基于像素選擇過程的高光譜圖像異常目標檢測方法
【專利摘要】本發明提供一種基于像素選擇過程的高光譜圖像異常目標檢測方法，包括以下步驟：1】對高光譜圖像進行歸一化預處理，并設定檢測窗口尺寸；2】采用滑動窗口技術，獲得待檢測高光譜圖像塊X，X∈RN×D；其中，R是實數空間，N是圖像塊中的像素點數目，D是高光譜數據的光譜波段數；3】計算每個像素點Xi的重構誤差εi；4】構建頂點-邊緣權重圖；5】構建像素選擇過程模型；6】重復步驟2】-步驟5】，直至完成整幅高光譜圖像異常目標的檢測，獲得最終的異常概率圖。該高光譜圖像異常目標的檢測方法，解決了現有的檢測技術需要對背景分布進行假設，適應性差，背景與目標的差異性不足，檢測能力低的技術問題。
【專利說明】
基于像素選擇過程的高光譜圖像異常目標檢測方法
技術領域
[0001] 本發明屬于圖像處理技術領域，具體設及一種針對高光譜圖像進行異常目標檢測 的方法。
【背景技術】
[0002] 高光譜圖像包含豐富的光譜信息，能夠為地物目標微小差異的識別提供辨別性線 索。而高光譜圖像的異常目標檢測正是基于此特性的典型應用，其主要目的是識別圖像場 景中顯著偏離背景光譜特性的目標。運種檢測實質是一種二分類問題，即將待觀測的像素 分類為背景或目標。與有監督的目標檢測問題不同，高光譜的異常目標檢測沒有任何關于 目標或背景的先驗光譜信息，其僅僅依靠對所設定的參考背景進行建模，尋找不滿足背景 模型分布的點，進而定義為異常。由于運樣的技術特性相比于有監督的目標檢測更符合實 際情況，因而已經被應用在很多領域，如精準農業，公共安全，智能防御等。
[0003] 目前，根據對背景分布不同的假設，高光譜圖像的異常檢測算法可W分為兩類。
[0004] 一是基于均勻光譜分布假設的異常檢測。運種方法假設整個背景服從均勻的 光譜分布，具有代表性的算法就是由Reed和化等在文獻"I. Reed and X.化.Adaptive Multiple-band CFA民 Detection of An Optical Pattern with Unknown Spectral Distribution. IEEE Transactions on Acoustics，Speech and Signal Process! ng，38 (10) : 1760 - 1770, 1990"提出的RX算法。該方法假設背景服從相同的多元正態分布， 利用馬氏距離衡量待檢測像素與背景光譜分布的偏離程度。該方法存在兩點不足：第一點 是高斯分布不能準確地描述真實的高光譜數據，其主要原因來源于由地表材料的多樣性和 信號獲取過程的干擾性所造成的高光譜圖像復雜的分布特性；第二點是小樣本問題，利用 較小數量的樣本進行高維背景協方差矩陣的計算，會導致病態矩陣處理問題。研究者也相 繼提出很多方法克服RX算法存在的問題。一類是RX算法的變種，但是由于其本質的假設 沒有改變，所W固有的問題還是存在；另一類是基于核理論的算法，將數據映射到高維特征 空間增強目標與背景的辨別性，但是較高的計算負擔依然是該類核算法難W突破的瓶頸。 陽0化]二是基于多類光譜分布假設的異常檢測。運種方法假設復雜的背景包含多類不同 的分布。典型的技術路線是先分別評估不同類別的信息，然后綜合分析，其代表性的算法 Carlotto 在文獻"M. J. Carlotto. A Ccluster-based Approach for Detecting Man-made Objects and Changes in Imagery. IEEE Transactions on Geoscience and Remote Sensing, 43(2) :374 - 387, 2005"提出的基于聚類的檢測方法。該算法首先利用聚類算法 將高光譜圖分割成幾類，然后在每一類利用原始的RX算法實現異常目標的檢測。運類算法 的檢測性能依賴于聚類數目的設定：當聚類數目低于真實數據聚類數目，會導致類間的差 異性降低，檢測性能下降；當聚類數目高于真實數據聚類數目，會導致異常目標被誤分為一 類，造成不可檢測。
【發明內容】
[0006]本發明目的是提供一種高光譜圖像異常目標的檢測方法，解決了現有的檢測技術 需要對背景分布進行假設，適應性差，背景與目標的差異性不足，檢測能力低的技術問題。 陽007] 本發明的技術解決方案是：
[0008] 一種基于像素選擇過程的高光譜圖像異常目標檢測方法，包括W下步驟：
[0009] 1】對高光譜圖像進行歸一化預處理，并設定檢測窗口尺寸；
[0010] 2】采用滑動窗口技術，獲得待檢測高光譜圖像塊X，X e 其中，R是實數空間， Ν是圖像塊中的像素點數目，D是高光譜數據的光譜波段數；
[0011] 3】計算每個像素點Xi的重構誤差ε 1:
[0012] 3. 1】在高維數據空間，尋找圖像塊X中每個像素點Xi的Κ個最近鄰；
[0013] 3. 2】進行局部線性表示，最小化重構誤差
計算得到線性 權重系數
[0014] 3. 3】保持局部嵌入關系不變，通過線性變換，將高維空間數據Xi映射到低維向量 空間YiG Rd;最小化損失函數
計算得到每個像素點的重構誤差 ε 1; 陽01引 4】構建頂點-邊緣權重圖：
[0016] 將圖像塊Xi中的每一個像素點作為圖模型中的頂點V，將重構誤差ε 1作為頂點 權重，利用公式
計算得到圖像塊中任意兩點之間的歐式距離a，，作 為連接它們的邊緣權重，完成圖模型的構建；
[0017] 5】構建像素選擇過程模型：
[0018] 5. 1】利用頂點權重和邊緣權重值計算相似矩陣i = n ?Π ，其中Π =diag( ε );構 建像素選擇目標函數：
[0019]
[0020] S. t. Ρ e Δ
[0021] 其中Ρ是異常概率向量，它的每一個元素表示圖像塊每一中像素點的異常概率， 滿足 A = {Ρ > 0,忡=U ;
[0022] 5. 2】利用復制動態算法求解像素選擇目標函數；給定初始值
通過一階 復制方程的離散時間形式，即公式
[0023]
[0024] 進行迭代計算，當迭代收斂時，近似的穩定解等于局部解；
[00巧]5. 3】求解得到向量P，其包含的每個元素對應所處理的圖像塊中每個像素點的異 常概率。
[00%] 6】重復步驟2】-步驟5】，直至完成整幅高光譜圖像異常目標的檢測，獲得最終的 異常概率圖。
[0027] 步驟1中所述的檢測窗口包括內窗口和外窗口；所述內窗口為保護窗口，用于減 少異常目標的干擾；所述外窗口用于限定檢測范圍。
[0028] 本發明的優點在于：
[0029] (1)本發明將流形學習技術與圖理論相結合，避免了對背景數據分布進行假設，提 局了算法應用性；
[0030] (2)本發明中構建的頂點-權重圖，充分考慮了每個像素的特性W及與其他所有 像素的關系，能夠有效抑制數據中噪聲的干擾，提高異常目標的檢測能力。
【附圖說明】
[0031] 圖1為本發明基于像素選擇過程的高光譜圖像異常目標檢測方法的流程圖。
【具體實施方式】
[0032] 參照圖1，本發明的實現方法主要如下：
[003引 （1)采用滑窗策略，提取每次處理的圖像塊。
[0034] (la)首先對獲得的高光譜圖像進行歸一化預處理。然后，采用內外窗口，（內部 窗口作為保護窗口，減少異常目標的干擾；外部窗口，限定檢測范圍），提取高光譜圖像塊 X e RWXD，其中N是圖像塊中的像素點數目，D是高光譜數據的光譜波段數。
[00對 似采用流形學習技術，計算每個像素點的重構誤差。
[0036] 姑）在高維空間，尋找圖像塊X中每個像素 Xi的K個最近鄰，并進行局部線性表 示，最小化重構誤差
可W計算得到線性表示系數wf
[0037] (2b)保持局部嵌入關系不變，通過線性變換，將高維空間數據Xi映射到低維向量 空間Rd。最小化損失函I
可W計算得到每個像素點的重構 誤差。
[0038] (3)構建頂點-邊緣權重圖。
[0039] 將步驟（2b)中計算的重構誤差ε，作為頂點權重。計算圖像塊中所有點之間的歐 式距離，作為圖中的邊緣連接兩個頂點。利用
得到最終的邊緣對稱權 重矩陣Α。 W40] (4)異常像素選擇過程，獲得異常概率圖，計算AUC值。
[0041] (4a)利用頂點權重和邊緣權重值計算相似矩陣/'?二rl·們（Π = diag(<'-'））。與子集 選擇類似，構建像素選擇目標函數為：
[0042]
[0043] s. t. P e Δ，
[0044] 其中P是異常概率向量，它的每一個元素表示圖像塊每一中像素點的異常概率， 其滿足A =巧> 0, iTp = 1}。最大化目標函數，實際上對應的是為具有較大的頂點權重 和邊緣權重的頂點分配較大的概率，即越是異常的像素點將W較大的概率從所構建的圖關 系中挑選出來。
[0045] (4b)利用復制動態算法求解像素選擇目標函數。給定初始值
通過一階 復制方程的離散時間形式，局部解可W通過
[0046]
[0047] 得到。當迭代收斂時候，近似的穩定解等于局部解。最終從求解得到的向量P的 每個元素對應圖像塊中每個像素的異常概率，本發明從P中選出與滑窗中屯、待檢測像素所 對應的元素，作為該高光譜像素的異常概率。
[0048] 本發明的效果可W通過W下仿真實驗做進一步的說明。 W例 1.仿真條件 陽化0] 本發明是在中央處理器為Intel佩Core i3-21303.40GHZ、內存16G、WINDOWS 8 操作系統上，運用MATLAB軟件進行的仿真。
[0051] 實驗中使用的實驗數據是從美國陸軍工程研究和開發中屯、的網站下載的HYDICE urban數據。該數據的光譜范圍為400-2500皿，包括210個波段。實驗中去除了低信噪比 和水汽吸收波段，保留了 160個光譜波段。同時，從原始圖像截取80X100的子圖進行異常 目標的檢測。 陽化引 2.仿真內容
[0053] 按如下步驟用本發明方法進行人高光譜圖像的異常檢測：
[0054] 首先，在HYDICE urban數據，完成本發明算法（基于圖像素選擇）的實驗。為 了證明算法的有效性，綜合考慮算法的流形性、嶄新性和多樣性，選擇了 5個基準算 法 RX、GRX、RSAD、WSCF、SV孤進行比較。其中，GRX 在文獻"Z.化an,比 Sun, K. Ji, Z. Li, and Η. Zou. Local Sparsity Divergence for Hyperspectral Anomaly Detection. IEEE Geoscience and Remote SensingLetters, 11 (10):1697 - 1701，2014."有詳 細的介紹；RSAD 算法是文獻"B. Du and L Zhang. Random-selection-based Anomaly Detector for Hyperspectral Imagery.IEEE Transactions on Geoscience and Remote Sensing, 49 巧）：1578 - 1589, 2011，，提出的；啡5〔尸是文獻"^-]\16過11〇61，]\1 Guillaume,and S. Bourennane. Whitening Spatial Correlation Filtering for Hyperspectral Anomaly Detection. In Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing, 2005:333 - 336."提出的；SVDD 是文 南犬"A. Banerjee, P. Burlina,and C. Diehl.A Support Vector Method for Anomaly Detection in Hyperspectral Imagery. IEEE Transactions on Geoscienceand 民emote Sensing, 44巧）：2282 - 2291，2006"提出的。
[0055] 其次，將實驗中每種算法的檢測結果與地面真值進行比較，通過計算檢測率和虛 警率，繪制接受者操作特征曲線，進而計算接受者特征操作曲線下的面積值（AUC)，作為檢 測性能的衡量指標，結果如表1所示。
[0056] 表1高光譜異常檢測結果
[0057]
[005引從表1可見，本發明的檢測AUC值顯著地高于另外5種基準算法。本發明由于將 流形學習技術與圖理論相結合，避免了對背景數據分布進行假設，提高了算法應用性；本發 明構建的頂點-權重圖，充分考慮了每個像素的特性W及與其他所有像素的關系，能夠有 效抑制數據中噪聲的干擾，提高異常目標的檢測能力，因此獲得了更好的檢測結果，進一步 驗證了本發明的先進性。
【主權項】
1. 一種基于像素選擇過程的高光譜圖像異常目標檢測方法，其特征在于：包括W下步 驟： 1】對高光譜圖像進行歸一化預處理，并設定檢測窗口尺寸； 2】采用滑動窗口技術，獲得待檢測高光譜圖像塊X，X G 其中，R是實數空間，N是 圖像塊中的像素點數目，D是高光譜數據的光譜波段數； 3】計算每個像素點Xi的重構誤差e 1: 3. 1】在高維數據空間，尋找圖像塊X中每個像素點Xi的K個最近鄰； 3. 2】進行局部線性表示，最小化重構誤！計算得到線性權重 系數W，； 3. 3】保持局部嵌入關系不變，通過線性變換，將高維空間數據Xi映射到低維向量空間YiG Rd;最小化損失函數 計算得到每個像素點的重構誤差e 1; ， 4】構建頂點-邊緣權重圖： 將圖像塊X;中的每一個像素點作為圖模型中的頂點V，將重構誤差e 1作為頂點權重， 利用公式計算得到圖像塊中任意兩點之間的歐式距離曰1，，作為連接 它們的邊緣權重，完成圖模型的構建； 5】構建像素選擇過程模型： 5. 1】利用頂點權重和邊緣權重值計算相似矩聞；構建 像素選擇目標函數：S. t. P G A 其中P是異常概率向量，它的每一個元素表示圖像塊每一中像素點的異常概率，滿足 A = {P > 0, fp = 1}; 5. 2】利用復制動態算法求解像素選擇目標函數；給定初始通過一階復制 方程的離散時間形式，即公式進行迭代計算，當迭代收斂時，近似的穩定解等于局部解； 5. 3】求解得到向量P，其包含的每個元素對應所處理的圖像塊中每個像素點的異常概 率。 6】重復步驟2】-步驟5】，直至完成整幅高光譜圖像異常目標的檢測，獲得最終的異常 概率圖。2. 根據權利要求1所述的基于像素選擇過程的高光譜圖像異常目標檢測方法，其特征 在于：步驟I中所述的檢測窗口包括內窗口和外窗口；所述內窗口為保護窗口，用于減少異 常目標的干擾；所述外窗口用于限定檢測范圍。
【文檔編號】G06T7/00GK105989597SQ201510079650
【公開日】2016年10月5日
【申請日】2015年2月13日
【發明人】袁媛, 王 琦, 馬單丹
【申請人】中國科學院西安光學精密機械研究所