CN101794437B - 一种高光谱遥感影像异常探测方法 - Google Patents

Abstract

本发明公开了一种高光谱遥感影像异常探测方法：选择所需进行目标探测的待探测遥感影像；获取探测时需要的先验信息；确定背景窗口的大小，在背景窗口内建立与背景窗口同中心的两个或以上目标窗口，背景窗口和所有目标窗口构成多层嵌套窗口；开始采用多层嵌套窗口进行第一次遍历探测，即多层嵌套窗口的中心依次遍历待探测遥感影像中所有的像元位置，每遍历到一个像元位置时，计算该像元位置上各个目标窗口的异常度，并判断该像元位置分别是否为异常目标；然后采用多层嵌套窗口进行第二次遍历探测，进行第二次遍历探测时，背景窗口中排除第一次遍历探测时判断为异常目标的像元；以第二次遍历探测时判断为异常目标的像元作为异常目标探测结果。

Description

一种高光谱遥感影像异常探测方法

技术领域

本发明属于遥感影像处理技术领域，尤其是一种高光谱遥感影像异常探测方法。

背景技术

高光谱遥感影像中，地物分布情况比较复杂，人工建筑、运动车辆等感兴趣目标的提取是其中的难点问题。由于空间分辨率的限制，高光谱遥感影像中，混合像元现象普遍存在。混合像元现象是指，影像上的像元并不是由单一类别地物对应的反射信号构成的，而是多种类别地物的不同信号共同作用而构成。因此混合像元在高光谱遥感影像上反映出的光谱是由多种光谱共同混合而成的。在这种情况下，基于光谱特征的目标探测方法难以探测出感兴趣目标。此外目标光谱信息在事先难以提取获取，因此未知目标光谱信息的异常目标探测问题是亟须发展的技术。

高光谱遥感影像可以细致地反映不同地物的光谱差异。在特征空间中，异常目标具有与背景地物不同的分布特征，即目标与背景分别位于特征空间的不同区域。异常探测的任务即转化为：寻找一个有效的分离或检测界面，将异常目标与背景予以有效的分离。因此，高光谱遥感影像异常目标探测问题，本质上是一个分类问题。(D.Manolakis and G.Shaw，“Detection Algorithms forHyperspectral Imaging Applications，”IEEE Signal Processing Magazine，vol.19，no.1，pp.29-43，Jan.2002.)但是，与普通分类问题不同的是，异常探测是一个更加复杂的问题。主要地是由于：异常目标在影像上分布数据很小，即所谓的低概率特点。在这种情况下，目标样本的数目是非常有限的，因此一般的分类方法难以奏效。(C.I.Chang，S.S.Chiang.Anomalydetection and classification for hyperspectral imagery[J].IEEE Trans.Geosci.Remote Sensing，2002，40(6)：1314-1325.)发展针对高光谱遥感影像异常目标特点的异常探测技术，是非常有必要的。

高光谱遥感影像中，异常目标的另一个显著特点是，异常目标与背景的分布特征明显不同。在自然场景中，较大尺度范围内各种地物目标一般符合类似的分布。然后，当异常目标存在时，由于其光谱信号与各种背景地物明显不同，因而会呈现出明显不同的统计特征，这种异常目标一般为人工移动目标，如车辆、军事伪装目标，或人工建筑，如桥梁、信号基站等。这一类目标往往是地物提取中比较受到关注的地物，因而异常目标探测也具有较高的实际意义。

异常目标探测技术最早源于异常点探测(R.Reed，X.Yu.Adaptivemulti-band CFAR detection of an optical pattern with unknown spectraldistribution[J].IEEE Trans.Acoust.，Speech，Singal Process，1990，38(10)：293-305.)，即找到与绝大多数明显不同的“突出点”，例如通信中偏离正常值域区间的脉冲信号等。遥感影像中的异常目标探测是以一种信号处理的角度来探测感兴趣目标。Xiao Yu和S.Reed在1990年提出了一种基于最大似然检测的恒虚警率探测方法，在背景较为简单的条件下，针对多光谱遥感影像可以有效地探测异常目标。该方法假设背景符合正态分布，即算法假设前提为：背景服从空间均值快变、方差慢变多维高斯过程。整个处理过程被认为是统计均一的图像子块上完成，通过统计滑动窗口范围内的均值和方差来获取RX算法的参数。结果影像作为窗口中心点是否为目标的依据。

RX算法被证明同样适用于高光谱遥感影像，并且相关的研究机构提出了一系列的扩展算法，已成为高光谱遥感影像异常目标探测的标准算法。但是这些算法一般都只能解决单像元的小异常目标探测问题。在异常目标较大的情况下，这些方法难以奏效。其次，在高光谱遥感影像中，混合像元问题比较突出，异常目标与其他背景地物相混合，导致可分性下降。因此，有必要用新的研究思路解决大目标和混合像元内的异常目标探测问题。

窗口策略是高光谱遥感影像异常目标探测的常见策略，主要是利用滑动窗口选取探测算子的参数求解范围，例如均值和协方差矩阵。(参见参考文献[1]～[6])传统的异常目标探测算法一般采用单层窗口，考察中心像元是否为异常目标。这将会导致两个问题：在目标大于一个像元时，目标与周围窗口区域内的异常度降低，因而目标难以被探测出来；当窗口的非中心区域内也存在异常目标时，窗口内的协方差信息包含了目标信息，因而是不准确的，这也会导致探测错误。

本领域现有采用窗口策略的参考文献主要有：

[1]D.W.J.Stein，S.G.Beaven，L.E.Hoff，E.M.Winter，A.P.Schaumand A.D.Stocker.Anomaly detection from hyperspectral imagery[J].IEEE Trans.Signal Processing，2002，19(1)：58-69.

[2]C.J.Baker，J.M.Pink and R.J.A.Tough.A statistical model forradar target detection in clutter[C].Ann Arbor，USA.Proceedingsof the 1988 IEEE National Radar Conference，1988：241-245.

[3]D.G.Manolakis，D.Marden，J.P.Kerekes，G.A.Shaw.Statisticsof hyperspectral imaging data[J].Proceedings of SPIE，2001(4381)：308-316.

[4]P.B.Chapple，D.C.Bertilone，R.S.Caprari and G.N.Newsam.Stochastic model-based processing for detection of small targets innon-Gaussian natural imagery[J].IEEE Trans.Image Processing，2001，10(4)：554-564.

[5]A.Margalit，I.S.Reed，R.M.Gagliardi.Adaptive optical targetdetection using correlated images[J].IEEE Trans.aerospace andelectronic systems.1985，21(3)：394-405.

[6]S.M.Schweizer，J.M.F.Moura.Hyperspectral imagery：clutteradaptation in anomaly detection[J].IEEE Trans.Information Theory，2000，46(5)：1855-1871.

发明内容

本发明的目的是，在提供一种准确率高的用于高光谱遥感影像的异常目标探测方法。

为实现上述目的，本发明提供的高光谱遥感影像异常探测方法，包括以下步骤：

步骤1，选择所需进行目标探测的待探测遥感影像；

步骤2，获取探测时需要的先验信息；

步骤3，采用高阶矩计算高斯分布的方式，确定背景窗口的大小，所述背景窗口用于在待探测遥感影像上遍历探测时选出当前探测范围；在背景窗口内建立与背景窗口同中心的两个或以上目标窗口，目标窗口的大小根据目标大小层次设定，背景窗口和所有目标窗口构成多层嵌套窗口；

步骤4，根据步骤2所得先验信息，开始采用多层嵌套窗口对整个待探测遥感影像进行第一次遍历探测，

步骤5，多层嵌套窗口的中心依次遍历待探测遥感影像中所有的像元位置，每遍历到一个像元位置时，计算该像元位置上各个目标窗口的异常度；计算某个目标窗口的异常度实现方式如下，

计算背景窗口的统计特征，计算除去该目标窗口外的背景窗口内像元的协方差矩阵，依此计算目标窗口内各像元相对背景窗口的马氏距离并取平均值，将该平均值作为该目标窗口的异常度；

步骤6，根据预设的阈值和步骤5所得每个像元位置上各个目标窗口的异常度，判断多层嵌套窗口的中心遍历的每个像元位置分别是否为异常目标；

步骤7，返回步骤5开始采用多层嵌套窗口对整个待探测遥感影像进行第二次遍历探测；进行第二次遍历探测时，背景窗口中排除第一次遍历探测时在步骤6判断为异常目标的像元；以第二次遍历探测时在步骤6判断为异常目标的像元作为异常目标探测结果。

而且，步骤5中，所述求取目标窗口内某像元相对背景窗口的马氏距离，计算公式为：

$D\left(x\right)={(x-{\widehat{\mathrm{\μ}}}_b)}^T{(\frac{M}{M+1}{\hat{C}}_b+\frac{1}{M+1}(x-{\widehat{\mathrm{\μ}}}_b){(x-{\widehat{\mathrm{\μ}}}_b)}^T)}^{-1}(x-{\widehat{\mathrm{\μ}}}_b)$

其中，是除去目标窗口外的背景窗口内像元的协方差矩阵，

是背景的采样均值，x是待考察目标向量或区域均值向量，M为除去目标窗口外的背景窗口内像元的数目。

而且，步骤3中，在背景窗口内建立与背景窗口同中心的三个目标窗口，最大的目标窗口尺寸与最大的目标对应，最小的目标窗口尺寸与最小的目标对应，中等的目标窗口的尺寸取最大的目标窗口尺寸和最小的目标窗口尺寸均值。

而且，步骤6中，所述判断某个像元位置是否为异常目标，具体实现方式包括如下步骤，

步骤6.1，根据预设的阈值和最小的目标窗口的异常度，判断最小的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则进入步骤6.2；

步骤6.2，根据预设的阈值和中等的目标窗口的异常度，判断中等的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则进入步骤6.3；

步骤6.3，根据预设的阈值和最大的目标窗口的异常度，判断最大的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则判断该像元位置不是异常目标。

本发明通过定义多层嵌套窗口，表达目标的多尺寸结构，通过逐层比较各层目标窗口与背景窗口区域的异常度，确定目标的存在性及其尺寸大小。现有方法中的嵌套窗口结构多是双层的，即内部为目标窗口，外层为背景区域。这种结构只能处理单一尺寸异常目标，对目标大小缺乏适应性。而本发明利用多层嵌套窗口结构，定义多层同中心嵌套的目标窗口，例如采用三层目标窗口分别对应目标的最小尺度、中等尺度和最大尺度；可以通过分别对三种尺寸的目标窗口与背景区域的异常度进行分析，确定异常目标的位置和尺度。本发明所提供方法具有结构化强、适应度高、自组织、自学习的特点，并且运算实现效率较快；适合高光谱遥感影像的像元结构特点，适用于高光谱遥感影像的异常目标探测。

附图说明

图1为本发明实施例的目标窗口示意图；

图2为本发明实施例的多层嵌套窗口结构示意图；

图3为本发明实施例的流程框图。

具体实施方式

多层嵌套窗口结构是本发明的关键创新部分，这种结构充分考虑了异常目标的尺寸对异常探测中的影响。首先，异常目标的大小对于求解异常目标对背景的异常度有很大的影响。异常度的求解与背景协方差矩阵有关，该背景协方差矩阵是指除去目标窗口外的背景窗口内像元的协方差矩阵。当异常目标的大小超过待考察的目标窗口，目标窗口外的目标像元将进入外层背景统计特征的求解，因而背景协方差矩阵将包含目标的信息，异常目标的异常度将降低；当待考察的目标窗口恰好滑至背景像元处，而异常目标位于外层背景窗口内，背景协方差矩阵的信息将主要由异常目标构成，因而此时中心的背景像元相对于外层背景窗口也具有较大的异常度，这是现有技术会把背景像元误判为异常目标的原因。

为克服上述问题，本发明使用多层嵌套窗口的方法，在背景窗口内建立与其同中心的两个或两个以上目标窗口，各个目标窗口的大小可以根据所选的目标大小层次合理设定。一般在处于最外层的背景窗口内建立三层嵌套的目标窗口即可。其中，最大的目标窗口尺寸与最大的目标对应，一般采用可以包含最大异常目标的矩形区域；最小的目标窗口尺寸与最小的目标对应，一般可以取为单像元窗口；中等的目标窗口的尺寸取最大的目标窗口尺寸和最小的目标窗口尺寸均值。探测中，逐级分别考察大、中、小三层目标窗口相对于最外层背景窗口的异常度，则可以克服异常目标较大时对背景协方差矩阵的干扰。当异常目标位于最外层背景窗口，背景像元位于中心，背景像元相对于异常目标的异常度不会在每个层次的探测中都较大，因此不会被误判。

基于这种多层嵌套窗口结构，本发明提供高光谱遥感影像异常探测方法，包括以下步骤：

步骤1，选择所需进行目标探测的待探测遥感影像。

所需进行目标探测的遥感影像，本发明称为待探测遥控影像。具体实施时，可以采用计算机手段来实施本发明方法，例如提供一种遥感影像处理程序。该遥感影像处理程序可根据本发明的技术方案，由本领域技术人员采用软件编程技术提供，建议采用visual c++6.0开发。具体实施时，可以设定在遥感影像处理程序弹出影像参数对话框后，通过输入影像宽度、高度、波段数和数据类型选择打开输入所需进行目标探测的待探测遥感影像。

步骤2，获取探测时需要的先验信息。

先验信息包括目标端元光谱信息和背景端元光谱信息。根据探测的实际需求可以选择探测前获取的训练样区先验信息的方式，通过人工选取或者自动提取的方法获得。若已知某些像元含有目标，某些像元是不含有目标的背景像元，则可以直接输入待探测目标像元和背景像元。或者在探测时，未知哪些是目标、哪些是背景像元，但可以通过目视选择影像上部分像元作为目标，选择部分像元是背景，然后输入探测器。若已知目标的纯净光谱，可以将其作为输入的目标先验信息；若已知影像内的部分目标像元，则可以将他们取平均，作为输入的目标先验光谱信息。具体实施时，若目视比较明显，或者有实际地面覆盖类型数据时，适合采用人工选取的方法。如果目视并不明显，可以采用自适应迭代误差分析、投影寻踪等自动端元提取方法等现有技术。一般采用人工选取的方式得到背景端元光谱信息即可。

步骤3，采用高阶矩计算高斯分布的方式，确定背景窗口的大小，所述背景窗口用于在待探测遥感影像上遍历探测时选出当前探测范围；在背景窗口内建立与背景窗口同中心的两个或以上目标窗口，目标窗口的大小根据目标大小层次设定，背景窗口和所有目标窗口构成多层嵌套窗口。

根据待考察的目标大小层次建立不同的同中心多层嵌套窗口，可以根据探测的需要和影像空间分辨率、已知目标的大小来判断。比如，要探测美国某基地的影像内的悍马军车，影像空间分辨率是10m*10m.而悍马军车是2m*3m。则待探测目标小于一个像元，就是小尺度目标。最佳实施例为，在背景窗口内建立与背景窗口同中心的三个目标窗口，最大的目标窗口尺寸与最大的目标对应，最小的目标窗口尺寸与最小的目标对应，中等的目标窗口的尺寸取最大的目标窗口尺寸和最小的目标窗口尺寸均值。

本发明对背景窗口大小的确定采用的是统计分布特征的高阶矩的判定方法，即高阶矩计算高斯分布的方式。具体地，利用偏度(skewness)来确定最外层背景窗口大小。它们是从图像空间角度来描述小目标奇异特性的有效度量，正态分布的数据具有偏度值为零的特点。在本发明实施例中，用大小为N×N的窗口逐像元去遍历整个待探测遥感影像的影像区域，计算每次窗口内的偏度值，记录偏度值为零的次数。N从待探测遥感影像的波段数目的平方根开始取值，逐渐增大，直到偏度值为零的次数不再增大，此时N的值即为所求。偏度的计算公式为：

$\mathrm{sk}=\frac{E{(x-\mathrm{\μ})}^3}{{\mathrm{\σ}}^3}$

其中，x为N×N的窗口内的像元，μ为该窗口内的均值，σ为该窗口的标准方差，E( )表示求均值。

步骤4，根据步骤2所得先验信息，开始采用多层嵌套窗口对整个待探测遥感影像进行第一次遍历探测。

具体来说，第一次遍历探测的内容就是执行步骤5和步骤6。

步骤5，多层嵌套窗口的中心依次遍历待探测遥感影像中所有的像元位置，每遍历到一个像元位置时，计算该像元位置上各个目标窗口的异常度；计算某个目标窗口的异常度实现方式如下，

计算背景窗口的统计特征，计算除去该目标窗口外的背景窗口内像元的协方差矩阵，依此计算目标窗口内各像元相对背景窗口的马氏距离并取平均值，将该平均值作为该目标窗口的异常度。

马氏距离有很多优点。它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；由标准化数据和中心化数据(即原始数据与均值之差)计算出的二点之间的马氏距离相同；马氏距离还可以排除变量之间的相关性的干扰。因此本发明根据马氏距离评价异常度，并为便于实施起见，提供根据马氏距离求取背景窗口的异常度计算公式如下：

$D\left(x\right)={(x-{\widehat{\mathrm{\μ}}}_b)}^T{(\frac{M}{M+1}{\hat{C}}_b+\frac{1}{M+1}(x-{\widehat{\mathrm{\μ}}}_b){(x-{\widehat{\mathrm{\μ}}}_b)}^T)}^{-1}(x-{\widehat{\mathrm{\μ}}}_b)$

其中，

是除去目标窗口外的背景窗口内像元的协方差矩阵，

是背景的采样均值，x是待考察目标向量或区域均值向量，M为除去目标窗口外的背景窗口内像元的数目。

步骤6，根据预设的阈值和步骤5所得每个像元位置上各个目标窗口的异常度，判断多层嵌套窗口的中心遍历的每个像元位置分别是否为异常目标；

阈值一般设定为待探测遥感影像中所有像元马氏距离平均值的3.5倍。具体实施时，可以由内至外的根据各个目标窗口的异常度考察窗口内目标存在性。

步骤7，返回步骤5开始采用多层嵌套窗口对整个待探测遥感影像进行第二次遍历探测；进行第二次遍历探测时，背景窗口中排除第一次遍历探测时在步骤6判断为异常目标的像元；以第二次遍历探测时在步骤6判断为异常目标的像元作为异常目标探测结果。

本发明在第一次遍历中预判异常目标，在第二次遍历中排除预判的异常目标，重新求解。这样就可以避免异常目标在背景窗口内的存在，而对最终探测结果产生干扰。

以下结合实施例具体实施步骤，详细说明本发明技术方案：

(1)实施例中待探测遥感影像的总波段数采用N_b标记。待探测遥感影像的影像数据读入后，存储在一个二维数组DataArray中，该数组中每个元素分别存储在每个波段每个位置上的光谱值。在后面的处理中，每次取出数组DataArray中的一个元素x，对应于待探测遥感影像上某个位置上像元。

(2)根据探测的实际需求，将待探测目标划分为大小不同的多个层次，分别为弱小目标、中型目标和大型目标。实施例定义初始化函数initialization()，用于确定不同层次目标在影像上对应像元窗口大小。参见图1，实施例采用三层窗口的结构，最小的目标窗口W_s为单像元，最大的目标窗口W_l对应于可以包含影像内最大目标的矩形，具体窗口尺寸根据待考察感兴趣目标的尺寸与待探测遥感影像的空间分辨率相除得到。中等的目标窗口W_m的尺寸为W_s和W_l的尺寸取均值，可定义公共变量分别记录W_s、W_m、W_l的尺寸。这三层目标窗口，由于是内外嵌套层次，因此可由外到内分别称为外层目标窗口、中层目标窗口和内层目标窗口。

(3)实施例定义函数windowsize()，通过采用高阶矩计算高斯分布的方式，确定在待探测遥感影像上探测时，处于多层嵌套窗口结构最外层的背景窗口的尺寸大小。定义全局变量N，函数windowsize()的返回值为N。根据待探测遥感影像各个波段之间具有较高的相关性，实施例利用峰度对影像选择信噪比最大的波段进行计算：

$\mathrm{sk}=\frac{E{(x-\mathrm{\μ})}^3}{{\mathrm{\σ}}^3}$

其中，x为N×N的窗口内的像元，μ为该窗口内的均值，σ为该窗口的标准方差。

为防止在协方差矩阵求解过程中，像元数目小于波段数而使得协方差矩阵不可求逆，N从待探测遥感影像的波段数目的平方根开始取值，逐渐增大，直到偏度值为零的次数不再增大，此时N的值即为所求。

本发明实施例中设置标记变量sign，当仅有单一尺寸的小目标，则使用单像元的小尺度窗口W_s，此时令sign＝1；当仅有较大尺寸的目标，则使用多像元的大尺度窗口W_l，此时令sign＝2；当有各种不同尺寸的目标，则使用包括大、中、小三层窗口组成的多层嵌套窗口，此时令sign＝3。参见图3，实施例采用三层目标窗口，此时背景窗口嵌套在目标窗口的最外层，因此背景与目标多层嵌套窗口共有四层。并且此时的背景区域窗口的尺寸为：N′＝N+W_l。前面是计算探测时背景窗口所需要包含的背景像元数，包含这个数目需要N*N的背景窗口。但是在建立的多层嵌套窗口中，还包含内层的目标窗口。因此在确定了目标窗口的大小后，为保证背景窗口内在排除了内层的目标窗口后，还包含有至少N*N个像元，所以将扩大背景窗口的大小为：N+最大的目标窗口大小。因此，取N′＝N+W_l。

(4)开始用图2所示多层嵌套窗口对整个影像进行第一次遍历探测，即探测中窗口的中心像元要依次遍历影像中所有的像元位置。高光谱遥感影像实际上是由许多个波段，即许多个面组成，因此高光谱影像实际是一种数据立方体。本发明所谓遍历(高光谱)影像的对象是整个立方体。图3中的省略号就是代表许多个波段。实施例中，考虑到在窗口遍历影像的边缘位置时，窗口超出影像的空间范围，定义镜面法则予以处理，即将超出边缘的窗口区域用与其中心对称的未超出部分替代。

(5)遍历整个影像时，分别计算每个像元位置上内层、中层、外层目标窗口的异常度a_s、a_m、a_l；计算方法如下：

首先计算最外层背景窗口的统计特征，计算除去内层目标窗口外的最外层背景窗口内像元的协方差矩阵，依此计算各个内层目标窗口内像元相对最外层目标窗口的马氏距离并取平均值作为异常度。

实施例定义异常度函数anomaly()求取马氏距离D(x)：

$D\left(x\right)={(x-{\widehat{\mathrm{\μ}}}_b)}^T{(\frac{M}{M+1}{\hat{C}}_b+\frac{1}{M+1}(x-{\widehat{\mathrm{\μ}}}_b){(x-{\widehat{\mathrm{\μ}}}_b)}^T)}^{-1}(x-{\widehat{\mathrm{\μ}}}_b)$

其中，

是从多层嵌套窗口中的最外层背景窗口中得到的协方差矩阵，

是该背景区域的均值，x是待考察目标向量，M为背景像元数目。马氏距离有很多优点。它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；由标准化数据和中心化数据(即原始数据与均值之差)计算出的二点之间的马氏距离相同；马氏距离还可以排除变量之间的相关性的干扰。

(6)根据预先设定的阈值，使用嵌套多层窗口遍历的每个像元位置，进行异常目标判定。判断方法可以为，首先判断某个像元位置上的最小的目标窗口内异常度是否超过阈值，超过则存在异常目标，并继续类似地判断中等的目标窗口内、最大的目标窗口内是否存在异常目标。完成后遍历下一个像元位置，从而遍历待探测遥感影像中所有的像元位置，对所有像元位置考察判定内层、中层、外层目标窗口的异常目标存在性。实施例中判断某个像元位置是否为异常目标，具体实现方式包括如下步骤：

步骤6.1，根据预设的阈值和最小的目标窗口的异常度，判断最小的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则进入步骤6.2；

步骤6.2，根据预设的阈值和中等的目标窗口的异常度，判断中等的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则进入步骤6.3；

步骤6.3，根据预设的阈值和最大的目标窗口的异常度，判断最大的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则判断该像元位置不是异常目标。

(7)第一次遍历探测完成后，记录(6)中已经判定的异常目标像元位置，返回(5)开始采用多层嵌套窗口对整个待探测遥感影像进行第二次遍历探测，即重新调用anomaly()计算各层次目标窗口的异常度，并重新判断异常目标。进行第二次遍历探测时，背景窗口中排除第一次遍历探测时在(6)中判断为异常目标的像元。具体实施时，可以标记一下第一次遍历探测已经判断出异常目标的像元。然后在第二次的遍历中，多层嵌套窗口滑动到不同位置时，如背景窗口内有已经标记的像元，则排除这些像元，不参与异常度的求解。即计算除去目标窗口外的背景窗口内像元的协方差矩阵时，直接把这些像元的像素值设为0。

在第二次遍历探测重新判断异常目标后，以该次判断为异常目标的像元作为异常目标探测结果，即可完成异常目标探测。具体实施时，可以设定程序步骤为：在判定出异常目标位置后，通过为判定为异常标记的像元添加标记而排除异常位置，然后判定遍历次数是否为2，不是则返回执行anomaly()实现第二次遍历探测；是则完成判定异常目标，结束工作流程。

Claims (4)

1.一种高光谱遥感影像异常探测方法，其特征在于，包括以下步骤：

步骤1，选择所需进行目标探测的待探测遥感影像；

步骤2，获取探测时需要的先验信息；

步骤3，采用高阶矩计算高斯分布的方式，确定背景窗口的大小，所述背景窗口用于在待探测遥感影像上遍历探测时选出当前探测范围；在背景窗口内建立与背景窗口同中心的两个或以上目标窗口，目标窗口的大小根据目标大小层次设定，背景窗口和所有目标窗口构成多层嵌套窗口；

步骤4，根据步骤2所得先验信息，开始采用多层嵌套窗口对整个待探测遥感影像进行第一次遍历探测；

步骤5，多层嵌套窗口的中心依次遍历待探测遥感影像中所有的像元位置，每遍历到一个像元位置时，计算该像元位置上各个目标窗口的异常度；计算某个目标窗口的异常度实现方式如下，

计算背景窗口的统计特征，计算除去该目标窗口外的背景窗口内像元的协方差矩阵，依此计算该目标窗口内各像元相对背景窗口的马氏距离并取平均值，将该平均值作为该目标窗口的异常度；

步骤6，根据预设的阈值和步骤5所得每个像元位置上各个目标窗口的异常度，判断多层嵌套窗口的中心遍历的每个像元位置分别是否为异常目标；

步骤7，返回步骤5开始采用多层嵌套窗口对整个待探测遥感影像进行第二次遍历探测；进行第二次遍历探测时，计算除去该目标窗口外的背景窗口内像元的协方差矩阵时，把在步骤6判定为异常目标的像元的像素值设为0；以第二次遍历探测时在步骤6判断为异常目标的像元作为异常目标探测结果。

2.如权利要求1所述的高光谱遥感影像异常探测方法，其特征是：步骤5中计算该目标窗口内各像元相对背景窗口的马氏距离D(x)时，计算公式为：

$D\left(x\right)={(x-{\widehat{\mathrm{\μ}}}_b)}^T{(\frac{M}{M+1}{\hat{C}}_b+\frac{1}{M+1}(x-{\widehat{\mathrm{\μ}}}_b){(x-{\widehat{\mathrm{\μ}}}_b)}^T)}^{-1}(x-{\widehat{\mathrm{\μ}}}_b)$

其中，

是除去目标窗口外的背景窗口内像元的协方差矩阵，

是该除去目标窗口外的背景窗口内的背景区域的采样均值，x是待考察目标向量或区域均值向量，M为除去目标窗口外的背景窗口内像元的数目。

3.如权利要求1或2所述的高光谱遥感影像异常探测方法，其特征是：步骤3中，在背景窗口内建立与背景窗口同中心的三个目标窗口，最大的目标窗口尺寸与最大的目标对应，最小的目标窗口尺寸与最小的目标对应，中等的目标窗口的尺寸取最大的目标窗口尺寸和最小的目标窗口尺寸均值。

4.如权利要求3所述的高光谱遥感影像异常探测方法，其特征是：步骤6中，所述判断多层嵌套窗口的中心遍历的每个像元位置分别是否为异常目标时，判断某个像元位置是否为异常目标的具体实现方式包括如下步骤，

步骤6.1，根据预设的阈值和最小的目标窗口的异常度，判断最小的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则进入步骤6.2；

步骤6.2，根据预设的阈值和中等的目标窗口的异常度，判断中等的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则进入步骤6.3；

步骤6.3，根据预设的阈值和最大的目标窗口的异常度，判断最大的目标窗口内是否存在异常目标，是则判断该像元位置是为异常目标，否则判断该像元位置不是异常目标。

Images