异常区域进行增强,从而增大异常区域与背景区域的可分性;在自注意力机制的基础上,本发明提出了一种能同时提取高光谱图像中的全局相关特征与局部特征的特征提取网络,更加充分地利用了高光谱图像中的信息,提取的特征包括全局相关特征、光谱特征和局部空间特征;本发明构建的异常检测方法,实现特征提取网络与异常检测网络联合训练与优化,得到针对异常检测任务的特征提取网络,将原始高光谱图像映射到一个异常与背景可分性更好的特征空间。
本实施例中的一种高光谱异常检测方法效果可通过下面结合仿真实验进一步说明。
仿真条件
是基于NVIDIA 1080Ti GPU、Intel(R)Core(TM)i9-7920U CPU、Pytorch深度学习框架和Matlab 2018b软件环境下进行的。
仿真内容与结果分析
仿真1,用现有的传统算法RX异常检测算法、CRD异常检测算法、深度学习算法LREN算法和本发明的方法分别对高光谱图像进行异常检测,检测的结果如图3。其中:图3(a)为圣地亚哥机场的原始高光谱图像,该图的数据大小为90×90×189;图3(b)是圣地亚哥机场图像的异常目标真值图,该图的数据大小为90×90,图中的黑色部分为背景,白色部分是异常目标;图3(c)是RX异常检测算法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;图3(d)是CRD异常检测算法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;图3(e)是LREN异常检测算法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;图3(f)是本发明的方法对图3(a)中的高光谱图像进行异常检测得到的检测结果图;
从图3(a)-3(f)可见,相比于本实施例提出的方法,现有的技术对异常的检测不够精准,检测结果中存在很多虚警甚至无法检测出异常目标,本发明的方法对异常的检测结果很好,能够精准的检测出飞机,达到了很好的抑制背景突出异常的效果,算法优于其他算法。
仿真2,分别将现有的RX异常检测算法、CRD异常检测算法、深度学习LREN算法和本发明方法的检测结果图和被检测高光谱图像的异常目标真值图进行对比,分别画出现有的RX异常检测算法、CRD异常检测算法、深度学习LREN算法和本发明方法对应的ROC曲线,并计算对应的AUC值。图4(a)是四种方法的ROC曲线;图4(b)是四种方法的AUC值柱形图。
从图4(a)和4(b)可见,相比于现有的三种方法,本发明的ROC曲线最先到达1且AUC值最高,说明本发明的算法对异常目标的检测效果最好、最精准。
本领域内的技术人员应明白,本发明的实施例可提供为方法、计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种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检测结果;
所述训练好的深度学习网络包括特征提取网络和异常检测网络;
所述特征提取网络用于提取待处理的高光谱图像的全局相关特征和局部特征以得到高光谱图像的特征图;
所述异常检测网络用于基于高光谱图像的特征图获取高光谱图像中每一像素点的异常分数值;
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特征提取网络和异常检测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所述的方法,其特征在于,
所述特征提取网络包括:
对抗自编码器AAE,用于根据输入特征提取网络的高光谱图像生成重建图像,并根据输入特征提取网络的高光谱图像和所述重建图像生成残差图像;
自注意力机制模块,用于基于残差图像和输入特征提取网络的高光谱图像输出高光谱图像的全局相关特征,并得到包含所述全局相关特征的特征图Z;
所述高光谱图像的全局相关特征为:高光谱图像中每一像素和所有像素之间的相关性;
局部特征提取网络,用于根据包含所述全局相关特征的特征图Z
提取局部特征,输出融合了全局相关特征和局部特征的高光谱图像的特征图。
3.根据权利要求2所述的方法,其特征在于,在S1之前还包括:
S00、获取高光谱图像的训练数据;
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对抗自编码器AAE中,所述对抗自编码器AAE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重建图像;
S02、基于所述高光谱图像的训练数据和所述重建图像,得到相应的残差图像;
S03、将所述残差图像和所述高光谱图像的训练数据输入至自注意力机制模块,所述自注意力机制模块采用自注意力机制提取所述高光谱图像的训练数据的全局相关特征,并得到包含所述全局相关特征的特征图Z;
S04、将包含所述全局相关特征的特征图Z输入至局部特征提取网络中,局部特征提取网络提取所述高光谱图像的训练数据的局部特征,输出融合了全局相关特征和局部特征的高光谱图像的特征图;
S05、将所述高光谱图像的特征图输入异常检测网络中,输出高光谱图像的特征图中每一像素点的异常分数值;
所述异常检测网络为超平面学习层;
S06、重复S01-S06直至异常检测网络中预先设定的损失函数收敛以达到,得到训练好的深度学习网络。
4.根据权利要求3所述的方法,其特征在于,
所述对抗自编码器AAE包括:编码器E、解码器De和特征判别器Dz、残差单元;
其中,编码器E用于将输入对抗自编码器AAE中的高光谱图像映射到隐层空间得到隐变量z;
在AAE编码-解码的过程中,重建损失函数使用huberloss;
特征判别器Dz用于采用损失函数Wgan-gp对隐变量z的数据分布进行约束,使其满足高斯分布;
其中,所述损失函数Wgan-gp为:
Pgauss是高斯采样数据所属的高斯分布;
PE为隐层空间的数据分布;
Dz(z)代表隐变量z经过Dz的输出结果;
t为对定义在为沿Pgauss和PE采样点对之间的直线空间Pt的均匀采样;
E[*]代表的是数学期望函数;
解码器De用于对隐变量z进行重建得到重建图像;
残差单元,用于根据输入对抗自编码器AAE中的高光谱图像与重建图像做残差得到残差图像;
其中,
其中,X为输入对抗自编码器AAE中的高光谱图像;
R为残差图像。
6.根据权利要求5所述的方法,其特征在于,
所述局部特征提取网络由卷积核大小为1×1的二维卷积层和卷积核大小为3×3×3的三维卷积层构成;
所述二维卷积层用于针对包含所述全局相关特征的特征图Z提取每个像素位置上的光谱特征;
所述三维卷积层用于针对包含所述全局相关特征的特征图Z提取高光谱图像中3×3×3空间内的相邻像素的空间特征。
7.根据权利要求6所述的方法,其特征在于,
所述局部特征包括:
所述二维卷积层针对包含所述全局相关特征的特征图Z提取的每个像素位置上的光谱特征;
所述三维卷积层针对包含所述全局相关特征的特征图Z提取的高光谱图像中3×3×3空间内的相邻像素的空间特征。
8.根据权利要求7所述的方法,其特征在于,
所述异常检测网络用于根据输入的高光谱图像的特征图,输出该高光谱图像中每一像素点的异常分数值;
其中,ai=ωxi c+b;
ai为高光谱图像中第i个像素点的异常分数值;
ω为超平面学习层的权重参数;
xi c为高光谱图像的特征图第i像素点处的向量;
b为超平面学习层的偏置参数;
ωxc+b=0为该层所代表的超平面。
10.一种计算机装置,其特征在于,包括存储器、处理器和总线,所诉处理器与所述存储器通过所述总线连接;
所述存储器用于存储程序,所述处理器用于运行所述程序,其中,所述程序运行时执行权利要求1-9任一所述的高光谱异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298268.9A CN115661069A (zh) | 2022-10-22 | 2022-10-22 | 一种高光谱异常检测方法及计算机装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211298268.9A CN115661069A (zh) | 2022-10-22 | 2022-10-22 | 一种高光谱异常检测方法及计算机装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661069A true CN115661069A (zh) | 2023-01-31 |
Family
ID=84989640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211298268.9A Pending CN115661069A (zh) | 2022-10-22 | 2022-10-22 | 一种高光谱异常检测方法及计算机装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661069A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
CN116612356A (zh) * | 2023-06-02 | 2023-08-18 | 北京航空航天大学 | 一种基于深度学习网络的高光谱异常检测方法 |
-
2022
- 2022-10-22 CN CN202211298268.9A patent/CN115661069A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612356A (zh) * | 2023-06-02 | 2023-08-18 | 北京航空航天大学 | 一种基于深度学习网络的高光谱异常检测方法 |
CN116612356B (zh) * | 2023-06-02 | 2023-11-03 | 北京航空航天大学 | 一种基于深度学习网络的高光谱异常检测方法 |
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
CN116452464B (zh) * | 2023-06-09 | 2023-08-22 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230252761A1 (en) | Method for classifying hyperspectral images on basis of adaptive multi-scale feature extraction model | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
Plaza et al. | Spatial/spectral endmember extraction by multidimensional morphological operations | |
Chang | Hyperspectral target detection: Hypothesis testing, signal-to-noise ratio, and spectral angle theories | |
Chen et al. | Deep learning-based classification of hyperspectral data | |
Hu et al. | Accurate automatic quantification of taxa-specific plankton abundance using dual classification with correction | |
Du et al. | Spatial and spectral unmixing using the beta compositional model | |
Fu et al. | A novel band selection and spatial noise reduction method for hyperspectral image classification | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN115661069A (zh) | 一种高光谱异常检测方法及计算机装置 | |
CN105678788B (zh) | 一种基于hog和低秩分解的织物疵点检测方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
CN107341505B (zh) | 一种基于图像显著性与Object Bank的场景分类方法 | |
CN109255289A (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
Huang et al. | Hyperspectral image classification via discriminant Gabor ensemble filter | |
CN112766223B (zh) | 基于样本挖掘与背景重构的高光谱图像目标检测方法 | |
Yuan et al. | Hyperspectral anomaly detection via sparse dictionary learning method of capped norm | |
Yang et al. | Dynamic fractal texture analysis for PolSAR land cover classification | |
CN109801305A (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
Liu et al. | Region-based relaxed multiple kernel collaborative representation for hyperspectral image classification | |
Chen et al. | Hierarchical clustering based band selection algorithm for hyperspectral face recognition | |
CN110163182A (zh) | 一种基于kaze特征的手背静脉识别方法 |
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 |