CN113822208B - 高光谱异常检测方法、装置、电子设备及可读存储介质 - Google Patents
高光谱异常检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113822208B CN113822208B CN202111137992.9A CN202111137992A CN113822208B CN 113822208 B CN113822208 B CN 113822208B CN 202111137992 A CN202111137992 A CN 202111137992A CN 113822208 B CN113822208 B CN 113822208B
- Authority
- CN
- China
- Prior art keywords
- pixel
- convolution
- spectrum
- spatial
- anomaly
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种高光谱异常检测方法、装置、电子设备及可读存储介质。其中,方法包括首先对待处理高光谱图像进行像素块划分,得到每个像元对应的待识别数据像素块。然后将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中,得到各待识别数据像素块的空谱特征信息。其中,3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块,并对空谱数据块进行解码重构处理,得到空谱特征信息。再利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果,最后可根据异常检测结果判断各像元是否异常,从而可有效提升遥感影像的高光谱异常检测的精准度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种高光谱异常检测方法、装置、电子设备及可读存储介质。
背景技术
随着高光谱成像光谱仪的发展,遥感影像的光谱信息从全色、多光谱快速发展至高光谱,使遥感技术进入到一个崭新阶段。高光谱影像具有高光谱分辨率,获得的影像像元具有上百波段光谱信息。基于各种地物之间的不同光谱特性,高光谱遥感技术广泛应用于地物识别分类、定量反演和异常目标检测等技术领域。其中,高光谱异常检测因其不需要先验信息、符合实际需求等优势,成为了近年来的研究热点。异常目标通常是指与周围背景光谱分布存在显著差异、且在空间上稀疏分布或出现概率较低的目标。
传统技术所采用的异常目标检测算法是Reed等提出的RX算法,其本质是基于广义似然比检测的一种恒虚警率异常目标检测算法,通过计算背景的协方差矩阵和均值向量获得被检测像元与背景像元的马氏距离,从而得到检测结果。由于实际情况中高光谱数据背景复杂、很难满足正态分布假设,在检测过程中计算协方差矩阵时还易受到异常像素的污染。鉴于此,相关技术提出了多种基于RX算法的改进方法,如:LRX算法(Local RX,LRX)、WRX算法(Weighted RX,WRX)、KRX算法(Kernel RX,KRX)等。近年来,深度学习方法受到大批学者关注,成为高光谱异常检测的重要方法之一。如将CNN应用到高光谱异常检测,通过度量待检测像素与周围像素的相似度来进行异常检测,不过需要大量标记的像素对来训练网络。或者是将自编解码器应用到高光谱异常检测,通过计算重构误差来获取最终检测结果。又或者是基于自编码网络的方法将每个像素单独送入网络进行特征提取,虽然能够提取到有用特征,但是会导致原图像各像素空间关系的丢失,而且以上空谱结合的方法将空间信息和光谱信息分开考虑,这样破坏了空谱关系,这些都会导致最终的高光谱异常检测精准度不高。
鉴于此,如何提升高光谱异常检测的精准度,是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种高光谱异常检测方法、装置、电子设备及可读存储介质,实现高精度检测到高光谱中的异常目标。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种高光谱异常检测方法,包括:
对待处理高光谱图像进行像素块划分,得到每个像元对应的待识别数据像素块;
将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中,得到各待识别数据像素块的空谱特征信息;所述3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块,并对所述空谱数据块进行解码重构处理,得到空谱特征信息;
利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果;
根据所述异常检测结果判断各像元是否异常。
可选的,所述3D卷积自编码模型包括编码器网络模块和解码器网络模块;
所述编码器网络模块用于对输入待识别数据像素块进行编码操作得到空谱数据块,所述解码器网络模块用于实现对所述空谱数据块进行原始数据像素块的重构;所述编码器网络模块和所述解码器网络模块的卷积核为3D卷积核;
所述3D卷积自编码模型的损失函数包括欧式距离、光谱角度量约束和连接权重损失,所述欧式距离用于描述中心像素的局部相似性,通过计算中心像素与其空间邻域像素的光谱特征,以约束所述中心像素与其空间邻域像素的关系;所述光谱角度量约束用于计算输入像素与重构像素的光谱相似性;所述连接权重损失为所述3D卷积自编码模型的权重值。
可选的,所述编码器网络模块的输入为待识别数据像素块,输出为空谱数据块;所述编码器网络模块包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,所述第一卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第二卷积层的卷积核大小为3×1×1,步长为3×1×1;所述第三卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第四卷积层的卷积核大小为3×1×1,步长为3×1×1;所述编码器网络模块利用BN层和激活函数对每次卷积操作结果进行处理。
可选的,所述解码器网络模块的输入为空谱数据块,输出为空谱特征;所述解码器网络模块包括第五卷积层、第六卷积层、第七卷积层和第八卷积层;所述第五卷积层的卷积核为3×1×1、步长为3×1×1、所述第六卷积层的卷积核为1×3×3、步长为1×1×1、所述第七卷积层的卷积核为3×1×1、步长为3×1×1和所述第八卷积层的卷积核为1×3×3、步长为1×1×1;所述解码器网络模块利用BN层对每次卷积操作结果进行处理。
可选的,所述利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果,包括:
对每个空谱特征信息,通过中心像元与各背景像元之间的光谱角和预设光谱阈值确定各像元的光谱异常度;
对每个空谱特征信息,通过各像元之间的图像块灰度向量的欧式距离和预设距离阈值确定各像元的空间异常度;
根据所述光谱异常度和所述空间异常度确定各光谱特征信息的空谱联合异常度;
计算各光谱特征信息与相对应的原始光谱之间的光谱平方误差,得到重构误差;
对每个空谱特征信息,利用当前空谱特征信息的重构误差对相应的空谱联合异常度进行校正,得到所述当前空谱特征信息对应像元的异常检测结果。
本发明实施例另一方面提供了一种高光谱异常检测装置,包括:
像素块划分模块,用于对待处理高光谱图像进行像素块划分,得到每个像元对应的待识别数据像素块;
空谱特征信息提取模块,用于将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中,得到各待识别数据像素块的空谱特征信息;所述3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块,并对所述空谱数据块进行解码重构处理,得到空谱特征信息;
检测模块,用于利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果;
异常判断模块,用于根据所述异常检测结果判断各像元是否异常。
可选的,所述3D卷积自编码模型包括编码器网络模块和解码器网络模块;
所述编码器网络模块用于对输入待识别数据像素块进行编码操作得到空谱数据块,所述解码器网络模块用于实现对所述空谱数据块进行原始数据像素块的重构;所述编码器网络模块和所述解码器网络模块的卷积核为3D卷积核;
所述3D卷积自编码模型的损失函数包括欧式距离、光谱角度量约束和连接权重损失,所述欧式距离用于描述中心像素的局部相似性,通过计算中心像素与其空间邻域像素的光谱特征,以约束所述中心像素与其空间邻域像素的关系;所述光谱角度量约束用于计算输入像素与重构像素的光谱相似性;所述连接权重损失为所述3D卷积自编码模型的权重值。
可选的,所述编码器网络模块的输入为待识别数据像素块,输出为空谱数据块;所述编码器网络模块包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,所述第一卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第二卷积层的卷积核大小为3×1×1,步长为3×1×1;所述第三卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第四卷积层的卷积核大小为3×1×1,步长为3×1×1;所述编码器网络模块利用BN层和激活函数对每次卷积操作结果进行处理。
本发明实施例还提供了一种电子设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述高光谱异常检测方法的步骤。
本发明实施例最后还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前任一项所述高光谱异常检测方法的步骤。
本申请提供的技术方案的优点在于,采用3D卷积自编码模型提取高光谱图像的空谱特征,能够学习深层次的空谱特征,有利于提高空间感知能力,进而提高异常检测精度。同时构建空谱联合异常度的计算方法,结合3D卷积自编码模型生成的重构误差,得到最终异常检测图,可为异常目标关键信息的挖掘提供依据。3D卷积自编码模型简便,检测精度高,可提升高光谱异常检测的精准度。
此外,本发明实施例还针对高光谱异常检测方法提供了相应的实现装置、电子设备及可读存储介质,进一步使得所述方法更具有实用性,所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高光谱异常检测方法的流程示意图;
图2为本发明实施例提供的另一种高光谱异常检测方法的流程示意图;
图3为本发明实施例提供的滑动双窗口检测模型示意图;
图4为本发明实施例提供的Viareggio数据集中的一个示意性例子的示意图;
图5为本发明实施例提供的图4对应的真实地物图;
图6为本发明实施例提供的不同异常目标检测方法的ROC曲线示意图;
图7为本发明实施例提供的高光谱异常检测装置的一种具体实施方式结构图;
图8为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1及图2,图1为本发明实施例提供的一种高光谱异常检测方法的流程示意图,本发明实施例可包括以下内容:
S101:对待处理高光谱图像进行像素块划分,得到每个像元对应的待识别数据像素块。
本实施例中的待处理高光谱图像即为进行异常检测的目标图像,将其作为输入图像输入至系统,系统对该高光谱影像进行归一化预处理,划分得到多个数据像素块,每个数据像素块即为用于检测是否为异常目标的待识别数据像素块。
S102:将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中,得到各待识别数据像素块的空谱特征信息。
本实施例的空谱特征信息是指待识别数据像素块的空间特征和光谱特征,其利用3D卷积自编码模型进行同时提取,3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块,并对空谱数据块进行解码重构处理,得到空谱特征信息。其在保留空谱关系的同时能够有效地提取到更具判别性的空谱特征。
S103:利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果。
在本步骤中,对3D卷积自编码模型生成的空谱特征,利用光谱异常度与空间异常度进行加和,结合3D卷积自编码模型所产生的重构误差对空谱联合异常度校正,可得中心像元的异常概率,即可得到待识别高光谱图像的异常检测结果。在空谱特征中引入光谱异常度和空间异常度,结合3D卷积自编码模型所生成的重构误差,可增强背景与异常的可分能力,进而有利于提升异常目标检测精准度。
S104:根据异常检测结果判断各像元是否异常。
经上个步骤融合重构误差和空谱联合异常度的检测结果,可根据实际应用场景设置阈值,异常度高于阈值的像元为异常像元,异常度不高于阈值的像元为背景像元,从而获得图像的最终检测结果。
在本发明实施例提供的技术方案中,采用3D卷积自编码模型提取高光谱图像的空谱特征,能够学习深层次的空谱特征,有利于提高空间感知能力,进而提高异常检测精度。同时构建空谱联合异常度的计算方法,结合3D卷积自编码模型生成的重构误差,得到最终异常检测图,可为异常目标关键信息的挖掘提供依据。3D卷积自编码模型简便,检测精度高,可提升高光谱异常检测的精准度。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1-图2只是一种示意方式,并不代表只能是这样的执行顺序。
在上述实施例中,对于3D卷积自编码模型的网络模型结构以及3D卷积自编码模型如何提取空谱特征并不做限定,本实施例中给出3D卷积自编码模型的一种具体结构,3D卷积自编码模型以数据像素块为输入,其可包括编码器网络模块、解码器网络模块和损失函数三部分,编码器网络模块与解码器网络模块有卷积操作连接,其中卷积核均采用3D-卷积核进行操作,从而可得到更深层次的空谱特征图。利用3D卷积自编码模型的编码器网络模块操作获得空谱数据块,空谱数据块经解码器网络模块实现原始数据像素块的重构;损失函数采用欧式距离来与光谱角约束中心像素与其周围像素的关系,以描述其局部相似性;采用光谱角度量输入元素和重构元素之间的光谱相似性,可以更好的表达高光谱影像的空谱特征,并对空谱数据块进行解码重构处理,得到空谱特征信息,可包括如下步骤:
在本实施例中,编码器网络模块用于对输入待识别数据像素块进行编码操作得到空谱数据块,解码器网络模块用于实现对空谱数据块进行原始数据像素块的重构;3D卷积自编码模型的损失函数包括欧式距离、光谱角度量约束和连接权重损失,欧式距离用于描述中心像素的局部相似性,通过计算中心像素与其空间邻域像素的光谱特征,以约束中心像素与其空间邻域像素的关系;光谱角度量约束用于计算输入像素与重构像素的光谱相似性,可解决欧式距离度量带来的图像模糊问题;连接权重损失为3D卷积自编码模型的权重值。本实施例通过光谱特征损失函数来约束中心像素和周围像素,可解决均方误差导致图像模糊的问题,同时获取局部区域较强的相关性,从而可提取判别性较强的特征图。
基于上述网络结构,如图3所示,3D卷积自编码模型提取空谱特征图的过程如下:
假设X∈RM×N×B表示待识别高光谱图像,M、N和B分别代表该高光谱影像的长、宽以及波段数,像素X(x,y)表示空间索引,使用在该高光谱图像上以像素X(x,y)为中心的立方体I(x,y)∈Rs×s×B来提取像素X(x,y)的潜在特征,其中s×s表示以像素X(x,y)为中心的邻域大小,实验中设定s=11。则采用3D卷积自编码模型提取待识别高光谱图像的空谱特征的过程表示为:
XL=f(wencoder·X+bencoder); (1)
式中,XL表示由编码器网络模块提取到的特征,wencoder和bencoder代表编码器网络模块的权值和偏置;表示由解码器网络模块重构的高光谱图像,wdecoder和bdecoder分别表示解码器网络模块的权值和偏置。
作为一种可选的实施方式,编码器网络模块的网络结构和解码器的网络结构可参阅表1所示,编码器网络模块的输入为待识别数据像素块,输出为空谱数据块。编码器网络模块包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,第一卷积层的卷积核大小为1×3×3,步长为1×1×1;第二卷积层的卷积核大小为3×1×1,步长为3×1×1;第三卷积层的卷积核大小为1×3×3,步长为1×1×1;第四卷积层的卷积核大小为3×1×1,步长为3×1×1;编码器网络模块利用BN层和激活函数对每次卷积操作结果进行处理。为了减少网络参数、加快网络收敛,把3×3×3的卷积核拆分成1×3×3和3×1×1的卷积核,每次卷积后加上BN(BatchNormalization,批量归一化)层和激活函数,其中编码器的最后一层使用Sigmoid激活,其余均为LReLu激活函数。作为另一种可选的实施方式,解码器网络模块的输入为空谱数据块,输出为空谱特征;解码器网络模块包括第五卷积层、第六卷积层、第七卷积层和第八卷积层;第五卷积层的卷积核为3×1×1、步长为3×1×1、第六卷积层的卷积核为1×3×3、步长为1×1×1、第七卷积层的卷积核为3×1×1、步长为3×1×1和第八卷积层的卷积核为1×3×3、步长为1×1×1;解码器网络模块利用BN层对每次卷积操作结果进行处理。解码器网络模块在每次卷积后加上BN层和激活函数,其中解码器的最后一层不使用函数激活,其余均为LReLu激活函数。当然,所属领域技术人员可根据实际需求灵活调整编码器网络模块、解码器网络模块的卷积核、步长和整个网络结构,例如编码器网络模块和编码器网络模块的卷积层可为3层。
表1编码器网络模块的网络结构
在实施例中,3D卷积自编码模型的损失函数可包含欧式距离、光谱角度量约束、连接权重损失。因此3D卷积自编码模型的损失函数可表示为:
式中,t表示每个输入立方体的像素数目,采用11×11的邻域大小,所以t=121,Xi表示输入立方体中第i个像素,表示其对应的重构像素,Xc表示输入像素立方体的中心像素,w为连接权重,α和β用来控制各个部分的权重,设置α=1,β=0.01。需要指出的是,为了有效表达空谱特征关系,本实施例采用欧式距离来约束中心像素与其周围像素的关系,来描述其局部相似性。同时,为了解决欧式距离度量带来的图像模糊问题,采用光谱角度量输入像素与重构像素的光谱相似性。
由上可知,本实施例提供一种新的光谱特征损失函数,可有效解决了空间感知能力差的问题,有利于提高异常检测精度。
上述实施例对如何执行S103并不做任何限定,本申请还给出异常检测结果的一种计算方式,也即如何利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,可包括:
对每个空谱特征信息,通过中心像元与各背景像元之间的光谱角和预设光谱阈值确定各像元的光谱异常度;对每个空谱特征信息,通过各像元之间的图像块灰度向量的欧式距离和预设距离阈值确定各像元的空间异常度;根据光谱异常度和空间异常度确定各光谱特征信息的空谱联合异常度;计算各光谱特征信息与相对应的原始光谱之间的光谱平方误差,得到重构误差;对每个空谱特征信息,利用当前空谱特征信息的重构误差对相应的空谱联合异常度进行校正,得到当前空谱特征信息对应像元的异常检测结果。
在本实施例中,光谱异常度通过引入光谱角作为度量像元之间光谱差异的方法,也即利用光谱异常度SADspec计算像元之间光谱信息的差异,利用像元之间光谱信息的差异,逐个求解中心像元与背景像元的光谱角,具体的可利用滑动窗模型逐个求解中心像元与背景像元的光谱角。光谱角是一种能够衡量两个光谱向量差异程度的方法,两个光谱向量之间的光谱角越小,说明两者的光谱曲线越相似,属于同一种物质的概率越高;两个光谱向量之间的光谱角越大,属于同一种物质的概率越低。同时,还可设置光谱阈值ε1,若距离大于光谱阈值ε1,则中心像元的光谱异常度加1,若距离不大于光谱阈值ε1,则加0,可利用滑动窗模型即可得到所有像元的光谱异常度。假设X∈RM×N×C表示潜在特征图,M、N和C分别代表待识别高光谱图像的长、宽以及潜在特征数,则光谱角的表达式可为:
在本实施例中,空间异常度SADspat通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量,同时计算不同像元之间图像块灰度向量的欧式距离并设置空间阈值ε2,其中像元类别的图像块灰度向量由建像元点的空间窗模型获取。首先根据虚拟维度确定原始数据的本征维数,即基于Neyman-Pearson探测理论分析的HFC而确定M的值。随后采用L2距离表示度量图像块之间空间结构相似性的一个可靠准则,像元的空间异常度SADspat定义为:
SADspat(i,j)=q1SAspat(i1,j1)+q2SAspat(i2,j2)+...+qmSAspat(im,jm); (5)
其中,通过中心像元和背景像元的图像块灰度向量的欧式距离,并根据得到的欧式距离结果的平均值设定空间阈值ε2,若距离大于空间阈值ε2,则中心像元的空间异常度加1,若距离不大于空间阈值ε2,则加0,对得到的M个图像的空间异常度进行加权和得到最终空间异常度SADspat。
在本实施例中,重构误差是由3D卷积自编码模型所产生,利用训练完成的3D卷积自编码模型,输入原始光谱经3D卷积自编码模型生成的重构光谱,利用原始光谱与生成光谱求取光谱距离;重构误差是利用3D卷积自编码的生成光谱与原始光谱进行光谱平方误差。本实施例的重构误差是利用3D卷积自编码模型的生成光谱与原始光谱求取光谱平方误差,因此平方误差计算公式可表述为:
式中,Xi表示第i个像素的光谱,表示重构像素的光谱。
融合重构误差和空谱联合异常度的检测结果的计算公式可如下所示:
L(x)=||Xc+RAD=((1-θ)·(SADspec+SADspat)+θ·E)||2; (7)
式中,θ为调节参数,且θ>0,例如可设置为θ=0.5,E为3D卷积自编码模型的重构误差。首先计算空谱联合异常度,中心像元的空谱联合异常度由光谱异常度SADspec和空间异常度SADspat共同决定,像元的空谱联合异常度越大,表明该像元属于异常目标的概率越大;最终的异常检测结果由3D卷积自编码模型的重构误差和空谱联合异常度的异常部分检测结果共同决定,设定调节参数,最终实现异常目标检测的实现。
为了验证本申请的技术方案可称为3DCAE-SSJ的有效性,本申请结合图4到图6还进行了验证性实验,可包括下述内容:
利用的意大利维亚雷焦郊区(Viareggio)获取的真实高光谱影像进行异常检测,该影像大小为375行*450列*511波段,在场景中有3辆车、4个面板和2个参考校准油布,共135个异常像元进行异常探测实验分析,参阅附图4。按如下步骤采用本申请技术方案进行高光谱影像进行异常检测:
a、首先,对于Viareggio高光谱数据集,为了验证算法的有效性,选择了4个基准算法GRX、LRX、CRD、LRR进行比较。
b、将实验中每种算法的检测结果与地面真实值进行比较,通过计算检测率和虚警率,绘制接受者操作特性曲线(ROC)如图6所示,在ROC曲线中的绘制过程中,通过设定不同的阈值,由不同阈值条件虚警率和检测率构成的坐标点相互连接起来构成的曲线,通常曲线越靠近左上角,检测算法的性能就越好。
c、计算ROC曲线下的面积值(AUC),并依次作为检测性能的衡量指标,其计算结果见表2所示:
表2各方法的AUC数据
检测算法 | GRX | LRX | CRD | LRR | 3DCAE-SSJ |
AUC值 | 0.8593 | 0.8550 | 0.8130 | 8817 | 0.9310 |
从上述表2可见,本申请技术方案的AUC值显著高于另外4种基准算法,可见本申请所提出的技术方案相比各现有技术,可有效提升高光谱影像的异常检测精准度。
本发明实施例还针对高光谱异常检测方法提供了相应的装置,进一步使得方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的高光谱异常检测装置进行介绍,下文描述的高光谱异常检测装置与上文描述的高光谱异常检测方法可相互对应参照。
基于功能模块的角度,参见图7,图7为本发明实施例提供的高光谱异常检测装置在一种具体实施方式下的结构图,该装置可包括:
像素块划分模块701,用于对待处理高光谱图像进行像素块划分,得到每个像元对应的待识别数据像素块。
空谱特征信息提取模块702,用于将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中,得到各待识别数据像素块的空谱特征信息;3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块,并对空谱数据块进行解码重构处理,得到空谱特征信息。
检测模块703,用于利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果。
异常判断模块704,用于根据异常检测结果判断各像元是否异常。
可选的,在本实施例的一些实施方式中,上述3D卷积自编码模型可包括编码器网络模块和解码器网络模块;
编码器网络模块用于对输入待识别数据像素块进行编码操作得到空谱数据块,解码器网络模块用于实现对空谱数据块进行原始数据像素块的重构;编码器网络模块和解码器网络模块的卷积核为3D卷积核;
3D卷积自编码模型的损失函数包括欧式距离、光谱角度量约束和连接权重损失,欧式距离用于描述中心像素的局部相似性,通过计算中心像素与其空间邻域像素的光谱特征,以约束中心像素与其空间邻域像素的关系;光谱角度量约束用于计算输入像素与重构像素的光谱相似性;连接权重损失为3D卷积自编码模型的权重值。
作为本实施例的一种可选的实施方式,上述编码器网络模块的输入为待识别数据像素块,输出为空谱数据块;编码器网络模块包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,第一卷积层的卷积核大小为1×3×3,步长为1×1×1;第二卷积层的卷积核大小为3×1×1,步长为3×1×1;第三卷积层的卷积核大小为1×3×3,步长为1×1×1;第四卷积层的卷积核大小为3×1×1,步长为3×1×1;编码器网络模块利用BN层和激活函数对每次卷积操作结果进行处理。
作为本实施例的另一种可选的实施方式,上述解码器网络模块的输入为空谱数据块,输出为空谱特征;解码器网络模块包括第五卷积层、第六卷积层、第七卷积层和第八卷积层;第五卷积层的卷积核为3×1×1、步长为3×1×1、第六卷积层的卷积核为1×3×3、步长为1×1×1、第七卷积层的卷积核为3×1×1、步长为3×1×1和第八卷积层的卷积核为1×3×3、步长为1×1×1;解码器网络模块利用BN层对每次卷积操作结果进行处理。
可选的,在本实施例的另一些实施方式中,上述检测模块703可进一步用于:对每个空谱特征信息,通过中心像元与各背景像元之间的光谱角和预设光谱阈值确定各像元的光谱异常度;对每个空谱特征信息,通过各像元之间的图像块灰度向量的欧式距离和预设距离阈值确定各像元的空间异常度;根据光谱异常度和空间异常度确定各光谱特征信息的空谱联合异常度;计算各光谱特征信息与相对应的原始光谱之间的光谱平方误差,得到重构误差;对每个空谱特征信息,利用当前空谱特征信息的重构误差对相应的空谱联合异常度进行校正,得到当前空谱特征信息对应像元的异常检测结果。
本发明实施例所述高光谱异常检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可实现高精度检测到高光谱中的异常目标。
上文中提到的高光谱异常检测装置是从功能模块的角度描述,进一步的,本申请还提供一种电子设备,是从硬件角度描述。图8为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图8所示,该电子设备包括存储器80,用于存储计算机程序;处理器81,用于执行计算机程序时实现如上述任一实施例提到的高光谱异常检测方法的步骤。
其中,处理器81可以包括一个或多个处理核心,比如4核心处理器、8核心处理器,处理器81还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器81可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable GateArray,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器81也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器81可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器81还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器80可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器80还可包括高速随机存取存储器以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。存储器80在一些实施例中可以是电子设备的内部存储单元,例如服务器的硬盘。存储器80在另一些实施例中也可以是电子设备的外部存储设备,例如服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器80还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器80不仅可以用于存储安装于电子设备的应用软件及各类数据,例如:执行漏洞处理方法的程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中,存储器80至少用于存储以下计算机程序801,其中,该计算机程序被处理器81加载并执行之后,能够实现前述任一实施例公开的高光谱异常检测方法的相关步骤。另外,存储器80所存储的资源还可以包括操作系统802和数据803等,存储方式可以是短暂存储或者永久存储。其中,操作系统802可以包括Windows、Unix、Linux等。数据803可以包括但不限于高光谱异常检测结果对应的数据等。
在一些实施例中,上述电子设备还可包括有显示屏82、输入输出接口83、通信接口84或者称为网络接口、电源85以及通信总线86。其中,显示屏82、输入输出接口83比如键盘(Keyboard)属于用户接口,可选的用户接口还可以包括标准的有线接口、无线接口等。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口84可选的可以包括有线接口和/或无线接口,如WI-FI接口、蓝牙接口等,通常用于在电子设备与其他电子设备之间建立通信连接。通信总线86可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解,图8中示出的结构并不构成对该电子设备的限定,可以包括比图示更多或更少的组件,例如还可包括实现各类功能的传感器87。
本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可实现高精度检测到高光谱中的异常目标。
可以理解的是,如果上述实施例中的高光谱异常检测方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时如上任意一实施例所述高光谱异常检测方法的步骤。
本发明实施例所述可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种高光谱异常检测方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (9)
1.一种高光谱异常检测方法,其特征在于,包括:
对待处理高光谱图像进行像素块划分,得到每个像元对应的待识别数据像素块;
将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中,得到各待识别数据像素块的空谱特征信息;所述3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块,并对所述空谱数据块进行解码重构处理,得到空谱特征信息;
利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果;
根据所述异常检测结果判断各像元是否异常;
其中,所述利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果,包括:
对每个空谱特征信息,通过中心像元与各背景像元之间的光谱角和预设光谱阈值确定各像元的光谱异常度;
对每个空谱特征信息,通过各像元之间的图像块灰度向量的欧式距离和预设距离阈值确定各像元的空间异常度;
根据所述光谱异常度和所述空间异常度确定各光谱特征信息的空谱联合异常度;
计算各光谱特征信息与相对应的原始光谱之间的光谱平方误差,得到重构误差;
对每个空谱特征信息,利用当前空谱特征信息的重构误差对相应的空谱联合异常度进行校正,得到所述当前空谱特征信息对应像元的异常检测结果。
2.根据权利要求1所述的高光谱异常检测方法,其特征在于,所述3D卷积自编码模型包括编码器网络模块和解码器网络模块;
所述编码器网络模块用于对输入待识别数据像素块进行编码操作得到空谱数据块,所述解码器网络模块用于实现对所述空谱数据块进行原始数据像素块的重构;所述编码器网络模块和所述解码器网络模块的卷积核为3D卷积核;
所述3D卷积自编码模型的损失函数包括欧式距离、光谱角度量约束和连接权重损失,所述欧式距离用于描述中心像素的局部相似性,通过计算中心像素与其空间邻域像素的光谱特征,以约束所述中心像素与其空间邻域像素的关系;所述光谱角度量约束用于计算输入像素与重构像素的光谱相似性;所述连接权重损失为所述3D卷积自编码模型的权重值。
3.根据权利要求2所述的高光谱异常检测方法,其特征在于,所述编码器网络模块的输入为待识别数据像素块,输出为空谱数据块;所述编码器网络模块包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,所述第一卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第二卷积层的卷积核大小为3×1×1,步长为3×1×1;所述第三卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第四卷积层的卷积核大小为3×1×1,步长为3×1×1;所述编码器网络模块利用BN层和激活函数对每次卷积操作结果进行处理。
4.根据权利要求3所述的高光谱异常检测方法,其特征在于,所述解码器网络模块的输入为空谱数据块,输出为空谱特征;所述解码器网络模块包括第五卷积层、第六卷积层、第七卷积层和第八卷积层;所述第五卷积层的卷积核为3×1×1、步长为3×1×1、所述第六卷积层的卷积核为1×3×3、步长为1×1×1、所述第七卷积层的卷积核为3×1×1、步长为3×1×1和所述第八卷积层的卷积核为1×3×3、步长为1×1×1;所述解码器网络模块利用BN层对每次卷积操作结果进行处理。
5.一种高光谱异常检测装置,其特征在于,包括:
像素块划分模块,用于对待处理高光谱图像进行像素块划分,得到每个像元对应的待识别数据像素块;
空谱特征信息提取模块,用于将各待识别数据像素块输入至利用预先构建的3D卷积自编码模型中,得到各待识别数据像素块的空谱特征信息;所述3D卷积自编码模型用于对输入数据像素块进行编码操作得到空谱数据块,并对所述空谱数据块进行解码重构处理,得到空谱特征信息;
检测模块,用于利用预设空谱联合异常方法对各空谱特征信息进行异常概率计算,得到各像元的异常检测结果;
异常判断模块,用于根据所述异常检测结果判断各像元是否异常;
其中,所述检测模块进一步用于:
对每个空谱特征信息,通过中心像元与各背景像元之间的光谱角和预设光谱阈值确定各像元的光谱异常度;
对每个空谱特征信息,通过各像元之间的图像块灰度向量的欧式距离和预设距离阈值确定各像元的空间异常度;
根据所述光谱异常度和所述空间异常度确定各光谱特征信息的空谱联合异常度;
计算各光谱特征信息与相对应的原始光谱之间的光谱平方误差,得到重构误差;
对每个空谱特征信息,利用当前空谱特征信息的重构误差对相应的空谱联合异常度进行校正,得到所述当前空谱特征信息对应像元的异常检测结果。
6.根据权利要求5所述的高光谱异常检测装置,其特征在于,所述3D卷积自编码模型包括编码器网络模块和解码器网络模块;
所述编码器网络模块用于对输入待识别数据像素块进行编码操作得到空谱数据块,所述解码器网络模块用于实现对所述空谱数据块进行原始数据像素块的重构;所述编码器网络模块和所述解码器网络模块的卷积核为3D卷积核;
所述3D卷积自编码模型的损失函数包括欧式距离、光谱角度量约束和连接权重损失,所述欧式距离用于描述中心像素的局部相似性,通过计算中心像素与其空间邻域像素的光谱特征,以约束所述中心像素与其空间邻域像素的关系;所述光谱角度量约束用于计算输入像素与重构像素的光谱相似性;所述连接权重损失为所述3D卷积自编码模型的权重值。
7.根据权利要求6所述的高光谱异常检测装置,其特征在于,所述编码器网络模块的输入为待识别数据像素块,输出为空谱数据块;所述编码器网络模块包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,所述第一卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第二卷积层的卷积核大小为3×1×1,步长为3×1×1;所述第三卷积层的卷积核大小为1×3×3,步长为1×1×1;所述第四卷积层的卷积核大小为3×1×1,步长为3×1×1;所述编码器网络模块利用BN 层和激活函数对每次卷积操作结果进行处理。
8.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至4任一项所述高光谱异常检测方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述高光谱异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137992.9A CN113822208B (zh) | 2021-09-27 | 2021-09-27 | 高光谱异常检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137992.9A CN113822208B (zh) | 2021-09-27 | 2021-09-27 | 高光谱异常检测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822208A CN113822208A (zh) | 2021-12-21 |
CN113822208B true CN113822208B (zh) | 2023-08-08 |
Family
ID=78921360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137992.9A Active CN113822208B (zh) | 2021-09-27 | 2021-09-27 | 高光谱异常检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822208B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570395A (zh) * | 2019-08-06 | 2019-12-13 | 西安电子科技大学 | 基于空谱联合协同表示的高光谱异常检测方法 |
CN112115769A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 一种基于视频的无监督稀疏人群异常行为检测算法 |
CN112434571A (zh) * | 2020-11-09 | 2021-03-02 | 西安理工大学 | 一种基于注意力自编码网络的高光谱异常检测方法 |
WO2021082480A1 (zh) * | 2019-10-29 | 2021-05-06 | 华为技术有限公司 | 一种图像分类的方法及相关装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1683103A2 (en) * | 2003-10-14 | 2006-07-26 | Kimberley Hanke | System for manipulating three-dimensional images |
CA3128957A1 (en) * | 2019-03-04 | 2020-03-03 | Bhaskar Bhattacharyya | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
-
2021
- 2021-09-27 CN CN202111137992.9A patent/CN113822208B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570395A (zh) * | 2019-08-06 | 2019-12-13 | 西安电子科技大学 | 基于空谱联合协同表示的高光谱异常检测方法 |
WO2021082480A1 (zh) * | 2019-10-29 | 2021-05-06 | 华为技术有限公司 | 一种图像分类的方法及相关装置 |
CN112115769A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 一种基于视频的无监督稀疏人群异常行为检测算法 |
CN112434571A (zh) * | 2020-11-09 | 2021-03-02 | 西安理工大学 | 一种基于注意力自编码网络的高光谱异常检测方法 |
Non-Patent Citations (1)
Title |
---|
基于3D 卷积自编解码器和低秩表示的高光谱异常检测;孙帮勇,赵哲,胡炳樑,于涛;光子学报;第50卷(第4期);0410003⁃1~13 * |
Also Published As
Publication number | Publication date |
---|---|
CN113822208A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | Local stereo matching with improved matching cost and disparity refinement | |
CN105825200B (zh) | 基于字典学习和结构稀疏表示的高光谱异常目标检测方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN107145829B (zh) | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 | |
CN104361611B (zh) | 一种基于群稀疏鲁棒pca的运动目标检测方法 | |
CN102651132B (zh) | 一种基于交叉视觉皮质模型的医学图像配准方法 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN109472199B (zh) | 一种图像融合分类的方法及装置 | |
CN106919952A (zh) | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN108460400B (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
CN106469452B (zh) | 一种遥感影像的变化检测处理方法 | |
CN106447653B (zh) | 基于空间约束的卡方变换的多时相遥感影像变化检测方法 | |
CN107481235A (zh) | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 | |
Liu et al. | LB-LSD: A length-based line segment detector for real-time applications | |
Li et al. | Hyperspectral anomaly detection via image super-resolution processing and spatial correlation | |
CN107240130A (zh) | 遥感影像配准方法、装置及系统 | |
CN116994044A (zh) | 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
Tu et al. | Feature extraction using multidimensional spectral regression whitening for hyperspectral image classification | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN111814653B (zh) | 一种视频中异常行为的检测方法、装置、设备及存储介质 | |
CN113822208B (zh) | 高光谱异常检测方法、装置、电子设备及可读存储介质 | |
US11495049B2 (en) | Biometric feature reconstruction method, storage medium and neural network | |
CN110084203B (zh) | 基于上下文关联的全卷积网络飞机层级检测方法 |
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 |