本發(fā)明專利技術(shù)提出了一種基于深度特征聚合的高光譜異常檢測方法，主要解決現(xiàn)有方法檢測效果不佳的問題。方案包括：1)將自適應聚合模型整合到自編碼器網(wǎng)絡中，構(gòu)建充分利用高光譜圖像的空間?光譜信息的深度特征聚合網(wǎng)絡模型；2)設(shè)計多重聚合分離損失函數(shù)，促使模型能夠增強潛在背景特征的表征并且弱化潛在異常特征的表征，從而提高背景和異常區(qū)分能力；3)采用遞進式訓練策略，對構(gòu)建的模型進行優(yōu)化訓練；4)引入馬氏距離對重構(gòu)誤差進行評估，實現(xiàn)高光譜異常檢測。本發(fā)明專利技術(shù)通過對多種不同地物背景的表征，為高光譜異常檢測提供了一種新范式，增強了模型對背景和異常的區(qū)分能力，并有效提升了高光譜圖像異常檢測的精度。
1、高光譜異常檢測是高光譜圖像處理任務之一，其定義為：在沒有先驗知識的高光譜圖像中，捕獲與周圍像素有著明顯光譜差異的像素。其特性被廣泛用于軍事、農(nóng)業(yè)、地質(zhì)、海洋等領(lǐng)域。近些年，深度學習模型引起高光譜領(lǐng)域研究者的關(guān)注，將其應用于高光譜異常檢測領(lǐng)域中，取得不錯的檢測精度。
2、對[fan?g,ma?y,mei?x,et?al.hyperspectral?anomaly?detection?with?robustgraph?autoencoders[j].ieee?transactions?on?geoscience?and?remote?sensing,2021,60:1-14.]等深度學習高光譜異常檢測方法進行分析和挖掘，發(fā)現(xiàn)現(xiàn)有深度學習方法仍然存在一些問題需要去探索和解決：1)現(xiàn)有基于深度學習的高光譜異常檢測方法，將背景特征和深度模型訓練單獨進行處理，導致模型無法定向優(yōu)化背景的重構(gòu)產(chǎn)生次優(yōu)解問題；2)現(xiàn)有深度學習方法將高光譜異常檢測在理論上視為一種二分類問題，即：背景當做一類地物目標，而異常當成另一類地物目標。然而，這種理想設(shè)想不符合實際的高光譜圖像場景。因為高光譜圖像的背景是復雜的且包含多個地物類型。即使其地物類型是一類，但其特征也是多樣的。因此，這種方式促使背景重構(gòu)效果不理想，檢測效果有待提高。
>1、本專利技術(shù)目的在于針對上述現(xiàn)有技術(shù)的不足，提出了一種基于深度特征聚合的高光譜異常檢測方法。針對背景的多類別地物，結(jié)合空間-光譜信息挖掘其特性，同時設(shè)計聯(lián)合損失函數(shù)，優(yōu)化背景重構(gòu)，從而提高捕獲異常的性能。2、實現(xiàn)本專利技術(shù)的思路：首先，將三維的高光譜圖像轉(zhuǎn)化為二維矩陣，構(gòu)建一個自適應聚合自編碼器，提取高光譜圖像的空間-光譜信息，并區(qū)分出多類別的背景地物目標和異常地物目標。然后，設(shè)計一種多重聚合分離損失函數(shù)，進行潛在背景特征的增強和潛在異常特征的弱化。接著，采用一種遞進式策略進行訓練模型。最后，訓練后的模型進行測試，引入馬氏距離進行異常檢測。
3、為了實現(xiàn)上述目的，本專利技術(shù)技術(shù)方案實現(xiàn)步驟如下：
4、(1)將三維高光譜圖像轉(zhuǎn)化為二維矩陣其中n＝h×w，h、w和b分別表示高光譜圖像的長、寬和波段；
5、(2)基于全連接層搭建由編碼器、解碼器和自適應聚合單元組成的自適應聚合網(wǎng)絡，其中編碼器和解碼器采用u-net結(jié)構(gòu)，且均包含3個全連接層；自適應聚合模塊由正交光譜注意模塊和背景-異常類別統(tǒng)計模塊兩部分構(gòu)成，其中正交光譜注意模塊包含gram-schmidt操作和2個全連接層，背景-異常類別統(tǒng)計模塊采用基于密度的含噪聲空間聚類dbscan法獲取聚類結(jié)果并進行類別統(tǒng)計；
6、(3)使用二維矩陣作為訓練樣本，采用遞進式訓練策略對構(gòu)建的自適應聚合網(wǎng)絡進行訓練，得到訓練好的自適應聚合網(wǎng)絡模型；所述遞進式訓練策略即兩階段訓練方式，具體如下：
7、第一階段：根據(jù)經(jīng)驗設(shè)置第一階段最大迭代次數(shù)為epoch1，利用mse損失函數(shù)預訓練去除背景-異常類別統(tǒng)計模塊的自適應聚合網(wǎng)絡，獲取預訓練參數(shù)；
8、第二階段：根據(jù)經(jīng)驗設(shè)置第二階段最大迭代次數(shù)為epoch2，利用預訓練參數(shù)，采用多重聚合分離損失函數(shù)ltotal訓練自適應聚合網(wǎng)絡；實現(xiàn)如下：
9、構(gòu)建多重聚合分離損失函數(shù)ltotal：
10、ltotal＝lwpa+αlepb
11、其中，lwpa是減弱潛在異常的損失函數(shù)，lepb是增強潛在背景的損失函數(shù)，α是加權(quán)系數(shù)；
12、
13、s.t{wl＝1,xl∈knormal；wl＝0,xl∈kanomaly}
14、其中，xl和分別表示第l個高光譜像素和其對應重構(gòu)的結(jié)果，l＝1,2,...,n；knormal和kanomaly分別表示背景類和異常類，wl表示第l個像素的損失賦予的權(quán)重；
15、lepb＝lbc+βlcd+γlci
16、其中，lbc表示最大化背景像素點與其相應簇中心的相似性；lcd表示最小化背景像素點到不同聚類中心的相似性；lci表示最大化背景聚類中心與原始潛在特征的相似性；β、γ分別表示lcd和lci的加權(quán)系數(shù)；
17、
18、
19、
20、其中，表示在第ki個聚類中第j個像素特征，是第ki個聚類的中心，sad(·)是光譜角距離；i＝1,2,...,m，m表示背景聚類的個數(shù)；
21、
22、
23、其中，表示與背景像素最相似的聚類中心，ka表示對應的索引；
24、lci＝sad(δt，δt-1)
25、
26、其中，δt表示第t輪迭代時所有背景聚類的中心，t＝1,2，...，epoch2；令lci的初始值為0；
27、(4)將二維矩陣x'輸入訓練好的自適應聚合網(wǎng)絡模型中，利用模型測試每一個高光譜像素，獲取重構(gòu)圖像；并根據(jù)重構(gòu)圖像和原始圖像計算重構(gòu)誤差y；
28、(5)利用馬氏距離對重構(gòu)誤差進行異常檢測，得到最終檢測結(jié)果，即高光譜異常檢測結(jié)果。
29、本專利技術(shù)與現(xiàn)有技術(shù)相比，其優(yōu)點在于：
30、第一、本專利技術(shù)考慮到高光譜圖像的背景復雜且包含多個地物類型，即使其地物類型是一類，但其特征也是多樣的，提出的基于深度特征聚合網(wǎng)絡的高光譜異常檢測方法可以有效表征多種不同背景地物目標，相較于現(xiàn)有方法將高光譜異常檢測在理論上視為一種二分類問題，即背景和異常分別當做兩類不同地物目標，本專利技術(shù)貼合實際的高光譜圖像應用場景，更有助于背景的重構(gòu)。
31、第二、由于本專利技術(shù)采用了一種自適應聚合網(wǎng)絡，通過空間-光譜結(jié)合策略有效提取背景特征和異常特征，從而克服了現(xiàn)有技術(shù)側(cè)重于光譜特征的利用，容易疏忽空間信息使用的問題。
32、第三、本專利技術(shù)設(shè)計了一種多重聚合分離損失函數(shù)實現(xiàn)模型優(yōu)化，促使模型能夠增強潛在背景特征的表征并且弱化潛在異常特征的表征，從而提高背景和異常區(qū)分能力。
本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于深度特征聚合的高光譜異常檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟(2)中所述正交光譜注意模塊，首先將編碼器提取的二維潛在特征轉(zhuǎn)化為三維特征C表示特征維度；然后通過Gram-Schmidt操作，將隨機初始化濾波轉(zhuǎn)化為正交濾波接著在每一個維度上，將三維特征和正交濾波進行融合得到融合后的特征，最后通過兩層全連接層對融合后的特征進行提取，得到全局特征并將全局特征S′和三維特征Z′進行特征相乘，將其結(jié)果轉(zhuǎn)化為二維形式輸出至背景-異常類別統(tǒng)計模塊。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述將三維特征和正交濾波進行融合，具體是根據(jù)下式得到融合后的特征fortho(Z)c：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟(2)中所述背景-異常類別統(tǒng)計模塊，對正交光譜注意模塊輸出的特征采用基于密度的含噪聲空間聚類DBSCAN法獲取聚類結(jié)果，并統(tǒng)計每個聚類的類別像素個數(shù)；設(shè)置閾值ξ用于判定異常類，即如果類別像素個數(shù)小于閾值ξ，則該類為異常類，反之判定其為背景類。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟(4)中將二維矩陣X'輸入訓練好的自適應聚合網(wǎng)絡模型中，利用模型測試每一個高光譜像素，獲取重構(gòu)圖像，具體如下：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟(5)中利用馬氏距離對重構(gòu)誤差進行異常檢測，具體是利用馬氏距離衡量重構(gòu)誤差的異常程度，被測像素的馬氏距離越大，則表明其異常程度越大；實現(xiàn)如下：
...
【技術(shù)特征摘要】
1.一種基于深度特征聚合的高光譜異常檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟(2)中所述正交光譜注意模塊，首先將編碼器提取的二維潛在特征轉(zhuǎn)化為三維特征c表示特征維度；然后通過gram-schmidt操作，將隨機初始化濾波轉(zhuǎn)化為正交濾波接著在每一個維度上，將三維特征和正交濾波進行融合得到融合后的特征，最后通過兩層全連接層對融合后的特征進行提取，得到全局特征并將全局特征s′和三維特征z′進行特征相乘，將其結(jié)果轉(zhuǎn)化為二維形式輸出至背景-異常類別統(tǒng)計模塊。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述將三維特征和正交濾波進行融合，具體是根據(jù)下式得到融合后的特征fortho(z)c：
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王海，成曦，張敏，霍豫，林生，董優(yōu)強，
申請(專利權(quán))人：西安電子科技大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。