CN110570395B - 基于空谱联合协同表示的高光谱异常检测方法 - Google Patents

基于空谱联合协同表示的高光谱异常检测方法 Download PDF

Info

Publication number
CN110570395B
CN110570395B CN201910719986.0A CN201910719986A CN110570395B CN 110570395 B CN110570395 B CN 110570395B CN 201910719986 A CN201910719986 A CN 201910719986A CN 110570395 B CN110570395 B CN 110570395B
Authority
CN
China
Prior art keywords
abnormal
image
pixel
hyperspectral image
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910719986.0A
Other languages
English (en)
Other versions
CN110570395A (zh
Inventor
李欢
李宇燕
施元斌
周慧鑫
杜娟
赵东
谭威
于跃
宋江鲁奇
秦翰林
王炳健
王佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910719986.0A priority Critical patent/CN110570395B/zh
Publication of CN110570395A publication Critical patent/CN110570395A/zh
Application granted granted Critical
Publication of CN110570395B publication Critical patent/CN110570395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于空谱联合协同表示的高光谱异常检测方法，对原始高光谱图像进行降维与异常信息提取，获得异常成分最多的降维成分；将预处理后的高光谱图像中像元的灰度值与阈值进行比较确定异常点位置；根据所述异常点位置对原始高光谱图像中同样位置的像元做剔除处理；将原始高光谱图像中剔除异常点之后剩余的像元点向量的均值填充异常点位置的像元，构建一幅近似全部于由背景像元构成的高光谱图像；对所述原始高光谱图像和构建的背景像元高光谱图像进行光谱维度的协同表示获得检测结果。本发明充分利用高光谱图像的空间和光谱信息，将空间维度的检测结果作为后验信息，辅助光谱维度的协同表示异常检测，具有优良的检测性能。

Description

基于空谱联合协同表示的高光谱异常检测方法
技术领域
本发明属于高光谱异常检测技术领域，具体涉及一种基于空谱联合协同表示的高光谱异常检测方法。
背景技术
高光谱遥感技术是在可见光到红外波段范围内，采集由地物产生或者散射的连续数百个波段的电磁能量的技术。高光谱图像的异常检测是指在地物的光谱信息未知的情况下对图像中的异常目标进行探测，将像元点划分为两类，一类属于背景，一类属于目标，目标点含量稀少，因此被称为异常点，通常情况下可以利用高光谱图像上的背景统计特性来区分背景与异常，异常检测的这一特点克服了目标检测中遇到的问题。将协同表示应用在高光谱图像异常检测领域的思想认为，若图像中的某个像元属于背景像元，则其可以利用其邻近的若干像元近似地表示出来，而对于异常像元来说却不存在这样的关联。因此，若要判定一个像元是否为异常像元，可以利用其周围像元重构一个近似像元，通过计算此像元与重构的近似像元之间差异程度来判定像元的属性。
Li等提出了基于协同表示的异常检测算法，此算法利用双窗口模型，将双窗口中外窗口内包含的像元提取出来构建背景字典，利用背景字典构建近似像元，将近似像元与双窗口中心像元进行比较，计算残差，若残差大于阈值，即判定为异常目标。该算法只利用了光谱维度的信息，忽略了大量空间维度的信息。调整背景字典原子的权重存在一定的缺陷，若滑动双窗口的外窗口中存在异常像元，而此像元与窗口中心的异常像元属于同种像元时，会导致构造近似像元时，背景窗口中的异常像元占有较大的比重，因此构造出的近似像元会接近于中心的异常像元，从而无法检测出异常像元，影响检测结果。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于空谱联合协同表示的高光谱异常检测方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于空谱联合协同表示的高光谱异常检测方法，该方法为：
对原始高光谱图像进行降维与异常信息提取，获得异常成分最多的降维成分；
将预处理后的高光谱图像中像元的灰度值与阈值进行比较确定异常点位置；
根据所述异常点位置对原始高光谱图像中同样位置的像元做剔除处理；
将原始高光谱图像中剔除异常点之后剩余的像元点向量的均值填充异常点位置的像元，构建一幅近似全部于由背景像元构成的高光谱图像；
对所述原始高光谱图像和构建的背景像元高光谱图像进行光谱维度的协同表示获得检测结果。
上述方案中，所述对原始高光谱图像进行降维，具体为：
步骤101：设原始数据样本点个数为N，从中随机选取一个样本点xi，其与邻域点之间具有某种线性关系，选择k个邻域点；
步骤102：计算k个邻域点xij(j＝1,2,3,…,k)线性表示xi时各自对应的权值，k个邻域点与样本点之间的关系应满足
Figure BDA0002156840700000021
式中wj i为邻域点对应的权值，该式解为
Figure BDA0002156840700000022
其中，
Figure BDA0002156840700000023
G是局部格拉姆矩阵，根据权值可以重构出样本点的近似值为
Figure BDA0002156840700000031
其中，Ni＝[xi1,xi2,...,xik]，代表k个领域点组成的向量，
Figure BDA0002156840700000032
代表第i个点的领域点所对应权值组成的向量；
步骤103：经过观测数据计算得出的权值系数wi在低维数据中同样适用，因此需满足
Figure BDA0002156840700000033
式中，yi是xi的降维后的数据点，yij(j＝1,2,3,…,k)为yi的k个邻域点，该式需要满足的条件为
Figure BDA0002156840700000034
求解上式利用特征值分解完成，即
LYT＝λYT
式中L＝(I-W)T(I-W)，W为权值系数构成的矩阵，需要寻找L中不为零的最小的l个特征值，利用特征值对应的l个特征向量组成一个新的矩阵L′，带入上式，进行求解。
上述方案中，所述对原始高光谱图像进行异常信息提取，具体为：在降维后的原始高光谱图像中寻找峰值灰度，在左右两个方向上同时寻找离峰值最近的零点作为阈值分割点，对每一个降维后的成分通过两个阈值分割点分别对图像进行分割，将图像划分为目标与背景，分别计算目标像元yT和背景像元yB的像元灰度值的方差var(yT)和var(yB)，再根据公式：
Figure BDA0002156840700000035
确定两个潜在异常信噪比值；在两个潜在异常信噪比值中选取较大的值作为整幅图像的潜在异常信噪比值，根据所述整幅图像的潜在异常信噪比值对每一个降维成分进行潜在异常信噪比处理之后，选择潜在异常信噪比值最大的图像作为异常分量，用于进行后续的异常检测处理。
上述方案中，所述阈值为对所述预处理后图像进行空间维度协同表示异常检测获得的检测结果。
上述方案中，所述对所述预处理后图像进行空间维度协同表示异常检测，具体为：
步骤201：设预处理后的原始高光谱图像为Y，选择合适的双窗口内外窗大小，双窗口的中心为待测像元，外窗口中的像元用来构建背景字典，背景字典为Xs；
步骤202：输入经过局部线性嵌入-潜在异常信噪比处理之后的异常分量，双窗口自左上角位置开始，中心像元为y，分别计算α1和r1，计算公式如下
Figure BDA0002156840700000041
r1＝||y-Xsα1||2
其中，Γy为权重调整矩阵，Xs为背景字典，若残差r1大于阈值，则y标记为异常像元，否则，y标记为背景像元；
步骤203：双窗口从左到右、从上到下滑动，进行步骤202操作，直到y为最后一个像元，则步骤202结束，进行到步骤204；
步骤204：检测过程结束，输出检测结果。
上述方案中，所述将预处理后的高光谱图像中像元的灰度值与阈值进行比较确定异常点位置，具体为：设空间维度协同表示的异常检测处理检测结果为X，空间维度协同表示异常检测获得图像中大致的异常目标分布情况，利用X的均值与标准差设定阈值，对X进行阈值分割，对图像中异常目标进行估计，若图像中像元的灰度值大于阈值，则判定此点为异常点位置，并且获得异常点位置的坐标；其中，阈值的计算方法为η＝m+std，m为检测结果图像灰度值的均值，std为检测结果图像灰度值的标准差，η为阈值。
上述方案中，所述构建一幅近似全部于由背景像元构成的高光谱图像，具体为：利用异常分布情况对原始高光谱图像进行校正，将所述原始高光谱图像中被标记为异常点位置的像元置零，并计算全局图像的均值，将该均值替代异常点位置的像元，获得一幅近似于全部由背景像元组成的高光谱图像。
上述方案中，所述对所述原始高光谱图像和构建的背景像元高光谱图像进行光谱维度的协同表示获得检测结果，具体为：
步骤301：原始高光谱图像为Y，去除异常点后的图像为Y'，选择合适的内外窗尺寸，在两幅图像上同时进行窗口的滑动；
步骤302：双窗口在两幅图像上自从左上角位置开始同时滑动，中心像元为图像Y上的y，背景字典为Y′上的外窗口中像元Xs′，计算
Figure BDA0002156840700000051
r1＝||y-Xsα1||2
将r1与阈值进行比较，若大于阈值则判定为异常，小于阈值则为背景；
步骤303：双窗口从左到右、从上到下滑动，进行步骤302操作，直到y为最后一个像元，步骤302结束，进行步骤304。
步骤304：检测过程结束，输出检测结果。
与现有技术相比，本发明充分利用高光谱图像的空间和光谱信息，将空间维度的检测结果作为后验信息，辅助光谱维度的协同表示异常检测，具有优良的检测性能。
附图说明
图1为本发明实施例提供一种基于空谱联合协同表示的高光谱异常检测方法的流程图；
图2为本发明实施例中局部线性嵌入降维结果图；
图3为本发明实施例中异常信息评估与提取结果图；
图4为本发明实施例中维度协同表示检测结果与检测结果三维图；
图5为本发明实施例中原始高光谱图像与近似背景高光谱图像；
图6为本发明与全局RX、主成分分析RX、核RX、稀疏表示和协同表示算法的检测结果对比图；
图7为本发明与全局RX、主成分分析RX、核RX、稀疏表示和协同表示算法的检测结果三维对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于空谱联合协同表示的高光谱异常检测方法，其如图1-5所示，该方法为：
步骤1：对原始高光谱图像进行降维与异常信息提取，获得异常成分最多的降维成分；
具体地，所述对原始高光谱图像进行降维，具体为：
步骤101：设原始数据样本点个数为N，从中随机选取一个样本点xi，其与邻域点之间具有某种线性关系，选择k个邻域点；
步骤102：计算k个邻域点xij(j＝1,2,3,…,k)线性表示xi时各自对应的权值，k个邻域点与样本点之间的关系应满足
Figure BDA0002156840700000061
式中wj i为邻域点对应的权值，该式解为
Figure BDA0002156840700000062
其中，
Figure BDA0002156840700000063
G是局部格拉姆矩阵，根据权值可以重构出样本点的近似值为
Figure BDA0002156840700000064
其中，Ni＝[xi1,xi2,...,xik]，代表k个领域点组成的向量，
Figure BDA0002156840700000065
代表第i个点的领域点所对应权值组成的向量；
步骤103：经过观测数据计算得出的权值系数wi在低维数据中同样适用，因此需满足
Figure BDA0002156840700000066
式中，yi是xi的降维后的数据点，yij(j＝1,2,3,…,k)为yi的k个邻域点，该式需要满足的条件为
Figure BDA0002156840700000071
求解上式利用特征值分解完成，即
LYT＝λYT
式中L＝(I-W)T(I-W)，W为权值系数构成的矩阵，需要寻找L中不为零的最小的l个特征值，利用特征值对应的l个特征向量组成一个新的矩阵L′，带入上式，进行求解。
所述对原始高光谱图像进行异常信息提取，具体为：在降维后的原始高光谱图像中寻找峰值灰度，在左右两个方向上同时寻找离峰值最近的零点作为阈值分割点，对每一个降维后的成分通过两个阈值分割点分别对图像进行分割，将图像划分为目标与背景，分别计算目标像元yT和背景像元yB的像元灰度值的方差var(yT)和var(yB)，确定像元灰度值潜在异常信噪比：
Figure BDA0002156840700000072
其中，var(*)表示图像中像元灰度值的方差；选择两个潜在异常信噪比值中选取较大的值作为整幅图像的潜在异常信噪比值，根据所述整幅图像的潜在异常信噪比值对每一个降维成分进行潜在异常信噪比处理之后，选择潜在异常信噪比值最大的图像作为包含异常信息最多的降维成分K1，用于进行后续的异常检测处理。
在降维后的原始高光谱图像中寻找阈值分割点，具体为：找到图像中的峰值灰度，从峰值灰度开始，在左右两个方向上同时寻找离峰值最近的零点；寻找到的两个零点为阈值分割点。
图2为本发明的实施例中，局部线性嵌入降维结果图；实验所用图像像元数目为192×45，进行局部线性嵌入降维时，选取邻域数目为15，降维后的图像数目11；从图2可以看出，图2(a)、图2(f)、图2(j)3幅图中异常目标相对清晰，背景干扰较小。
步骤2：将预处理后的高光谱图像中像元的灰度值与阈值进行比较确定异常点位置；
具体地，所述阈值为对所述预处理后图像进行空间维度协同表示异常检测获得的检测结果。
所述对所述预处理后图像进行空间维度协同表示异常检测，具体为：
步骤201：设预处理后的原始高光谱图像为Y，选择合适的双窗口内外窗大小，双窗口的中心为待测像元，外窗口中的像元用来构建背景字典，背景字典为Xs；
步骤202：输入经过局部线性嵌入-潜在异常信噪比处理之后的异常分量，双窗口自左上角位置开始，中心像元为y，分别计算α1和r1，计算公式如下
Figure BDA0002156840700000081
r1＝||y-Xsα1||2
其中，Γy为权重调整矩阵，Xs为背景字典，若残差r1大于阈值，则y标记为异常像元，否则，y标记为背景像元；
步骤203：双窗口从左到右、从上到下滑动，进行步骤202操作，直到y为最后一个像元，则步骤202结束，进行到步骤204；
步骤204：检测过程结束，输出检测结果。
对K1进行空间维度协同表示的异常检测处理，检测结果为X；发明实施例中进行空间维度协同表示的异常检测主要涉及三个参数，滑动窗口中的外窗尺寸wout、内窗尺寸win以及拉格朗日乘数λ。
设空间维度协同表示的异常检测处理检测结果为X，空间维度协同表示异常检测获得图像中大致的异常目标分布情况，利用X的均值与标准差设定阈值，对X进行阈值分割，对图像中异常目标进行估计，若图像中像元的灰度值大于阈值，则判定此点为异常点位置，并且获得异常点位置的坐标；
所述阈值的计算方法为η＝m+std，m为检测结果图像灰度值的均值，std为检测结果图像灰度值的标准差，η为阈值。
步骤3：根据所述异常点位置对原始高光谱图像中同样位置的像元做剔除处理；
步骤4：将原始高光谱图像中剔除异常点之后剩余的像元点向量的均值填充异常点位置的像元，构建一幅近似全部于由背景像元构成的高光谱图像；
具体地，利用异常分布情况对原始高光谱图像进行校正，将所述原始高光谱图像中被标记为异常点位置的像元置零，并计算全局图像的均值，将该均值替代异常点位置的像元，获得一幅近似于全部由背景像元组成的高光谱图像。
步骤5：对所述原始高光谱图像和构建的背景像元高光谱图像进行光谱维度的协同表示获得检测结果。
具体地，所述对所述原始高光谱图像和构建的背景像元高光谱图像进行光谱维度的协同表示获得检测结果，具体为：
步骤501：原始高光谱图像为Y，去除异常点后的图像为Y'，选择合适的内外窗尺寸，在两幅图像上同时进行窗口的滑动；
步骤502：双窗口在两幅图像上自从左上角位置开始同时滑动，中心像元为图像Y上的y，背景字典为Y′上的外窗口中像元Xs′，计算
Figure BDA0002156840700000091
r1＝||y-Xsα1||2
将r1与阈值进行比较，若大于阈值则判定为异常，小于阈值则为背景；
步骤503：双窗口从左到右、从上到下滑动，进行步骤502操作，直到y为最后一个像元，步骤502结束，进行步骤504。
即使用滑动双窗口在Y与Y1上同时滑动，从Y中获取待测像元，从Y1中获取背景字典像元，判定中心像元y的属性，光谱维度的协同表示中主要涉及到的3个参数与空间维度协同表示中的参数相同，包括滑动窗口中的外窗尺寸wout、内窗尺寸win以及拉格朗日乘数λ；
步骤504：检测过程结束，输出检测结果。
本发明的检测结果如图6(a)所示，图像中7个目标均被检测出，且背景抑制较好，目标与背景对比鲜明，能够突出目标。图6(b)为全局RX检测结果，可以看出能够较好地抑制背景但是未能突出目标。主成分分析RX检测结果如图6(c)所示，能够突出目标，但是背景抑制较差。核RX算法如图6(d)所示，具有较好的检测效果，背景含有少许杂波；稀疏表示算法如图6(e)所示，测效果较差，背景包含大面积杂波。协同表示法如图6(f)所示，虽能检测出目标，但是目标与背景的差异较小，且包含较多虚警；综上，说明本发明的检测性能较好。
本发明的检测结果如图7(a)所示，图像中7个目标均被检测出，且背景抑制较好，目标与背景对比鲜明，能够突出目标。如图7(b)所示为全局RX检测结果，可以看出能够较好地抑制背景但是未能突出目标。主成分分析RX检测结果如图7(c)所示所示，能够突出目标，但是背景抑制较差。核RX算法如图7(d)所示，具有较好的检测效果，背景含有少许杂波。稀疏表示算法如图7(e)所示，检测效果较差，背景包含大面积杂波。协同表示法如图7(f)所示，虽能检测出目标，但是目标与背景的差异较小，且包含较多虚警；综上，说明本发明的检测性能较好。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (5)

1.一种基于空谱联合协同表示的高光谱异常检测方法，其特征在于，该方法为：
对原始高光谱图像进行降维与异常信息提取，获得异常成分最多的降维成分；
将预处理后的高光谱图像中像元的灰度值与阈值进行比较确定异常点位置；
根据所述异常点位置对原始高光谱图像中同样位置的像元做剔除处理；
将原始高光谱图像中剔除异常点之后剩余的像元点向量的均值填充异常点位置的像元，构建一幅全部由背景像元构成的高光谱图像；
对所述原始高光谱图像和构建的背景像元高光谱图像进行光谱维度的协同表示获得检测结果；
所述阈值为对所述预处理后图像进行空间维度协同表示异常检测获得的检测结果；
对所述预处理后图像进行空间维度协同表示异常检测，具体为：
步骤201：设预处理后的原始高光谱图像为Y，选择合适的双窗口内外窗大小，双窗口的中心为待测像元，外窗口中的像元用来构建背景字典，背景字典为Xs；
步骤202：输入经过局部线性嵌入-潜在异常信噪比处理之后的异常分量，双窗口自左上角位置开始，中心像元为y，分别计算α1和r1，计算公式如下
Figure FDA0003474066580000011
r1＝||y-Xsα1||2
其中，Γy为权重调整矩阵，Xs为背景字典，若残差r1大于阈值，则y标记为异常像元，否则，y标记为背景像元；
步骤203：双窗口从左到右、从上到下滑动，进行步骤202操作，直到y为最后一个像元，则步骤202结束，进行到步骤204；
步骤204：检测过程结束，输出检测结果；
所述将预处理后的高光谱图像中像元的灰度值与阈值进行比较确定异常点位置，具体为：设空间维度协同表示的异常检测处理检测结果为X，空间维度协同表示异常检测获得图像中大致的异常目标分布情况，利用X的均值与标准差设定阈值，对X进行阈值分割，对图像中异常目标进行估计，若图像中像元的灰度值大于阈值，则判定此点为异常点位置，并且获得异常点位置的坐标；其中，阈值的计算方法为η＝m+std，m为检测结果图像灰度值的均值，std为检测结果图像灰度值的标准差，η为阈值。
2.根据权利要求1所述的基于空谱联合协同表示的高光谱异常检测方法，其特征在于，所述对原始高光谱图像进行降维，具体为：
步骤101：设原始数据样本点个数为N，从中随机选取一个样本点xi，其与邻域点之间具有某种线性关系，选择k个邻域点；
步骤102：计算k个邻域点xij，j＝1,2,3,…,k线性表示xi时各自对应的权值，k个邻域点与样本点之间的关系应满足
Figure FDA0003474066580000021
式中wj i为邻域点对应的权值，该式解为
Figure FDA0003474066580000022
其中，
Figure FDA0003474066580000023
G是局部格拉姆矩阵，根据权值可以重构出样本点的近似值为
Figure FDA0003474066580000024
其中，Ni＝[xi1,xi2,...,xik]，代表k个邻域点组成的向量，
Figure FDA0003474066580000025
代表第i个点的邻域点所对应权值组成的向量；
步骤103：经过观测数据计算得出的权值系数wi在低维数据中同样适用，因此需满足
Figure FDA0003474066580000026
式中，yi是xi的降维后的数据点，yij，j＝1,2,3,…,k为yi的k个邻域点，该式需要满足的条件为
Figure FDA0003474066580000031
求解上式利用特征值分解完成，即
LYT＝λYT
式中L＝(I-W)T(I-W)，W为权值系数构成的矩阵，需要寻找L中不为零的最小的l个特征值，利用特征值对应的l个特征向量组成一个新的矩阵L′，带入上式，进行求解。
3.根据权利要求1或2所述的基于空谱联合协同表示的高光谱异常检测方法，其特征在于，所述对原始高光谱图像进行异常信息提取，具体为：在降维后的原始高光谱图像中寻找峰值灰度，在左右两个方向上同时寻找离峰值最近的零点作为阈值分割点，对每一个降维后的成分通过两个阈值分割点分别对图像进行分割，将图像划分为目标与背景，分别计算目标像元yT和背景像元yB的像元灰度值方差var(yT)和var(yB)，再根据公式：
Figure FDA0003474066580000032
确定两个潜在异常信噪比值；选择两个潜在异常信噪比值中较大的值作为整幅图像的潜在异常信噪比值，根据所述整幅图像的潜在异常信噪比对每一个降维成分进行潜在异常信噪比处理之后，选择潜在异常信噪比值最大的图像作为异常分量，用于进行后续的异常检测处理。
4.根据权利要求3所述的基于空谱联合协同表示的高光谱异常检测方法，其特征在于，所述构建一幅全部由背景像元构成的高光谱图像，具体为：利用异常分布情况对原始高光谱图像进行校正，将所述原始高光谱图像中被标记为异常点位置的像元置零，并计算全局图像的均值，将该均值替代异常点位置的像元，获得一幅全部由背景像元组成的高光谱图像。
5.根据权利要求4所述的基于空谱联合协同表示的高光谱异常检测方法，其特征在于，所述对所述原始高光谱图像和构建的背景像元高光谱图像进行光谱维度的协同表示获得检测结果，具体为：
步骤301：原始高光谱图像为Y，去除异常点后的图像为Y'，选择合适的内外窗尺寸，在两幅图像上同时进行窗口的滑动；
步骤302：双窗口在两幅图像上自从左上角位置开始同时滑动，中心像元为图像Y上的y，背景字典为Y′上的外窗口中像元Xs′，计算
Figure FDA0003474066580000041
r1＝||y-Xsα1||2
Γ′y为去除异常点后的图像上的权重调整矩阵，α1是权重系数，r1是残差，将r1与阈值进行比较，若大于阈值则判定为异常，小于阈值则为背景；
步骤303：双窗口从左到右、从上到下滑动，进行步骤302操作，直到y为最后一个像元，步骤302结束，进行步骤304；
步骤304：检测过程结束，输出检测结果。
CN201910719986.0A 2019-08-06 2019-08-06 基于空谱联合协同表示的高光谱异常检测方法 Active CN110570395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910719986.0A CN110570395B (zh) 2019-08-06 2019-08-06 基于空谱联合协同表示的高光谱异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910719986.0A CN110570395B (zh) 2019-08-06 2019-08-06 基于空谱联合协同表示的高光谱异常检测方法

Publications (2)

Publication Number Publication Date
CN110570395A CN110570395A (zh) 2019-12-13
CN110570395B true CN110570395B (zh) 2022-04-29

Family

ID=68774677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910719986.0A Active CN110570395B (zh) 2019-08-06 2019-08-06 基于空谱联合协同表示的高光谱异常检测方法

Country Status (1)

Country Link
CN (1) CN110570395B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199251B (zh) * 2019-12-27 2020-11-27 中国地质大学（北京） 一种基于加权邻域的多尺度高光谱图像分类方法
CN111986162B (zh) * 2020-07-28 2021-11-16 西安理工大学 基于粗定位和协同表示的高光谱异常点快速检测方法
CN112990313B (zh) * 2021-03-16 2023-04-07 中国科学院长春光学精密机械与物理研究所 高光谱图像异常检测方法、装置、计算机设备及存储介质
CN113902972A (zh) * 2021-09-24 2022-01-07 西安电子科技大学 一种基于低维流形建模和协同表示的高光谱图像异常检测方法
CN113822208B (zh) * 2021-09-27 2023-08-08 海南长光卫星信息技术有限公司 高光谱异常检测方法、装置、电子设备及可读存储介质
CN114076807B (zh) * 2022-01-19 2022-04-08 华谱科仪(北京)科技有限公司 一种色谱图异常处理方法、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592280A (zh) * 2012-01-14 2012-07-18 哈尔滨工程大学 采用多窗口特征分析的高光谱图像异常检测方法
CN104408705A (zh) * 2014-09-23 2015-03-11 西安电子科技大学 一种高光谱图像的异常检测方法
CN108108719A (zh) * 2018-01-05 2018-06-01 重庆邮电大学 一种加权核稀疏和协同表示系数的高光谱影像分类方法
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法
CN109117783A (zh) * 2018-08-08 2019-01-01 江南大学 一种基于核协同表示的高光谱图像交互式分类方法
CN109815825A (zh) * 2018-12-27 2019-05-28 中国科学院西安光学精密机械研究所 相似性约束凸非负矩阵分解的高光谱异常目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8559719B2 (en) * 2010-03-12 2013-10-15 The United States Of America, As Represented By The Secretary Of The Navy Spectral anomaly detection in deep shadows

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592280A (zh) * 2012-01-14 2012-07-18 哈尔滨工程大学 采用多窗口特征分析的高光谱图像异常检测方法
CN104408705A (zh) * 2014-09-23 2015-03-11 西安电子科技大学 一种高光谱图像的异常检测方法
CN108108719A (zh) * 2018-01-05 2018-06-01 重庆邮电大学 一种加权核稀疏和协同表示系数的高光谱影像分类方法
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法
CN109117783A (zh) * 2018-08-08 2019-01-01 江南大学 一种基于核协同表示的高光谱图像交互式分类方法
CN109815825A (zh) * 2018-12-27 2019-05-28 中国科学院西安光学精密机械研究所 相似性约束凸非负矩阵分解的高光谱异常目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Anomaly Detection for Hyperspectral Imagery Based on the Regularized Subspace Method and Collaborative Representation;Kun Tan等;《remote sensing》;20190601;第1-22页 *
改进协同表示的高光谱图像异常检测算法;刘万军等;《计算机应用研究》;20181231;第35卷(第12期);第3824-3840页 *

Also Published As

Publication number Publication date
CN110570395A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110570395B (zh) 基于空谱联合协同表示的高光谱异常检测方法
Guan et al. Gaussian scale-space enhanced local contrast measure for small infrared target detection
CN109934815B (zh) 一种结合atv约束的张量恢复红外弱小目标检测方法
CN110619263B (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
CN109447073B (zh) 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
Imani RX anomaly detector with rectified background
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN109934178A (zh) 一种基于Kronecker基稀疏表示的红外弱小目标检测方法
CN109146890B (zh) 基于滤波器的高光谱图像的异常目标检测方法
CN110427997B (zh) 面向复杂遥感影像背景的改进cva变化检测方法
CN108182449A (zh) 一种高光谱图像分类方法
Zhang et al. Infrared small target detection via interpatch correlation enhancement and joint local visual saliency prior
CN110210282A (zh) 一种基于非凸低秩稀疏分解的运动目标检测方法
CN111046800A (zh) 一种基于低秩与稀疏分解的高光谱图像异常目标检测方法
Vafadar et al. Hyperspectral anomaly detection using outlier removal from collaborative representation
CN107451595A (zh) 基于混合算法的红外图像显著性区域检测方法
CN113822352A (zh) 基于多特征融合的红外弱小目标检测方法
CN113850769B (zh) 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法
CN113822361A (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
Li et al. A Model-Driven Deep Mixture Network for Robust Hyperspectral Anomaly Detection
CN113537062A (zh) 一种基于FrFT变换和全变分正则化的异常检测方法
CN109815825B (zh) 相似性约束凸非负矩阵分解的高光谱异常目标检测方法
Xi et al. Multitarget detection algorithms for multitemporal remote sensing data
CN115731135A (zh) 基于低秩张量分解和自适应图全变分的高光谱图像去噪方法及系统
Li et al. Tensor approximation with low-rank representation and kurtosis correlation constraint for hyperspectral anomaly detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant