基于非負矩陣分解的異常檢測方法及其裝置的制造方法
【技術領域】
[0001] 本發明屬于遙感數據處理技術領域，具體涉及一種基于非負矩陣分解的異常檢測 方法及其裝置。
【背景技術】
[0002] 遙感技術是二十世紀末人類在對地觀測方面所取得的重大技術突破之一，而高光 譜遙感技術正是當前遙感的前沿技術。高光譜圖像是一種三維圖像，除傳統圖像上的二維 平面外還有光譜維。高光譜圖像的每個波段都可以被單獨看作一張圖像，將所有波段的圖 像疊加起來，會形成一個圖像立方體。理論上已經證明高光譜數據立方體內光譜維間各波 段的數據有著很強的相關性，而在高維空間內部幾乎不含有數據，大部分數據只集中于低 維空間，即只集中于其中少數若干波段，其余大多數波段所含的都是無意義的信息或者噪 聲。因此如何對高光譜波段降維，從大量冗余波段中提取到有用的信息，便成為一項重要的 論題。
[0003] 目前對高光譜圖像降維的方法中，常用的有主成分分析（PCA)和獨立成分分析 (ICA)兩種，其中：
[0004] 主成分分析是一種基于線性子空間投影的特征提取方法，它是研宄如何通過少數 幾個主成分來解釋多變量的協方差結構，通過導出幾個主成分，使它們盡可能多地保留原 始變量的信息，且彼此間不相關。PCA也是目前高維數據降維方面應用最為廣泛的一種方 法。在PCA變換后的新的子空間中，圖像之間的相關性基本消除，用幾個主成分就可以代表 原始數據中的大多數信息，而其中的第一主分量包含了絕大部分的信息。由于我們只取前 一到二個主分量，所以這種方法算法簡單，容易實現，但是其他沒有取到的波段仍然含有許 多有用的信息，因此此方法效率很低，所得結果評估較差。
[0005] 獨立成分分析是從多元統計數據中尋找內在因子或者成分的一種統計方法，得到 統計獨立并且非高斯的成分，最終結果被稱為獨立成分（1C)。獨立成分分析在圖像處理中 得到了廣泛應用，很多重要的特征信息都與圖像像素的高階統計特性有著密切的關系，ICA 方法提取的正是這些高階信息，這也與高光譜高數據維的結構特點相符合。此方法效率要 比PCA算法高出很多，但是需要復雜的預處理過程，而且算法的隨機性很高，所得結果與所 取初值有很大關系，不易實現。
【發明內容】
[0006] 有鑒于此，本發明的主要目的在于提供一種基于非負矩陣分解的異常檢測方法及 其裝置
[0007] 為達到上述目的，本發明的技術方案是這樣實現的：
[0008] 本發明實施例提供一種基于非負矩陣分解的異常檢測方法，該方法為：對讀取的 高光譜圖像進行預處理獲得剔除噪聲的高光譜圖像，將所述獲得的剔除噪聲的高光譜圖像 進行向量轉換獲得二維初始化矩陣V，再對二維初始化矩陣V進行線性分解生成隨機初始 化基矩陣W和系數矩陣H，根據非負矩陣分解的乘性迭代法則對隨機初始化基矩陣W和系數 矩陣H進行迭代獲得含有若干個波段的高光譜圖像，最后根據局部的自適應的核密度估計 算子對所述含有若干個波段的高光譜圖像中含有異常信息最多的一個波段的高光譜圖像 進行處理，獲得檢測出異常目標的圖像。
[0009] 上述方案中，所述根據迭代規則對隨機初始化基矩陣W和系數矩陣H進行迭代獲 得含有若干個個波段的高光譜圖像，具體為：根據非負矩陣分解的乘性迭代法則分別對隨 機初始化基矩陣W和系數矩陣H進行迭代，所述非負矩陣分解的乘性迭代法則分別為：
[0010]
【主權項】
1. 一種基于非負矩陣分解的異常檢測方法，其特征在于，該方法為：對讀取的高光譜 圖像進行預處理獲得剔除噪聲的高光譜圖像，將所述獲得的剔除噪聲的高光譜圖像進行向 量轉換獲得二維初始化矩陣V，再對二維初始化矩陣V進行線性分解生成隨機初始化基矩 陣W和系數矩陣H，根據非負矩陣分解的乘性迭代法則對隨機初始化基矩陣W和系數矩陣H 進行迭代獲得含有若干個波段的高光譜圖像，最后根據局部的自適應的核密度估計算子對 所述含有若干個波段的高光譜圖像中含有異常信息最多的一個波段的高光譜圖像進行處 理，獲得檢測出異常目標的圖像。
2. 根據權利要求1所述的基于非負矩陣分解的異常檢測方法，其特征在于，所述根據 迭代規則對隨機初始化基矩陣W和系數矩陣H進行迭代獲得含有若干個個波段的高光譜圖 像，具體為：根據非負矩陣分解的乘性迭代法則分別對隨機初始化基矩陣W和系數矩陣H進 行迭代，所述非負矩陣分解的乘性迭代法則分別為：
;其中i、k、j各表示行數和列數，矩陣WT、Ht 分別為矩陣W和T的轉置矩陣； 根據二維初始化矩陣V與隨機初始化基矩陣W和系數矩陣H之間的歐氏距離的平方作 為目標函數來衡量分解后的結果與原始矩陣的接近程度，設定閾值n，將每次迭代后的隨 機初始化基矩陣w與系數矩陣H送入目標函數，獲得迭代結果，如果所述迭代結果大于n 返回繼續進行迭代；如果所述迭代結果小于n，則停止迭代，將系數矩陣H轉變為三維的高 光譜圖像，即得到含有較多異常信息的幾個波段的高光譜圖像。
3. 根據權利要求1所述的基于非負矩陣分解的異常檢測方法，其特征在于，所述根據 迭代規則對隨機初始化基矩陣W和系數矩陣H進行迭代獲得含有若干個波段的高光譜圖 像，之后該方法還包括：根據異常檢測算子PASNR將含有若干個波段的高光譜圖像中若干 個波段圖像按異常信息數按照大到小排列，并且從中選取5個含有最大異常信息的波段圖 像再次轉變為二維圖像。
4. 根據權利要求3所述的基于非負矩陣分解的異常檢測方法，其特征在于，所述最 后根據局部的自適應的核密度估計算子對所述含有若干個波段的高光譜圖像中含有異常 信息最多的一個波段的高光譜圖像進行處理，獲得檢測出異常目標的圖像，具體為：根據 LAKDE算子分別對含有5個波段的二維圖像中每一部分進行處理，處理后獲得整體的檢測 出目標的圖像。
5. 根據權利要求4所述的基于非負矩陣分解的異常檢測方法，其特征在于，所述根據 LAKDE算子分別對含有5個波段的二維圖像中每一部分進行處理，處理后獲得整體的檢測 出目標的圖像，具體為：所述LAKDE算子的二元假設判別函數為：
其中x為待檢測的樣本點，XiS周圍其他的樣本點，N為像素數，k為核函數，用來決 定數據空間中的數據樣本周圍域的形狀，h(k，x)為核函數的帶寬，n為判別閾值，在假設 為氏的情況下，aUKDE_AD(X)大于n，x為異常目標；在假設為％的情況下，aUKDE_AD(X)小于 n，x為背景點。
6. -種基于非負矩陣分解的異常檢測裝置，其特征在于，該裝置包括：預處理模塊、轉 換和分解模塊、迭代模塊、檢測模塊； 所述預處理模塊，用于對讀取的高光譜圖像進行預處理獲得剔除噪聲的高光譜圖像； 所述轉換和分解模塊，用于將所述獲得的剔除噪聲的高光譜圖像進行向量轉換獲得二 維初始化矩陣V，再對二維初始化矩陣V進行線性分解生成隨機初始化基矩陣W和系數矩陣 H； 所述迭代模塊，用于根據非負矩陣分解的乘性迭代法則對隨機初始化基矩陣W和系數 矩陣H進行迭代獲得含有若干個波段的高光譜圖像， 所述檢測模塊，用于最后根據局部的自適應的核密度估計算子對所述含有若干個波段 的高光譜圖像中含有異常信息最多的一個波段的高光譜圖像進行處理，獲得檢測出異常目 標的圖像。
7. 根據權利要求6所述的基于非負矩陣分解的異常檢測裝置，其特征在于， 所述迭代模塊，具體為用于根據非負矩陣分解的乘性迭代法則分別對隨機初始 化基矩陣W和系數矩陣H進行迭代，所述非負矩陣分解的乘性迭代法則分別為：
;其中i、k、j各表示行數和列數，矩陣WT、HT分別 為矩陣W和T的轉置矩陣； 根據二維初始化矩陣V與隨機初始化基矩陣W和系數矩陣H之間的歐氏距離的平方作 為目標函數來衡量分解后的結果與原始矩陣的接近程度，設定閾值n，將每次迭代后的隨 機初始化基矩陣w與系數矩陣H送入目標函數，獲得迭代結果，如果所述迭代結果大于n 返回繼續進行迭代；如果所述迭代結果小于n，則停止進行迭代，將系數矩陣H轉變為三維 的高光譜圖像，即得到含有較多異常信息的幾個波段的高光譜圖像。
8. 根據權利要求6所述的基于非負矩陣分解的異常檢測裝置，其特征在于，該裝置還 包括排序模塊，用于根據異常檢測算子PASNR將含有若干個波段的高光譜圖像中若干個波 段圖像按異常信息數按照大到小排列； 所述轉換和分解模塊，還用于從中選取5個含有最大異常信息的波段圖像再次轉變為 二維圖像。
9. 根據權利要求8所述的基于非負矩陣分解的異常檢測裝置，其特征在于，所述所述 轉換和分解模塊，具體用于根據LAKDE算子分別對含有5個波段的二維圖像中每一部分進 行處理，處理后獲得整體的檢測出目標的圖像。
10. 根據權利要求9所述的基于非負矩陣分解的異常檢測裝置，其特征在于，所述轉換 和分解模塊，具體用于所述LAKDE算子的二元假設判別函數為：
其中x為待檢測的樣本點，XiS周圍其他的樣本點，N為像素數，為核函數，用來決定數 據空間中的數據樣本周圍域的形狀，h(k，x)為核函數的帶寬，n為判別閾值，在假設為氏 的情況下，AUKDE_AD(X)大于n，x為異常目標；在假設為％的情況下，aUKDE_AD(X)小于n， X為背景點。
【專利摘要】本發明公開了一種基于非負矩陣分解的異常檢測方法，對讀取的高光譜圖像進行預處理獲得剔除噪聲的高光譜圖像，將所述獲得的剔除噪聲的高光譜圖像進行向量轉換獲得二維初始化矩陣V，再對二維初始化矩陣V進行線性分解生成隨機初始化基矩陣W和系數矩陣H，根據非負矩陣分解的乘性迭代法則對隨機初始化基矩陣W和系數矩陣H進行迭代獲得含有若干個波段的高光譜圖像，最后根據局部的自適應的核密度估計算子對所述含有若干個波段的高光譜圖像中含有異常信息最多的一個波段的高光譜圖像進行處理，獲得檢測出異常目標的圖像；本發明還公開了一種基于非負矩陣分解的異常檢測裝置，通過本發明能夠消除大量的冗余波段和噪聲信息，從而有效地提高了異常檢測的效率。
【IPC分類】G06T7-00
【公開號】CN104778706
【申請號】CN201510191275
【發明人】周慧鑫, 宋尚真, 秦翰林, 殷寬, 曹洪源, 金浩文, 龐英名, 延翔, 杜娟, 榮生輝, 王炳健, 王慧杰
【申請人】西安電子科技大學
【公開日】2015年7月15日
【申請日】2015年4月21日