CN110929643A - 一种基于多特征和孤立树的高光谱异常检测方法 - Google Patents

Abstract

本发明提供了一种基于多特征和孤立树的高光谱异常检测方法。首先，提取高光谱影像的光谱特征、Gabor特征、EMP特征和EMAP特征；然后，对这四种特征分别建立孤立树集合，利用孤立树的特性得到高光谱遥感影像中的异常值，从而实现高光谱影像的异常检测。本发明较好地挖掘和利用了高光谱影像的多特征信息，能够进一步提高高光谱影像异常检测性能。

Description

一种基于多特征和孤立树的高光谱异常检测方法

技术领域

本发明属高光谱遥感影像处理和机器学习技术领域，具体涉及一种基于多特征和孤立树的高光谱异常检测方法。

背景技术

高光谱遥感影像是利用成像和光谱技术获取的，它最主要的特点是图谱合一，在获取地面图像空间信息的同时，得到每个地物的连续光谱信息，具有丰富的光谱和空间信息。高光谱遥感影像异常检测是一种无监督目标像元检测方法，不需要任何目标像元的先验信息，通过对比检测像元与背景像元的光谱特征，从而判别其属于异常像元还是背景像元。高光谱遥感影像异常探测是高光谱遥感应用的重要方向之一，实际应用已经广泛地覆盖了从民用到军用的诸多领域。典型应用包括国土资源管理中对于地形地貌特征、植被覆盖、矿产分布以及土壤类型的勘察，搜寻和营救工作中对于自然背景下的人工目标检测，反毒品战争中对于特定的毒品作物的检测，国防和反恐中对于军事车辆等特定目标的检测等等。

针对高光谱遥感影像目标检测，国内外学者提出了很多算法，代表性的算法大体分为以下几类：基于(Reed-Xiaoli，RX)的检测算法以及各种变型算法；基于稀疏表示(sparse representation，SR)的检测算法以及各种变型算法；基于协同表示(collaborative representation，CR)的检测算法以及各种变型算法；基于低秩稀疏矩阵分解(low-rank and sparse matrix decomposition，LRaSMD)的检测算法以及各种变型算法。高光谱影像的多特征信息已经在分类等任务中得到了成功应用，而目前现有的异常检测方法没有考虑高光谱影像的多特征信息。

发明内容

为了克服现有技术的不足，本发明提供一种基于多特征和孤立树的高光谱异常检测方法。首先，提取高光谱影像的光谱特征、Gabor特征、扩展形态剖面(ExtendedMorphological Profiles，EMP)特征和扩展多属性剖面(Extended Multi-AttributeProfiles，EMAP)特征；然后，对这四种特征分别建立孤立树集合，利用孤立树的特性得到高光谱遥感影像中的异常值，从而实现高光谱影像的异常检测。本发明较好地挖掘和利用了高光谱影像的多特征信息，能够进一步提高高光谱影像异常检测性能。

一种基于多特征和孤立树的高光谱异常检测方法，其特征在于步骤如下：

步骤1：将三维高光谱影像数据

变换为二维光谱特征数据

其中，d₁表示波段个数，h表示每个波段影像中每一列的像元个数，w表示每个波段影像中每一行的像元个数，n表示每个波段影像中总的像元个数，n＝h×w；

步骤2：对光谱特征数据X_spe进行主成分分析，得到对应的m个n维主成分向量，将每个主成分向量展开为一幅h×w的主成分图像；利用Gabor滤波器对所有主成分图像进行滤波，得到Gabor特征数据

利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再对结构成分进行开闭操作，得到EMP特征数据

利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再利用形态学属性滤波器对结构成分进行滤波，得到EMAP特征数据

其中，d₂表示Gabor特征数据的特征个数，其值等于主成分个数m、Gabor滤波器的方向和尺度三者的乘积，d₃表示EMP特征数据的特征个数，其值等于主成分个数m和形态学剖面的结构成分的个数的乘积，d₄表示EMAP特征数据的特征个数，其值等于主成分个数m、形态学剖面的结构成分的个数和形态学属性滤波器的个数的乘积；

步骤3：分别对光谱特征数据、Gabor特征数据、EMP特征数据和EMAP特征数据按照以下过程构建得到各自对应的孤立树集合：

步骤3.1：从特征数据的n个像元点中随机选取个ψ个像元点，构成孤立树的根节点，根节点对应数据集记为X＝{x₁,x₂,…,x_ψ}，x_i表示第i个像元点对应的d维向量，d为特征数据的特征个数，1≤ψ≤n；

步骤3.2：对于根节点数据集，从d个特征波段中随机选定一个波段i的像元值构成样本向量x_ψ＝{x_i1,x_i2,…,x_iψ}，从向量x_ψ中随机选择一个元素xim作为划分值，m∈[1,ψ]，然后，将根节点数据集X按照以下方式划分为两个样本数据集Xl和Xr：

步骤3.3：对样本数据集X_l和X_r分别按照步骤3.2的方式进行数据集划分，每一个数据集划分得到两个子数据集，重复此步骤，直到样本不可划分或者达到最大路径长度，得到特征数据的一颗孤立树，孤立树包括每个节点选取的波段和对应的划分值；所述的路径长度是指从根节点到当前节点遍历过的边的个数；所述的最大路径长度设置为ceil(log₂(ψ))，ceil为取整数操作；

步骤3.4：按照步骤3.1至步骤3.2进行t次树构建，得到的t棵孤立树即构成该特征数据对应的孤立树集合，t≥1；

步骤4：对于高光谱三维影像数据中的任一像元A，设其步骤2得到的对应的光谱特征为

Gabor特征为

EMP特征为

EMAP特征为

将像元A的各种特征分别在步骤3得到的该特征数据集对应的孤立树集合中进行树遍历，并按下式计算得到该特征在其特征数据集对应的孤立树集合中的平均路径长度E_k：

其中，k＝1时表示光谱特征，k＝2时表示Gabor特征，k＝3时表示EMP特征，k＝4时表示EMAP特征，t_k表示k特征数据集对应的孤立树集合中树的个数，i表示树的序号，h_i表示像元A在孤立树集合中第i棵树遍历得到的路径长度与树平均路径长度c(ψ)的和，c(ψ)＝2H(ψ-1)-(2(ψ-1)/ψ)，H(ψ-1)＝ln(ψ-1)+0.5772156649；

然后，按照下式计算得到像元A的异常分数值s：

步骤5：对高光谱三维影像数据中的所有像元都按照步骤4的方法计算得到其异常分数值，然后，对所有像元的异常分数值进行归一化处理；归一化后的异常分数值大于阈值K的所有像元，即判定为异常点，剩余像元即判定为背景点，完成高光谱影像异常检测；所述的阈值K的取值范围为[0,1]。

本发明的有益效果是：由于把高光谱影像数据的多特征信息引入到异常检测中，通过多特征融合，联合利用了高光谱影像数据的空间和光谱信息，提高了检测精度；由于将孤立树引入到异常检测中，有效提高了检测精度和实时性。

附图说明

图1是本发明的一种基于多特征和孤立树的高光谱异常检测方法流程图；

图2是本发明的孤立树一次数据分割示意图；

图3是本发明实施例使用的San Diego数据库的高光谱图像；

图中，(a)为原始灰度图，(b)为真实异常目标图；

图4是采用不同方法进行异常检测的结果ROC曲线图

图5是采用不同方法进行异常检测的结果AUC值图

图中，GRX-全局RX检测方法，LRX-局部RX检测方法，CRD-基于协同表示的检测方法，LRaSMD-基于低秩稀疏矩阵分解的检测方法，LSMAD-基于低秩稀疏矩阵分解和马氏距离的检测方法，MFITD-本发明的基于多特征和孤立树的检测方法。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

如图1所示，本发明提供了基于多特征和孤立树的高光谱异常检测方法，将多特征和孤立树引入高光谱遥感影像目标检测中，多特征信息融合充分考虑高光谱遥感影像多特征信息的互补性和空谱信息的联合挖掘。其具体过程如下：

步骤1：输入三维高光谱影像数据

通过变换得到二维光谱特征数据

其中，d₁表示波段个数，h表示影像数据的高(纵轴像元的个数)，w表示影像数据的宽(横轴像元的个数)，n表示每个波段影像中总的像元个数，n＝h×w。

步骤2：基于光谱特征数据

提取相应的Gabor特征数据

EMP特征数据

和EMAP特征数据

首先，通过对光谱特征数据

进行主成分分析，得到对应的m个n维主成分向量，然后，将每一个主成分向量变换为一幅大小为h×w的主成分图像，即：

其中，I_pci为主成分图像，I表示主成分向量，I_k，k＝1,…,n表示向量I中的第k个元素。

然后，(1)利用Gabor滤波器对所有主成分图像进行滤波，得到相应的Gabor特征数据

d₂等于主成分个数m、Gabor滤波器的方向和尺度的乘积。(2)利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再对结构成分进行开闭操作，得到相应的EMP特征数据

d₃等于主成分个数m和形态学剖面的结构成分的个数的乘积。(3)利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再利用形态学属性滤波器对结构成分进行滤波，得到相应的EMAP特征数据

d₄等于主成分个数m、形态学剖面的结构成分的个数和形态学属性滤波器的个数的乘积。

步骤3：对步骤2得到的四种特征数据，分别构建各自的孤立树集合。

以光谱特征数据

为例，首先从n个像元点中随机选取个ψ个像元点，作为孤立树的根节点，1≤ψ≤n，并基于随机选取的ψ个像元点构建一颗孤立树。根节点对应数据集可以表示为X＝{x₁,x₂,…,x_ψ}，x_k表示第k个像元点对应的d₁维向量，k＝1,…,ψ；

如图2所示，对于孤立树的一个当前父节点的样本数据集X_p，P表示当前父节点数据集中的像元个数(对于根节点，P＝ψ)，随机选定一个波段i，得到此波段对应像元值的向量x_P＝{x_i1,x_i2,…,x_iP}，从向量的最大值和最小值之间随机选择一个划分值x_im，m∈[1,P]，样本数据集X_p按照以下公式划分为X_l和X_r两个样本数据集：

重复上述划分过程，直到样本不可分或者达到预先设定的最长路径，得到光谱特征数据

的一颗孤立树。孤立树包括每个节点选取的波段和对应波段的划分值，路径是指从根节点到当前节点遍历过的边，路径长度即为遍历过的边的个数。预先设定的最长路径设置为ceil(log₂(ψ))，ceil为取整数操作，ψ即为的树根节点数据集的大小。

重复上述过程t_spe次进行树构建，得到包含t_spe棵孤立树的集合，即为光谱特征数据

对应的孤立树集合。

类似，对Gabor特征数据

EMP特征数据

和EMAP特征数据

分别得到包含t_gabo_r棵孤立树的集合、包含t_emp棵孤立树的集合和包含t_emap棵孤立树的集合。

步骤4：选取检测像元t的四种特征数据

和

以检测像元的光谱特征数据

遍历一颗步骤3得到的孤立树为例，从孤立树的根节点开始，根据当前节点保存的波段i，选择

对应的波段

然后与保存的划分值x_im比较，如果

迁移到左子节点，如果

迁移到右子节点。重复此过程直到

到达叶子节点，得到此检测像元光谱特征数据的路径长度为遍历得到此叶子节点的路径长度与树平均路径长度c(ψ)的和，c(ψ)＝2H(ψ-1)-(2(ψ-1)/ψ)，H(ψ-1)＝ln(ψ-1)+0.5772156649。

遍历完步骤3得到的孤立树集合，可以得到此检测像元的平均路径长度：

检测像元t的每种特征数据遍历步骤3得到的对应孤立树的集合，可以得到对应的期望路径长度

和

检测像元t的异常分数值s可以通过下式计算得到：

步骤5：对高光谱影像中所有像元重复上述步骤4，得到每一个像元的异常分数值。然后，对所有像元的异常分数值进行归一化处理。归一化后的异常分数值大于阈值K的所有像元，即判定为异常点，剩余像元即判定为背景点，至此，完成高光谱影像异常检测。其中，阈值K的取值范围为[0,1]。

为验证方法有效性，采用MATLAB平台对San Diego数据库的高光谱图像进行异常检测实验，其原始图像如图3(a)所示，图3(b)为其对应的真实异常目标图。并分别采用GRX(全局RX检测)方法、LRX(局部RX检测)方法、CRD(基于协同表示的检测)方法、LRaSMD(基于低秩稀疏矩阵分解的检测)方法，LSMAD(基于低秩稀疏矩阵分解和马氏距离)的检测方法和本发明的MFITD(基于多特征和孤立树的检测)方法进行异常检测效果对比，图4-5分别给出了采用不同方法进行异常检测的结果ROC曲线、AUC值。其中，ROC曲线的纵坐标为探测率，横坐标为虚警率，ROC曲线越靠近左上顶点越好，AUC值为ROC曲线与横坐标包括的面积大小，AUC值越大越好。可以看出，本发明方法检测结果的ROC曲线最接近左上顶点，ACU值最大，相对于传统方法，具有更好的异常检测效果。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (1)

1.一种基于多特征和孤立树的高光谱异常检测方法，其特征在于步骤如下：

步骤1：将三维高光谱影像数据

变换为二维光谱特征数据

其中，d₁表示波段个数，h表示每个波段影像中每一列的像元个数，w表示每个波段影像中每一行的像元个数，n表示每个波段影像中总的像元个数，n＝h×w；

步骤2：对光谱特征数据X_spe进行主成分分析，得到对应的m个n维主成分向量，将每个主成分向量展开为一幅h×w的主成分图像；利用Gabor滤波器对所有主成分图像进行滤波，得到Gabor特征数据

利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再对结构成分进行开闭操作，得到EMP特征数据

利用形态学滤波器对所有主成分图像进行滤波，产生形态学剖面的结构成分，再利用形态学属性滤波器对结构成分进行滤波，得到EMAP特征数据

其中，d₂表示Gabor特征数据的特征个数，其值等于主成分个数m、Gabor滤波器的方向和尺度三者的乘积，d₃表示EMP特征数据的特征个数，其值等于主成分个数m和形态学剖面的结构成分的个数的乘积，d₄表示EMAP特征数据的特征个数，其值等于主成分个数m、形态学剖面的结构成分的个数和形态学属性滤波器的个数的乘积；

步骤3：分别对光谱特征数据、Gabor特征数据、EMP特征数据和EMAP特征数据按照以下过程构建得到各自对应的孤立树集合：

步骤3.1：从特征数据的n个像元点中随机选取个ψ个像元点，构成孤立树的根节点，根节点对应数据集记为X＝{x₁,x₂,…,x_ψ}，x_i表示第i个像元点对应的d维向量，d为特征数据的特征个数，1≤ψ≤n；

步骤3.2：对于根节点数据集，从d个特征波段中随机选定一个波段i的像元值构成样本向量x_ψ＝{x_i1,x_i2,…,x_iψ}，从向量x_ψ中随机选择一个元素x_im作为划分值，m∈[1,ψ]，然后，将根节点数据集X按照以下方式划分为两个样本数据集X_l和X_r：

步骤3.3：对样本数据集X_l和X_r分别按照步骤3.2的方式进行数据集划分，每一个数据集划分得到两个子数据集，重复此步骤，直到样本不可划分或者达到最大路径长度，得到特征数据的一颗孤立树，孤立树包括每个节点选取的波段和对应的划分值；所述的路径长度是指从根节点到当前节点遍历过的边的个数；所述的最大路径长度设置为ceil(log₂(ψ))，ceil为取整数操作；

步骤3.4：按照步骤3.1至步骤3.2进行t次树构建，得到的t棵孤立树即构成该特征数据对应的孤立树集合，t≥1；

步骤4：对于高光谱三维影像数据中的任一像元A，设其步骤2得到的对应的光谱特征为

Gabor特征为

EMP特征为

EMAP特征为

将像元A的各种特征分别在步骤3得到的该特征数据集对应的孤立树集合中进行树遍历，并按下式计算得到该特征在其特征数据集对应的孤立树集合中的平均路径长度E_k：

其中，k＝1时表示光谱特征，k＝2时表示Gabor特征，k＝3时表示EMP特征，k＝4时表示EMAP特征，t_k表示k特征数据集对应的孤立树集合中树的个数，i表示树的序号，h_i表示像元A在孤立树集合中第i棵树遍历得到的路径长度与树平均路径长度c(ψ)的和，c(ψ)＝2H(ψ-1)-(2(ψ-1)/ψ)，H(ψ-1)＝ln(ψ-1)+0.5772156649；

然后，按照下式计算得到像元A的异常分数值s：

步骤5：对高光谱三维影像数据中的所有像元都按照步骤4的方法计算得到其异常分数值，然后，对所有像元的异常分数值进行归一化处理；归一化后的异常分数值大于阈值K的所有像元，即判定为异常点，剩余像元即判定为背景点，完成高光谱影像异常检测；所述的阈值K的取值范围为[0,1]。

Images