CN109949278A - 基于对抗自编码网络的高光谱异常检测方法 - Google Patents

Abstract

本发明公开了一种基于对抗自编码网络的高光谱图像异常检测方法，主要解决现有技术中计算复杂及检测精确度不高的问题。其实现方案是：1)利用像素更新方法制作高光谱图像训练数据集；2)将训练数据集输入生成对抗网络训练，提取训练数据集的光谱特征；3)利用波段融合和属性滤波方法处理光谱特征，得到训练数据集的空间特征；4)利用空间特征增强原始高光谱图像中的异常目标；5)利用RX检测器公式计算增强异常目标之后的高光谱图像光谱向量的异常值；6)根据异常值得到检测结果。本发明能获取高光谱图像中更丰富的潜在信息，增加图像中异常目标和复杂背景的差距，具有计算简单、检测精度高的优点，可用于对高光谱图像中异常目标的检测。

Description

基于对抗自编码网络的高光谱异常检测方法

技术领域

本发明属于图像处理技术领域，更进一步涉及一种高光谱异常检测方法，可用于对高光谱图像中异常目标的检测。

背景技术

高光谱图像具有丰富的光谱信息，且光谱分辨率高，在目标检测、分类、识别这些领域都有一定的研究价值。高光谱图像异常检测是一种无监督目标检测方法，该方法在目标及背景的先验信息未知时，通过对比检测点与所选择的背景光谱曲线的差别判决其属于异常点还是背景目标。通常情况下，目标和背景的先验知识很难获取，因此高光谱异常检测技术在实际应用中具有更大的意义。

经典的异常检测算法是Reed等人利用广义似然比检验推导出的RX异常检测算法，该方法假设高光谱的光谱特性在全局符合高斯分布，通过构建高斯正态分布模型来估计像元属于异常点的概率。局部RX异常检测算法是在RX异常检测算法的基础上延伸出的改进算法，其采用同心双窗模型选择检测像元的局部邻近值对背景信息进行估计，进而检测异常目标。这两种方法由于均是在假设高光谱图像的背景符合高斯分布为前提的，而实际中图像的背景信息并不完全符合理想的高斯分布，因此这些方法存在计算复杂、误检目标多、检测精确度不高的缺点。

近年来，基于低秩系数矩阵分解的方法也在异常检测领域得到了广泛的应用。Wang.W.等人提出了一种基于低秩稀疏矩阵分解的高光谱异常检测算法LRaSMAD，该算法是通过计算稀疏部分的每个像素与均值向量之间的欧式距离判断异常目标所在的位置。该方法虽说可降低计算复杂度，但又由于其仅考虑了高光谱图像的光谱特征，而忽略了空间特征，因而检测的精度不高。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于对抗自编码网络的高光谱图像异常检测方法，以减小计算复杂度，提高检测精度。

本发明的技术方案是，利用对抗自编码网络的编码器提取输入高光谱训练数据集的光谱特征，利用波段融合方法融合得到的光谱特征，得到输入高光谱训练数据集的空间特征，利用空间特征增强原始高光谱图像中的异常目标，利用RX检测器公式求解高光谱图像中的异常值，进而得到高光谱图像的检测结果图。其具体实现步骤包括如下：

(1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集；

(2)提取高光谱图像训练数据集的光谱特征：

(2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络；

(2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征；

(3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征：

(3a)利用波段融合方法对光谱特征进行融合，得到一张融合后的图像：

其中，Y表示融合后图像，H_i表示光谱特征第i个波段的值，n表示光谱特征的波段总数；

(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O；

(3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S：

S＝|O-A|+|C-A|；

(4)利用空间特征S增强原始高光谱图像的异常目标：

(4a)将三维M_o×N_o×B_o的原始高光谱图像K转换为二维L_o×B_o的矩阵，其中，M_o表示原始高光谱图像的总行数，N_o表示原始高光谱图像的总列数，B_o表示原始高光谱图像中光谱波段的总数，L_o表示原始高光谱图像中每一个波段的像素总数；

(4b)将二维M_s×N_s空间特征S转化为L_s×1的矩阵，其中，M_s表示空间特征的总行数，N_s表示空间特征的总列数，L_s表示空间特征的像素总数；

(4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量；

L_i＝(1-exp(-λL_si))L_oi

其中，L_i表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，L_si表示空间特征S中第i个像素对应的数值，L_oi表示原始高光谱图像K中第i个像素对应的光谱向量；

(5)计算异常目标增强后的高光谱图像的异常值：

(5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量L_i转换为二维L_e×B_e的矩阵，其中L_e是异常目标增强之后的高光谱图像的像素总数，B_e是光谱向量的波段总数；

(5b)求解二维矩阵中每一个像素对应的波段的均值，将均值保存为一个均值矩阵I；

(5c)用二维矩阵L_e×B_e减去均值矩阵I，得到去均值矩阵Q；

(5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值F_n，其中n表示光谱向量的序号，n的取值范围为1,2,3,,B_e；

(6)根据异常增强后的高光谱图像中每个光谱向量的异常值F_n，得到异常检测的结果图。

本发明与现有技术相比，具有如下优点：

1)本发明利用对抗自编码网络提取输入的高光谱数据集的光谱特征，能够降低高光谱数据集的波段数，克服了现有技术中由于高光谱图像数据冗余而导致的计算复杂、检测精度不高的问题，简化了计算过程，提高了异常检测的效率。

2)本发明利用波段融合方法将提取到的光谱特征融合为一张图像，得到空间特征，这一操作由于同时考虑了高光谱图像的光谱特征和空间特征，能够获取高光谱图像中更丰富的潜在信息，提高了检测的精度。

3)本发明利用空间特征增强原始高光谱图像中的异常目标，能够凸显出高光谱图像中的异常目标和背景之间的差异，更好的区分高光谱图像中的异常目标和背景信息，克服了现有技术中将背景误检为异常目标的问题，进一步提高了检测精度。

附图说明

图1是本发明的实现流程图；

图2是采用现有的RX异常检测算法、CRD异常检测算法和本发明对高光谱异常目标进行检测的结果对比图；

图3是采用现有RX异常检测算法、CRD异常检测算法和本发明对高光谱异常目标进行检测的ROC曲线对比图；

图4是采用现有RX异常检测算法、CRD异常检测算法和本发明对高光谱异常目标进行检测的AUC值对比图。

具体实施方式

下面结合附图对本实施例和效果做进一步的详细描述。

参考图1，对实施的实现步骤如下：

步骤1.制作训练数据集。

(1a)利用像素更新方法更新原始高光谱图像中的每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集：

(1a1)从原始高光谱图像中随机选取一个像素点；

(1a2)计算所选像素点与其周围像素点之间的马氏距离向量：

m_i＝|x-y_i|

其中，m_i表示所选像素点的光谱向量与其周围第i个像素点的光谱向量之间的马氏距离向量，i的取值范围为1,2,3,…,8，x表示所选像素点的光谱向量，y_i表示所选像素点周围第i个像素点的光谱向量；

(1a3)按照下式，计算每个马氏距离向量的权值：

α_i＝1-exp(m_i/β)

其中，α_i表示马氏距离向量m_i对应的权值，exp表示取自然数e为底的指数，β表示抑制系数，取值为0.03；

(1a4)按照下式，更新所选像素点的光谱向量：

其中，x_a表示所选像素点更新后的光谱向量；

(1a5)判断是否遍历高光谱图像中所有的像素点，若是，则完成所有像素点的光谱向量更新，生成高光谱图像训练数据集，否则，返回第(1a1)步。

步骤2.提取光谱特征。

现有的提取高光谱图像的光谱特征的方法有基于主成分分析的光谱降维方法、基于DBN网络的光谱特征提取方法和基于扩展形态学的闭运算降维方法，本实施例采用对抗自编码网络提取高光谱图像的光谱特征，以达到降低高光谱图像波段数的目的，其实现步骤如下：

(2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络：

所述对抗自编码网络，由编码器器、解码器和对抗网络组成。编码器能够将输入的高光谱图像进行编码，降低输入高光谱数据的波段数；解码器利用编码器的输出重构出与输入的高光谱图像尽可能相似的图像，对抗网络是一种二分类网络，输出是一个值。

该编码器的基础结构为：输入层→隐含层→输出层，其参数设置为：输入层的节点数为高光谱图像训练数据集的波段数，隐含层的节点数为500，输出层的节点数为30；

该解码器的基础结构为：输入层→隐含层→输出层；其参数设置为：输入层的节点数为30，隐含层节点数为500，输出层的节点数为高光谱图像训练数据集的波段数；

该对抗网络的基础结构为：输入层→隐含层→输出层；其参数设置为：输入层的节点数为高光谱图像训练数据集的波段数，隐含层的节点数为500，输出层的节点数为1；

(2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征。

步骤3.获取高光谱图像训练数据集的空间特征。

(3a)利用波段融合方法对光谱特征进行融合，得到一张融合后的图像Y：

其中，H_i表示光谱特征第i个波段的值，n表示光谱特征的波段总数；

(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O；

(3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S：

S＝|O-A|+|C-A|。

步骤4.增强异常目标。

(4a)将三维M_o×N_o×B_o的原始高光谱图像K转换为二维L_o×B_o的矩阵，其中，M_o表示原始高光谱图像的总行数，N_o表示原始高光谱图像的总列数，B_o表示原始高光谱图像中光谱波段的总数，L_o表示原始高光谱图像中每一个波段的像素总数；

(4b)将二维M_s×N_s空间特征S转化为L_s×1的矩阵，其中，M_s表示空间特征的总行数，N_s表示空间特征的总列数，L_s表示空间特征的像素总数；

(4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量，

L_i＝(1-exp(-λS_i))K_i

其中，L_i表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，S_i表示空间特征S中第i个像素对应的数值，K_i表示原始高光谱图像K中第i个像素对应的光谱向量。

步骤5.求解异常目标增强之后的高光谱图像的光谱向量的异常值。

现有的求解高光谱图像光谱向量的异常值的方法有非线性KRX异常检测算法、局部RX异常检测算法和RX异常检测算法，本实施例采用最经典的RX算法，其实现如下：

(5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量L_i转换为二维L_e×B_e的矩阵，其中L_e是异常目标增强之后的高光谱图像的像素总数，B_e是光谱向量的波段总数；

(5b)求解二维矩阵中每一个像素对应的波段的均值：其中，k表示波段序号，v_k表示第k个波段对应的像素值；并将该均值μ保存为一个均值矩阵I；

(5c)用二维矩阵L_e×B_e减去均值矩阵I，得到去均值矩阵Q；

(5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值F_n：

其中，其中n表示光谱向量的序号，n的取值范围为1,2,3,,B_e，g_n表示第n个光谱向量，表示g_n的转置，-1表示矩阵求逆。

步骤6.获取异常目标增强之后的高光谱图像的检测结果。

(6a)将异常增强后的高光谱图像中所有光谱向量的异常值表示为一个M_o×N_o的矩阵R；

(6b)将矩阵R在Matlab中显示为一张图片，该图片即为异常检测的结果图。

本发明的效果可通过下面结合仿真实验进一步说明。

1.仿真条件

本发明的仿真是基于Intel(R)Xeon(R)CPU、GeForce GTX 1080Ti GPU、内存为128G的硬件环境和TensorFlow深度学习框架、Python 3.7.0和Matlab 2018b软件环境下进行的。

2.仿真内容与结果分析

仿真1，用现有的RX异常检测算法、CRD异常检测算法和本发明的方法分别对高光谱图像进行异常检测，检测的结果如图2。其中：

图2(a)为圣地亚哥机场的原始高光谱图像，该图的数据大小为100×100×189；图

图2(b)是圣地亚哥机场图像的异常目标真值图，该图的数据大小为100×100，图中的黑色部分为背景，白色部分是异常目标；

图2(c)是RX异常检测算法对图2(a)中的高光谱图像进行异常检测得到的检测结果图；

图2(d)是CRD异常检测算法对图2(a)中的高光谱图像进行异常检测得到的检测结果图；

图2(e)是本发明的方法对图2(a)中的高光谱图像进行异常目标检测得到的检测结果图。

从图2可见，相比于本发明提出的方法，现有的技术得到的检测结果图中存在较多的误检，并且检测到的异常目标的信息不完整，某些异常甚至只检测到了部分像元。而本发明不仅能够检测到更完整的异常目标，检测效果优于其他算法。

仿真2，分别将现有的RX异常检测算法、CRD异常检测算法和本发明方法的检测结果图和被检测高光谱图像的异常目标真值图进行对比，分别画出现有的RX异常检测算法、CRD异常检测算法和本发明方法对应的ROC曲线，结果如图3所示。

从图3可见，相比于现有的两种方法，本发明的ROC曲线变化较快，检测的准确率更高。

仿真3，计算现有的RX异常检测算法、CRD异常检测算法和本发明方法对应的ROC曲线下的面积，即为AUC值，如图4所示。

从图4可见，相比于现有的三种方法，本发明的AUC值更大，进一步说明本发明相较于其他三种现有的检测算法，异常检测的准确度明显更高。

综上所示，本发明通过像素更新方法制作高光谱图像训练数据集，利用对抗自编码网络提取输入的高光谱训练数据集的光谱特征，利用波段融合方法将提取的光谱特征融合为一张图像，对融合后的图像进行属性滤波，得到高光谱训练数据集的空间特征，利用空间特征增强原始高光谱图像，利用RX检测器计算，充分利用高光谱数据特征，更好地区分高光谱图像中异常和相似的背景，具有计算复杂度低、检测结果精确度高、误检目标少的优点。

Claims (6)

1.一种基于对抗自编码网络的高光谱图像异常检测方法，其特征在于，包括：

(1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集；

(2)提取高光谱图像训练数据集的光谱特征：

(2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络；

(2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征；

(3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征：

(3a)利用波段融合方法对光谱特征进行融合，得到一张融合后的图像：

其中，Y表示融合后图像，H_i表示光谱特征第i个波段的值，n表示光谱特征的波段总数；

(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O；

(3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S：

S＝|O-A|+|C-A|；

(4)利用空间特征S增强原始高光谱图像的异常目标：

(4a)将三维M_o×N_o×B_o的原始高光谱图像K转换为二维L_o×B_o的矩阵，其中，M_o表示原始高光谱图像的总行数，N_o表示原始高光谱图像的总列数，B_o表示原始高光谱图像中光谱波段的总数，L_o表示原始高光谱图像中每一个波段的像素总数；

(4b)将二维M_s×N_s空间特征S转化为L_s×1的矩阵，其中，M_s表示空间特征的总行数，N_s表示空间特征的总列数，L_s表示空间特征的像素总数；

(4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量；

L_i＝(1-exp(-λS_i))K_i

其中，L_i表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，S_i表示空间特征S中第i个像素对应的数值，K_i表示原始高光谱图像K中第i个像素对应的光谱向量；

(5)计算异常目标增强后的高光谱图像的异常值：

(5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量L_i转换为二维L_e×B_e的矩阵，其中L_e是异常目标增强之后的高光谱图像的像素总数，B_e是光谱向量的波段总数；

(5b)求解二维矩阵中每一个像素对应的波段的均值，将均值保存为一个均值矩阵I；

(5c)用二维矩阵L_e×B_e减去均值矩阵I，得到去均值矩阵Q；

(5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值F_n，其中n表示光谱向量的序号，n的取值范围为1,2,3,…,B_e；

(6)根据异常增强后的高光谱图像中每个光谱向量的异常值F_n，得到异常检测的结果图。

2.根据权利要求1所述的方法，其特征在于，步骤(1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，实现步骤如下：

(1a)从原始高光谱图像中随机选取一个像素点；

(1b)按照下式，计算所选像素点与其周围像素点之间的马氏距离向量：

m_i＝|x-y_i|

其中，m_i表示所选像素点的光谱向量与其周围第i个像素点的光谱向量之间的马氏距离向量，i的取值范围为1,2,3,…,8，x表示所选像素点的光谱向量，y_i表示所选像素点周围第i个像素点的光谱向量；

(1c)按照下式，计算每个马氏距离向量的权值：

α_i＝1-exp(m_i/β)

其中，α_i表示马氏距离向量m_i对应的权值，exp表示取自然数e为底的指数，β表示抑制系数，取值为0.03；

(1d)按照下式，更新所选像素点的光谱向量：

其中，x_a表示所选像素点更新后的光谱向量；

(1e)判断是否遍历高光谱图像中所有的像素点，若是，则完成所有像素点的光谱向量更新，生成高光谱图像训练数据集，否则，返回(1a)。

3.根据权利要求1所述的方法，其特征在于步骤(2a)中的对抗自编码网络，由编码器、解码器和对抗网络组成，分别对应的基础结构如下：

编码器的基础结构为：输入层→隐含层→输出层，其参数设置为：输入层的节点数为高光谱图像训练数据集的波段数，隐含层的节点数为500，输出层的节点数为30；

解码器的基础结构为：输入层→隐含层→输出层；其参数设置为：输入层的节点数为30，隐含层节点数为500，输出层的节点数为高光谱图像训练数据集的波段数；

对抗网络的基础结构为：输入层→隐含层→输出层；其参数设置为：输入层的节点数为高光谱图像训练数据集的波段数，隐含层的节点数为500，输出层的节点数为1。

4.根据权利要求1所述的方法，其特征在于步骤(5b)求解二维矩阵中每一个像素对应的波段的均值μ，通过如下公式计算：

其中，k表示波段序号，v_k表示第k个波段对应的像素值。

5.根据权利要求1所述的方法，其特征在于步骤(5d)中计算异常增强后的高光谱图像中第n个光谱向量的异常值F_n，通过如下公式计算：

其中，g_n表示第n个光谱向量，表示g_n的转置，-1表示矩阵求逆。

6.根据权利要求1所述的方法，其特征在于，步骤(6)中根据异常增强后的高光谱图像中每个光谱向量的异常值F_n，得到异常检测的结果图，其实现步骤如下：

(6a)将异常增强后的高光谱图像中所有光谱向量的异常值表示为一个M_o×N_o的矩阵R；

(6b)将矩阵R在Matlab中显示为一张图片，该图片即为异常检测的结果图。