CN112016529A - 基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法 - Google Patents
基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法 Download PDFInfo
- Publication number
- CN112016529A CN112016529A CN202011129045.0A CN202011129045A CN112016529A CN 112016529 A CN112016529 A CN 112016529A CN 202011129045 A CN202011129045 A CN 202011129045A CN 112016529 A CN112016529 A CN 112016529A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- tensor
- pixels
- matrix
- abnormal
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,包括以下步骤:根据高阶奇异值分解构建空间维因子矩阵,以充分提取高光谱图像的空间维度信息;用聚类算法对高光谱数据的所有像元进行k个类别归类,去除聚类簇中像元数目少于P的像元,剩下的像元按每一簇进行计算其核空间异常指标,从而最终选取叠加和最大的前P个像元作为光谱维因子矩阵的组成原子;建立基于鲁棒光谱协方差距离正则化的高光谱图像异常智能检测模型,构造拉格朗日方程,逐步迭代求解某一个变量同时固定其余变量,求解异常检测模型,根据所求得的解得到异常目标。本发明能够对高光谱遥感图像中的异常目标实现智能检测,有效降低虚警率。
Description
技术领域
本发明属于遥感图像处理技术领域,特别是一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法。
背景技术
高光谱遥感异常目标检测是高光谱遥感的一个重要的应用方向。高光谱异常检测的目的是为了确定感兴趣目标的位置和类别,其本质是一个二分类问题,高分辨率为辨识不同地物目标提供了可能,不同物质的光谱差异使得高光谱图像中目标像元与背景像元存在差异,利用像元差异可以实现高光谱目标检测。传统目标检测方法一般需要先验光谱知识以及数据光谱校正,完备的光谱库现实中是不存在的,然而“同物异谱”和“同谱异物”现象的存在,使得很难获取特定成像条件下感兴趣目标准确的光谱信息。高光谱异常目标智能检测方法不依赖于目标先验知识,根据光谱像元是否符合背景统计特性从而将异常目标检测出来,因此研究具有较强实用性和普适性的高光谱异常目标智能检测方法是国内外的研究热点之一。
传统的异常目标检测方法往往采用传统的向量和矩阵等数据表示形式,以光谱向量为处理单位的,即将像元中各波段灰度值排列为光谱特征向量,把整个图像张成二维矩阵。这种方法能够有效刻画像元的光谱特性,但弱化了影响局部区域的结构、纹理征等空间特征,破坏了高光谱原始数据的“图谱合一”结构,在处理过程中,高光谱数据的本质没有得到很好描述和充分挖掘潜在特性。
张量是向量和矩阵的更高阶推广,张量表示的优点在于它能够保留不同维度的空间几何信息,如图像的大小、面积、方向、位置、形状、曲率等。张量表示所提供的分解和运算机制有益于大规模数据样本的处理与分析,张量分解可以将计算复杂度较大的复杂问题转化为一系列小规模简单子问题来求解,这有利我们挖掘高维数据的本质特征。
目前的张量分解算法基本上都是假设各向同性,各个模态上的因子矩阵的构造方式是一样的,例如正交约束、非负约束,实际中这个构造方法具有局限性,不能真实表现出各个维度上的真实特性,高维张量数据在不同维度上表现不一样的特征信息。
发明内容
本发明的目的在于提供一种稳定、精度高的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法。
实现本发明目的的技术解决方案为:一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,包括以下步骤:
步骤1,根据高阶奇异值分解构建空间维因子矩阵,提取高光谱图像的空间维度信息;
步骤2,用聚类算法对高光谱数据的所有像元进行 k个类别归类,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元,剩下的像元按每一簇进行计算其核空间异常指标,从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子;
步骤3,建立基于鲁棒光谱协方差距离正则化的高光谱图像异常目标检测模型,构造拉格朗日方程,逐步迭代求解某一个变量同时固定其余变量,求解异常目标检测模型,根据所求得的解得到异常目标。
进一步地,步骤1根据高阶奇异值分解构建空间维因子矩阵,N阶张量的高阶奇异值分解是将张量分解成一个大小保持不变的核心张量与N个因子矩阵在各个mode乘积的形式;对于高光谱张量数据x,它的高阶奇异值分解形式如下:
进一步地,步骤2所述用聚类算法对高光谱数据的所有像元进行k个类别归类,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的类别中的像元,剩下的像元按每一簇进行计算核光谱异常指标,从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子;
对于任意两个高光谱图像的像元x和y,其核光谱角余弦表达式为:
利用聚类算法对高光谱数据的所有像元进行k个类别归类,提取出最主要地物的所有像元,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元。接下来使用核光谱角余弦算法,去除像元数小于P后剩下的像元按每一簇进行计算核空间异常指标。计算过程为对于一个待测像元y和同一类别内的像元集,将分别与同一类别的其他像元计算得到的核光谱角余弦值进行叠加,则计算y的核光谱角余弦叠加和可得:
进一步地,步骤3所述建立基于鲁棒光谱协方差距离正则化的高光谱图像异常智能检测模型,构造拉格朗日方程,逐步迭代求解某一个变量同时固定其余变量,求解异常检测模型,根据所求得的解得到异常目标,具体步骤如下:
利用低秩张量表示将原始高光谱张量数据分解为背景张量部分和异常张量部分。在光谱维对高光谱数据进行张量分解表示,在光谱维字典因子矩阵下寻求背景的最低秩表示:
计算待检测样本和全部样本均值向量,从而获取得光谱协方差距离正则项:
(5)更新拉格朗日乘子
(6)采用序贯策略更新正则因子,计算公式为:
(7)更新收敛性条件error,计算公式为:
本发明与现有技术相比,其显著优点在于:(1)以张量的秩作为结构先验,通过秩对张量稀疏性的合理度量,实现较强的全局约束,以张量秩为先验,使得在考虑核心张量稀疏性时可以从高光谱数据的整体特征出发,可以充分利用数据内在结构使得通过核心张量中少量的系数就可以捕获高光谱图像最重要的背景像元信息,符合实际物理背景;(2)高光谱遥感数据的结构化张量表示能够保持空间信息和光谱信息,避免低维空间表示造成的信息丢失;(3)利用聚类以及核空间异常指标,避免了多个地物类别对选取背景像元造成的干扰,提取出最主要地物的所有像元,光谱维因子矩阵构造也更为准确,很好避免异常像元的干扰,尽可能保证了对高光谱数据所有背景像元的覆盖;(4)鲁棒光谱协方差距离正则项是建立在总体样本的基础上,能够应对高维线性分布的数据中各维度间非独立同分布的问题,克服了受量纲影响的缺点,可以排除变量之间的相关性的干扰,使得背景部分与异常部分能够有效分离。
下面结合附图详细说明本发明提供的分类多尺度的高光谱图像分类方法。
附图说明
图1是本发明基于鲁棒光谱协方差距离的高光谱异常智能检测方法流程图。
具体实施方式
结合图1,本发明基于鲁棒光谱协方差距离的高光谱图像异常智能检测方法,具体过程为:
步骤1,根据高阶奇异值分解构建空间维因子矩阵,以充分提取高光谱图像的空间维度信息;
N阶张量的高阶奇异值分解是将张量分解成一个大小保持不变的核心张量与N个因子矩阵在各个mode乘积的形式。对于高光谱张量数据x,它的高阶奇异值分解形式如下:
步骤2,用聚类算法对高光谱数据的所有像元进行看k类别归类,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元,剩下的像元按每一簇进行计算其核空间异常指标,从而最终选取叠加和最大的前P个像元作为光谱维因子矩阵的组成原子,具体如下:
对于任意两个高光谱图像的像元x和y,其核光谱角余弦表达式为:
利用聚类算法对高光谱数据的所有像元进行k类别归类,提取出最主要地物的所有像元,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元。接下来使用核光谱角余弦算法,去除像元数小于P后剩下的像元按每一簇进行计算其核空间异常指标。对于一个待测像元y,将分别与同一类别的其他像元计算得到的核光谱角余弦值进行叠加,则计算y的核空间异常指标为:
步骤3,建立基于鲁棒光谱协方差距离正则化的高光谱图像异常智能检测模型,构造拉格朗日方程,逐步迭代求解某一个变量同时固定其余变量,求解异常检测模型,根据所求得的解得到异常目标,具体步骤如下:
利用低秩张量表示将原始高光谱张量数据分解为背景张量部分和异常张量部分。在光谱维对高光谱数据进行张量分解表示,在光谱维字典因子矩阵下寻求背景的最低秩表示:
计算待检测样本和全部样本均值向量,从而获取得鲁棒光谱协方差距离正则项:
(5)更新拉格朗日乘子
(6)采用序贯策略更新正则因子,计算公式为:
(7)更新收敛性条件error,计算公式为:
综上所述,本发明区别于传统矩阵形式低秩稀疏表示框架,以张量的秩作为结构先验,通过秩对张量稀疏性的合理度量,实现较强的全局约束,以张量秩为先验,使得在考虑核心张量稀疏性时可以从高光谱数据的整体特征出发,可以充分利用数据内在结构使得通过核心张量中少量的系数就可以捕获高光谱图像最重要的背景像元信息,符合实际物理背景。高光谱遥感数据的结构化张量表示能够保持空间信息和光谱信息,避免低维空间表示造成的信息丢失。利用聚类以及核空间异常指标,避免了多个地物类别对选取背景像元造成的干扰,提取出最主要地物的所有像元,光谱维因子矩阵构造也更为准确,很好避免异常像元的干扰,尽可能保证了对高光谱数据所有背景像元的覆盖。鲁棒光谱协方差距离正则项是建立在总体样本的基础上,能够应对高维线性分布的数据中各维度间非独立同分布的问题,克服了受量纲影响的缺点,可以排除变量之间的相关性干扰,使得异常目标能够有效提取并精准检测。
Claims (6)
1.一种基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,包括如下步骤:
步骤1,根据高阶奇异值分解构建空间维因子矩阵,提取高光谱图像的空间维度信息;具体为:
N阶张量高阶奇异值分解是将张量分解成一个大小保持不变的核心张量与N个因子矩阵在各个模态乘积的形式;对于高光谱张量数据x,它的高阶奇异值分解形式:
步骤2,用聚类算法对高光谱数据的所有像元进行k个类别归类,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元,剩下的像元按每一簇进行计算其核空间异常指标,从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子;
步骤3,建立基于鲁棒光谱协方差距离正则化的高光谱图像异常目标检测模型,构造拉格朗日方程,逐步迭代求解某一个变量同时固定其余变量,求解异常目标检测模型,根据所求得的解得到异常目标。
2.根据权利要求1所述的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,用聚类算法对高光谱数据的所有像元进行k个类别归类,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元,剩下的像元按每一簇进行计算其核空间异常指标,从而最终选取指标最大的前P个像元作为光谱维因子矩阵的组成原子;具体过程如下:
对于任意两个高光谱图像的像元x和y,其核光谱角余弦表达式为:
利用聚类算法对高光谱数据的所有像元进行k个类别归类,提取出最主要地物的所有像元,采用最大P方法构造背景字典,即去除聚类簇中像元数目少于P的像元;接下来使用核光谱角余弦值算法,去除像元数小于P的类别后剩下的像元按每一簇进行计算其核空间异常指标,其计算方法为:对于一个待测像元y和同一类别内的像元集,将分别与同一类别的其他像元计算得到的核光谱角余弦值进行叠加,则y的核空间异常指标为:
4.根据权利要求2所述的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,k=16,P=21。
5.根据权利要求1所述的基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法,其特征在于,建立基于鲁棒光谱协方差距离正则化的高光谱图像异常目标检测模型,构造拉格朗日方程,逐步迭代求解某一个变量同时固定其余变量,求解异常目标检测模型,根据所求得的解得到异常目标,具体步骤如下:
利用低秩张量表示将原始高光谱张量数据分解为背景张量部分和异常张量部分;在光谱维对高光谱数据进行张量分解表示,在光谱维字典因子矩阵下寻求背景的最低秩表示:
计算待检测样本和全部样本均值向量,从而获取得鲁棒光谱协方差距离正则项:
(5)更新拉格朗日乘子
(6)采用序贯策略更新正则因子,计算公式为:
(7)更新收敛性条件error,计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129045.0A CN112016529B (zh) | 2020-10-21 | 2020-10-21 | 基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129045.0A CN112016529B (zh) | 2020-10-21 | 2020-10-21 | 基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016529A true CN112016529A (zh) | 2020-12-01 |
CN112016529B CN112016529B (zh) | 2021-02-12 |
Family
ID=73527383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129045.0A Active CN112016529B (zh) | 2020-10-21 | 2020-10-21 | 基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016529B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819769A (zh) * | 2021-01-26 | 2021-05-18 | 复旦大学 | 基于核函数和联合字典的非线性高光谱图像异常探测算法 |
CN114596483A (zh) * | 2022-02-10 | 2022-06-07 | 复旦大学 | 一种高光谱图像非线性异常探测方法 |
CN114998622A (zh) * | 2022-06-01 | 2022-09-02 | 南京航空航天大学 | 一种基于核泰勒分解的高光谱图像特征提取方法 |
CN116739400A (zh) * | 2023-02-08 | 2023-09-12 | 石家庄学院 | 基于高阶张量秩降低策略的智能评价系统 |
CN117745777A (zh) * | 2024-01-05 | 2024-03-22 | 哈尔滨工业大学 | 一种基于时空配准的遥感检测地表密集异常元去除方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
-
2020
- 2020-10-21 CN CN202011129045.0A patent/CN112016529B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069758A (zh) * | 2015-08-21 | 2015-11-18 | 武汉大学 | 一种基于鲁棒低秩张量的高光谱图像去噪方法 |
CN109241491A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 基于联合低秩和稀疏表示的张量结构性缺失填充方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819769A (zh) * | 2021-01-26 | 2021-05-18 | 复旦大学 | 基于核函数和联合字典的非线性高光谱图像异常探测算法 |
CN114596483A (zh) * | 2022-02-10 | 2022-06-07 | 复旦大学 | 一种高光谱图像非线性异常探测方法 |
CN114596483B (zh) * | 2022-02-10 | 2023-05-02 | 复旦大学 | 一种高光谱图像非线性异常探测方法 |
CN114998622A (zh) * | 2022-06-01 | 2022-09-02 | 南京航空航天大学 | 一种基于核泰勒分解的高光谱图像特征提取方法 |
CN114998622B (zh) * | 2022-06-01 | 2023-09-29 | 南京航空航天大学 | 一种基于核泰勒分解的高光谱图像特征提取方法 |
CN116739400A (zh) * | 2023-02-08 | 2023-09-12 | 石家庄学院 | 基于高阶张量秩降低策略的智能评价系统 |
CN116739400B (zh) * | 2023-02-08 | 2024-05-24 | 石家庄学院 | 基于高阶张量秩降低策略的智能评价系统 |
CN117745777A (zh) * | 2024-01-05 | 2024-03-22 | 哈尔滨工业大学 | 一种基于时空配准的遥感检测地表密集异常元去除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016529B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016529B (zh) | 基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法 | |
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
Xing et al. | Pan-sharpening via deep metric learning | |
CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
CN111368691B (zh) | 无监督高光谱遥感图像空谱特征提取方法 | |
Jiang et al. | LREN: Low-rank embedded network for sample-free hyperspectral anomaly detection | |
Mignotte | A bicriteria-optimization-approach-based dimensionality-reduction model for the color display of hyperspectral images | |
Ma et al. | Hyperspectral anomaly detection based on low-rank representation with data-driven projection and dictionary construction | |
CN111583230A (zh) | 一种基于局部特征的低秩稀疏分解高光谱异常检测方法 | |
CN113033602A (zh) | 一种基于张量低秩稀疏表示的图像聚类方法 | |
CN107273919B (zh) | 一种基于置信度构造类属字典的高光谱无监督分类方法 | |
CN112633202A (zh) | 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法 | |
Zhao et al. | Hyperspectral time-series target detection based on spectral perception and spatial-temporal tensor decomposition | |
CN113537062B (zh) | 一种基于FrFT变换和全变分正则化的异常检测方法 | |
He et al. | Anomaly detection for hyperspectral imagery via tensor low-rank approximation with multiple subspace learning | |
Qin et al. | Generalized nonconvex low-rank tensor representation for hyperspectral anomaly detection | |
CN114331976A (zh) | 一种基于多级张量先验约束的高光谱异常检测方法 | |
CN113421198A (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN116778339A (zh) | 局部视图辅助判别高光谱波段选择方法及系统 | |
Wang et al. | Multiple Spectral-Spatial Representation Based on Tensor Decomposition for HSI Anomaly Detection | |
Yufeng et al. | Research on SAR image change detection algorithm based on hybrid genetic FCM and image registration | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
CN115496950A (zh) | 邻域信息嵌入的半监督判别字典对学习的图像分类方法 | |
Tang et al. | Hyperspectral classification of two-branch joint networks based on Gaussian pyramid multiscale and wavelet transform |
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 |