CN101916440B - 基于数字图像形态学理论的高光谱异常检测方法 - Google Patents

Abstract

本发明提供的是一种基于数字图像形态学理论的高光谱异常检测方法。首先采用扩展形态学的闭运算对高光谱图像进行波段特征提取以达到降维的目的。通过闭变换进行波段选择在去除冗余的同时，还能够平滑光谱数据，避免了波段信息的不连续，有效地结合了地物的空间信息与精细光谱和空间相关性的信息。再对降维后的高光谱图像信息进行异常检测，采用KRX算子对图像进行异常检测得到检测结果的灰度图像，再运用灰度形态学的面积闭开运算(ACO)，对检测结果进行滤波处理得到最后的检测结果。本发明不仅能与KRX算子结合使用，同时也可以和高光谱图像异常检测的其他算子结合使用。具有很强的可移植性，更易满足高光谱检测的需求。

Description

基于数字图像形态学理论的高光谱异常检测方法

技术领域

本发明涉及的是一种高光谱异常检测方法。

背景技术

利用高光谱图像进行目标检测与识别是遥感图像处理领域的研究热点之一。异常检测能够在没有任何先验信息的条件下检测与周围环境存在光谱差异的目标。其中比较典型的就有Reed和Yu提出的RX方法，该算法建立在多元正态分布基础上，通过计算检查点数据与背景数据的马氏距离来查找异常点。实际中地物分布是复杂多变的，这使得高光谱数据的多元正态分布很难满足；同时由于只利用了高光谱数据的低阶统计特性，而忽视了高光谱数据几百个波段中所含有的丰富的非线性信息，影响了RX算法的最终检测效果。

近年来，一些学者通过将线性异常检测算法与核机器学习理论结合，形成了许多基于核的异常检测算法。包括核RX算法，核主成分分析算法，核Fisher分离算法，核特征空间分离算法等。这些算法通过引入核机器学习理论，将原始高光谱数据映射到高维特征空间后进行异常点的检测，挖掘了高光谱图像波段间的非线性统计特性，提高了检测性能，取得了较好的效果。

但目前这些改进算法均是从数据光谱信息和特征空间分析的角度出发进行处理的，忽略了像元之间存在的空间相关性。为了准确、稳定地进行高光谱遥感图像的分析综合考虑高光谱数据提供的光谱、空间信息是十分必要的。

发明内容

本发明的目的在于提供一种具有很强的可移植性，更易满足高光谱检测的需求的基于数字图像形态学理论的高光谱异常检测方法。

本发明的目的是这样实现的：

(1)首先采用扩展形态学的闭运算对高光谱图像进行波段特征提取；

1)绘制出高光谱图像的互相关曲线；

2)以将互相关系数的极小值点以及ρ为阈值T的点为界值点，进行分区处理；

3)对相邻两波段区域的均值计算其互相关系数，互相关系数大于阈值则合并两相邻波段区域，进行波段区域腐蚀；

4)对重新划分的每个波段区域内的各个波段计算其互相关系数，选取组内其它波段的平均相关系数最大的波段作为该波段组的代表提取出来；

(2)其次将面积形态学ACO运算与KRX算子结合进行高光谱图像异常检测；

1)利用KRX算子对降维后的图像数据进行异常检测得到检测后的灰度图像；

2)利用灰度形态学的面积闭开运算ACO运算对检测后的灰度图像进行滤波处理得到去噪平滑后的灰度图像；

3)设定检测阈值对灰度图像进行二值化处理，得到检测后的最终结果。

本发明提出了一种基于数学形态学理论的核RX算法的目标异常检测方法(简称ACO-KRX算法)。

本发明的目的在于进行高光谱异常检测时，能够抑制图像中背景和噪声的干扰，填补检测结果图像中的小洞，以达到降低虚警概率提高检测概率的作用。首先采用扩展形态学的闭运算对高光谱图像进行波段特征提取以达到降维的目的。通过闭变换进行波段选择在去除冗余的同时，还能够平滑光谱数据，避免了波段信息的不连续，有效地结合了地物的空间信息与精细光谱和空间相关性的信息。再对降维后的高光谱图像信息进行异常检测，采用KRX算子对图像进行异常检测得到检测结果的灰度图像，再运用灰度形态学的面积闭开运算(ACO)，对检测结果进行滤波处理得到最后的检测结果。本发明不仅能与KRX算子结合使用，同时也可以和高光谱图像异常检测的其他算子结合使用。具有很强的可移植性，更易满足高光谱检测的需求。

本发明所述的基于数字图像形态学理论的高光谱异常检测方法，不同与传统目标检测算子，该方法充分利用了光谱特性的同时，更好的兼顾到高光谱图像的空间特性，从而达到去除噪声干扰，平滑图像的检测效果。用AVIRIS高光谱数据进行了仿真实验，取得了较好的检测效果。并将该方法与其他算法进行比较，结果表明，本发明提出方法的检测性能明显地优于传统算法，降低了虚警概率，具有较好的检测效果。

附图说明

图1(a)是一幅真实的AVIRIS高光谱数据126个波段中第1个波段整体图像，图1(b)是其及所选取的图像；

图2是高光谱图像相邻波段间的互相关系数曲线图；

图3(a)-(b)是采用基于数字图像形态学理论的高光谱异常检测方法后的检测结果图。图3(a)为ACO-KRX检测后的灰度图像，图3(b)为ACO-KRX检测后的二值图像；

图4(a)-(b)是采用其他高光谱异常检测算法后的检测结果图。其中图4(a)为RX算子检测后二值图像，图4(b)为KRX算子检测后的二值图像；

图5的表1是图像基于形态学膨胀的波段分组结果；

图6的表2是图像基于形态学腐蚀的波段分组结果；

图7的表3是ACO-KRX，KRX以及RX算法的性能比较。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

本发明采用下述的技术方案：

首先采用扩展形态学的闭运算对高光谱图像进行波段特征提取以达到降维的目的。具体步骤如下：

1、绘制出高光谱图像的互相关曲线。

2、以将互相关系数的极小值点以及ρ为阈值T的点为界值点，进行分区处理。达到波段区域膨胀的目的。

3、对相邻两波段区域的均值计算其互相关系数，互相关系数大于阈值则合并两相邻波段区域。进行波段区域腐蚀。

4、对重新划分的每个波段区域内的各个波段计算其互相关系数，选取组内其它波段的平均相关系数最大的波段作为该波段组的代表提取出来。

其次将面积形态学ACO运算与KRX算子结合进行高光谱图像异常检测。具体步骤如下：

1、利用KRX算子对降维后的图像数据进行异常检测得到检测后的灰度图像。

2、利用灰度形态学的面积闭开运算ACO运算对检测后的灰度图像进行滤波处理得到去噪平滑后的灰度图像。

3、设定检测阈值对灰度图像进行二值化处理，得到检测后的最终结果。

参照图1，实验中先采用一幅真实的AVIRIS高光谱数据源进行仿真实验，来验证ACO-KRX算法的有效性。该图像是美国圣地亚哥机场的一部分，图像覆盖了从可见光到近红外的连续光谱范围，去除水的较强吸收带和信噪比较低的波段后，余下的126个波段作为仿真实验的数据源。该图像大小为100×100，其中包含的目标数目较多(4架飞机)，每个目标所占的像素数较少，为了更清晰的说明ACO-KRX算法的有效性，选取其中一架飞机作为目标进行检测。选取的图像大小为30×30。

参照图2，实验中，最先进行的是数据源的自适应子空间划分，计算出各相邻波段间的互相关系数。各波段的互相关系数曲线如图2所示，数据波段之间有很强的相关性，数据存在冗余。为了消除冗余，绘制出图像的互相关系数曲线如图2所示。以极小值以及所选定的互相关系数阈值为界值，添加的阈值点界值相当于对高光谱数据进行数据膨胀，将整个126波段的高光谱数据空间划分为连续的12个子空间，如表1所示。再对相邻两波段区域的均值计算其互相关系数，互相关系数大于阈值则合并两相邻波段区域。相当于对波段区域进行腐蚀操作。最终将高光谱数据空间划分为连续的9个波段区域，如表2所示。整个过程相当于对高光谱数据做了闭运算，可以达到平滑数据的作用避免造成波段信息不连续。对每个波段区域计算其内的各个波段计算其互相关系数，选取组内其它波段的平均相关系数最大的波段作为该波段组的代表提取出来，得到降维后的高光谱图像数据用于后续的检测。

参照图3，在采用ACO-KRX算法进行检测时，根据图像的空间大小和分辨率以及检测异常目标的大小，将ACO-KRX算法的外窗口大小设为11×11像素，中窗口大小设为9×9像素，内窗口大小设为3×3像素。该算法中采用的核函数为高斯径向基核函数，高斯径向基核函数中的参数只有一个，即径向基核函数的宽度σ，该参数的选取对实验结果比较敏感，文中最优参数σ的选取是通过大量的仿真实验比较其最终的检测效果来确定的，最终将该参数设定为40。最终得到检测结果如图3所示。

参照图4，为了便于分析比较，图像分别还采用了传统的RX算法，基于核空间的RX算法(KRX)进行异常目标检测的仿真实验。检测结果二值化后的图像，它们在最优阈值下最终检测效果如图4(a)、4(b)所示。由图可以看出传统RX算法的检测效果非常不理想，这是因为传统RX算法起源于多光谱图像异常检测，将它直接用于高光谱图像则忽略了高光谱图像波段间很强的相关性，产生较多虚警，这也是将RX算法用于高光谱图像目标检测时需进行降维处理的原因之一。而将图3(b)和图4(b)比较可以看出ACO-KRX算法所获得的检测结果要明显地优于KRX算法，虽然KRX算法和ACO-KRX算法都利用了光谱波段间蕴含的非线性信息，但ACO-KRX算法在充分利用了光谱特性的同时，更好的兼顾到高光谱图像的空间特性。因而在检测目标数目相同的情况下，ACO-KRX算法具有更低的虚警率。用面积数学形态学的滤波器滤除目标图像中比结构元素小的噪声块，先对图像进行灰度闭运算处理来连接短的间断，填充小孔。再进行开运算来切断细长的搭接，消除突刺。达到整体上去除噪声干扰平滑图像的检测效果。为了更具体地说明本文算法的优越性，在相同的检测阈值下，以高光谱图像检测到的目标个数、目标所占像素数、虚警所占像素数为指标对上述算法的检测结果进行比较，其比较结果如表3所示。

上述为本发明特举之实施例，并非用以限定本发明。本发明提供的基于数字图像形态学理论的高光谱异常检测方法同样适用于检测其他的高光谱图像。在不脱离本发明的实质和范围内，可做些许的调整和优化，以本发明的保护范围以权利要求为准。

Claims (1)

1.一种基于数字图像形态学理论的高光谱异常检测方法，其特征是：

(1)首先采用扩展形态学的闭运算对高光谱图像进行波段特征提取；

1)计算出各相邻波段间的互相关系数，绘制出高光谱图像的互相关曲线；

2)将互相关系数的极小值点以及相关系数ρ为阈值T的点为界值点，进行分区处理；

3)对相邻两波段区域的均值计算其互相关系数，互相关系数大于阈值则合并两相邻波段区域，进行波段区域腐蚀；

4)对重新划分的每个波段区域内的各个波段计算其互相关系数，选取组内其它波段的平均相关系数最大的波段作为该波段组的代表提取出来；

(2)其次将面积形态学ACO运算与KRX算子结合进行高光谱图像异常检测；

1)利用KRX算子对降维后的图像数据进行异常检测得到检测后的灰度图像；

2)利用灰度形态学的面积闭开运算ACO运算对检测后的灰度图像进行滤波处理得到去噪平滑后的灰度图像；

3)设定检测阈值对灰度图像进行二值化处理，得到检测后的最终结果。

Images