CN116486263A - 基于深度特征和双支流孤立森林的高光谱异常检测方法 - Google Patents
基于深度特征和双支流孤立森林的高光谱异常检测方法 Download PDFInfo
- Publication number
- CN116486263A CN116486263A CN202310463686.7A CN202310463686A CN116486263A CN 116486263 A CN116486263 A CN 116486263A CN 202310463686 A CN202310463686 A CN 202310463686A CN 116486263 A CN116486263 A CN 116486263A
- Authority
- CN
- China
- Prior art keywords
- global
- local
- sample
- tree
- detection result
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000001228 spectrum Methods 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000002955 isolation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108010035322 rhamnogalacturonan acetylesterase Proteins 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
-
- 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
-
- 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
-
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于深度特征和双支流孤立森林的高光谱异常检测方法,主要解决现有技术对空间和光谱信息利用不足,影响检测精度的问题。方案包括:1)对三维高光谱图像分别进行全局和局部的样本提取;2)基于全局、局部的特征,引入神经网络进行光谱特征降维和提取,得到表征光谱信息的全局样本和局部样本,并利用其分别进行孤立森林的构建和测试,产生基于光谱的检测结果;3)利用形态学滤波、高斯滤波进行空间信息挖掘,产生基于空间的检测结果;4)通过非线性操作对两部分检测结果进行融合,得到高光谱异常检测的最终结果。本发明能够更为有效地挖掘高光谱图像的光谱和空间信息,提升高光谱异常检测的检测效果。
Description
技术领域
本发明属于计算机视觉与机器学习技术领域,进一步涉及高光谱异常检测,具体为一种基于深度特征和双支流孤立森林的高光谱异常检测方法,可用于环境监测、灾害预测和精准农业等。
背景技术
高光谱异常检测是高光谱图像处理任务之一,相较于其他高光谱任务,该任务没有先验的光谱和空间信息进行学习,使得该任务具有一定的挑战性。高光谱图像异常定义:在高光谱图像中,异常像素与其周围像素有着明显的光谱差异。基于此特征,高光谱异常检测技术被用于军事、农业、地质、海洋等领域。近些年,孤立森林模型引起高光谱领域研究者的关注,将其应用于高光谱异常检测领域中,取得不错的检测精度。
在现有技术文献[Wang R,Nie F,Wang Z,et al.Multiple features andisolation forest-based fast anomaly detector for hyperspectral imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2020,58(9):6664-6676.]中,一方面对原始的高光谱图像在光谱维度进行孤立森林的构建和测试;另一方面通过分别引入高斯滤波、扩展形态滤波和扩展多属性滤波进行空间维度的特征,并对三种空间特征进行孤立森林的构建和测试;最后通过像素级相加的方式进行融合。该方法在对原始的高光谱图像构建孤立森林过程中,只使用单个的光谱波段对于高光谱图像的众多波段,其促使孤立森林的构建不是很有效;且基于三个空间特征构建孤立森林,由于对于空间的利用率不够导致对于亚像素异常的检测效果不佳。
发明内容
本发明目的在于针对上述现有技术的不足,提出一种基于深度特征和双支流孤立森林的高光谱异常检测方法,解决局部异常检测的检测性能不佳问题,本发明能够更为有效地挖掘高光谱图像的光谱和空间信息,从而提升高光谱异常检测的检测效果。
实现本发明的思路是:首先,对三维高光谱图像分别进行全局和局部的样本提取;然后,基于全局、局部的特征,引入神经网络进行光谱特征降维和提取,得到表征光谱信息的全局样本和局部样本;再利用其分别进行孤立森林的构建和测试,产生基于光谱的检测结果;最后,利用形态学滤波、高斯滤波进行空间信息挖掘,产生基于空间的检测结果,通过非线性操作对基于光谱的检测结果和基于空间的检测结果进行融合,得到高光谱异常检测的最终结果。
为了实现上述目的,本发明技术方案的实现步骤如下:
(1)提取高光谱图像的全局样本和局部样本:
(1.1)将三维高光谱图像转化为二维矩阵/>得到全局样本,其中H、W和B分别表示三维高光谱图像的高、宽和波段,N=H×W表示像素个数;
(1.2)将二维矩阵作为主成分分析算法PCA的输入,提取其中的第一主成分特征,然后把第一主成分特征输入到简单线性迭代聚类算法SLIC中,并将简单线性迭代聚类算法超像素块的个数设置为k,对第一主成分特征进行分割得到分割图,并利用分割图的空间信息对二维矩阵/>索引得到k个局部同质区域,N=N1+N2+...+Nv+...+Nk,其中Nv表示第v个同质区域像素的个数,v=1,2,...,k;得到局部样本HSIL={XL1,XL2,...,XLv,...,XLk},/>其中XLv表示局部样本中第v个同质区域的所有像素;
(2)利用光谱信息构建孤立森林模型,获取检测结果并对其进行融合:
(2.1)利用神经网络的参数随机初始化操作对全局样本和局部样本的光谱维度进行特征转化,使其从B维下降到D维,得到降维后的全局光谱信息和局部光谱信息,即全部全局样本集和全部局部样本集其中/>表示第i次随机初始化神经网络得到的全局样本,/>表示第i次随机初始化神经网络得到的局部样本,/>表示第i次随机初始化神经网络得到的局部样本中第v个同质区域的所有像素,i=1,2,...,λ;
(2.2)从全局光谱信息中随机选取像素,并通过切分阈值不断对其划分子节点,直到树的高度达到预设高度或者子节点的样本数小于等于2为止,构建得到一棵树,重复树的构建过程t次,完成全局的孤立森林模型的构建,利用该模型进行测试获取全局的检测结果;
(2.3)从局部光谱信息中,针对第v个同质区域随机选取像素,并通过切分阈值不断对其划分子节点,直到树的高度达到预设高度或者子节点的样本数小于等于2为止,构建得到一棵树,重复树的构建过程t次,完成第v个同质区域孤立森林模型的构建,利用该模型对当前局部区域进行测试获取该区域检测结果;取v=1,2,...,k,完成第所有局部的孤立森林模型的构建,并得到局部的检测结果;
(2.4)通过像素级相乘,将全局的检测结果与局部的检测结果进行融合,产生基于光谱的检测结果S1;
(3)将主成分分析算法提取的第一主成分特征输入形态属性滤波器,进行开操作和闭操作,再对结果进行高斯滤波优化,得到基于空间的检测结果S2;
(4)对基于空间的检测结果S2和基于光谱的检测结果S1进行非线性操作,获得最终的高光谱异常检测S。
本发明与现有技术相比,其优点在于:
第一、本发明将神经网络和孤立森林进行结合,并首次用于高光谱异常检测中,使得拥有更好的光谱信息引导孤立森林的构建,从而提高检测性能。
第二、由于本发明采用了一种基于全局和局部的双支流孤立森林策略,能够有效挖掘高光谱图像的空间信息,使得双支流孤立森林模型对高光谱图像中的异常敏感性增强。
第三、本发明在利用滤波技术进行空间维度的异常检测时,引入形态属性滤波和高斯滤波提取空间信息,进一步从空间角度捕获异常产生基于空间的检测结果;并通过非线性融合,将双支流孤立森林产生的基于光谱的检测结果和基于空间的检测结果进行融合,从而进一步提升高光谱异常检测的性能。
附图说明
图1为本发明的整体实现流程图;
图2为本发明的实例示意图;
图3为本发明与现有方法的检测效果对比图。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合附图对本发明的技术内容进行详细阐述。
实施例一、参照图1和图2,本发明基于深度特征和双支流孤立森林的高光谱异常检测方法,包括以下步骤:
步骤1.提取高光谱图像的全局样本和局部样本:
(1.1)将三维高光谱图像转化为二维矩阵/>得到全局样本,其中H、W和B分别表示三维高光谱图像的高、宽和波段,N=H×W表示像素个数;
(1.2)将二维矩阵作为主成分分析算法PCA的输入,提取其中的第一主成分特征,然后把第一主成分特征输入到简单线性迭代聚类算法SLIC中,将简单线性迭代聚类算法超像素块的个数设置为k,对第一主成分特征进行分割得到分割图,并利用分割图的空间信息对二维矩阵/>索引得到k个局部同质区域,N=N1+N2+...+Nv+...+Nk,其中Nv表示第v个同质区域像素的个数;得到局部样本HSIL={XL1,XL2,...,XLv,...,XLk},其中XLv表示局部样本中第v个同质区域的所有像素;
步骤2.利用光谱信息构建孤立森林模型,获取检测结果并对其进行融合:
(2.1)利用神经网络的参数随机初始化操作对全局样本和局部样本的光谱维度进行特征转化,使其从B维下降到D维,得到降维后的全局光谱信息和局部光谱信息,即全部全局样本集和全部局部样本集其中/>表示第i次随机初始化神经网络得到的全局样本,/>表示第i次随机初始化神经网络得到的局部样本,/>表示第i次随机初始化神经网络得到的局部样本中第v个同质区域的所有像素,i=1,2,...,λ;具体实现步骤如下:
(2.1.1)本实施例构建的包含两个全连接层的神经网络,其中第一个全连接层,用于将B维特征转化为100维;第二个全连接层,用于将100维转化为D维;对该神经网络进行如下表示:
x1=Lay1(x)
其中,x表示任意高光谱像素,x1表示经过第一个全连接层得到的特征,表示短连接操作,x2表示经过第二个全连接层得到的特征,即输出特征;
(2.1.2)随机初始化神经网络,分别将高维度为B的全局样本和局部样本分别输入到神经网络中,从而获得首次随机网络初始化样本,即低维度为D的第一个全局样本和第一个局部样本/>
(2.1.3)重复步骤(2.1.2)λ次,即随机初始化神经网络λ次,得到低维度为D的全部全局样本集和全部局部样本集
(2.2)从全局光谱信息中随机选取像素,并通过切分阈值不断对其划分子节点,直到树的高度达到预设高度或者子节点的样本数小于等于2为止,构建得到一棵树,重复树的构建过程t次,完成全局的孤立森林模型的构建,利用该模型进行测试获取全局的检测结果;
(2.3)从局部光谱信息中,针对第v个同质区域随机选取像素,并通过切分阈值不断对其划分子节点,直到树的高度达到预设高度或者子节点的样本数小于等于2为止,构建得到一棵树,重复树的构建过程t次,完成第v个同质区域孤立森林模型的构建,利用该模型对当前局部区域进行测试获取该区域检测结果;取v=1,2,...,k,完成第所有局部的孤立森林模型的构建,并得到局部的检测结果;
(2.4)通过像素级相乘,将全局的检测结果与局部的检测结果进行融合,产生基于光谱的检测结果S1;
步骤3.将主成分分析算法提取的第一主成分特征输入形态属性滤波器,进行开操作和闭操作,再对结果进行高斯滤波优化,得到基于空间的检测结果S2,具体实现步骤如下:
(3.1)将主成分分析法的第一次主成分特征PC1输入到形态属性滤波器中,进行开操作和闭操作,得到通过形态属性滤波产生的特征A:
A=|PC1-δ(PC1)|+|PC1-φ(PC1)|=φ(PC1)-δ(PC1)
其中,δ(·)和φ(·)分别表示开操作和闭操作;
(3.2)对特征A进行高斯滤波优化,得到基于空间的检测结果S2:
S2=Ga(A)。
步骤4.对基于空间的检测结果S2和基于光谱的检测结果S1进行非线性操作,获得最终的高光谱异常检测S:
其中,α为非线性融合系数。
本发明一方面通过首次将神经网络和孤立森林相结合的策略应用到高光谱异常检测中,提升孤立森林构建中对光谱信息的利用率;另一方面采用了一种全局和局部的双支流孤立森林网络进行训练和检测,充分挖掘高光谱空间信息,提升模型对局部异常的检测能力;同时通过引入形态属性滤波和高斯滤波进一步提取空间信息,并产生基于空间的检测结果;为了优化最终的检测结果,最后采用非线性操作将基于空间检测结果和基于双支流孤立森林产生的光谱检测结果进行融合。从而有效提升高光谱异常检测的检测效果。
实施例二、本实施例中的高光谱异常检测方法整体实现步骤同实施例一,现对其中全局的孤立森林模型的构建以及利用该模型进行测试获取全局的检测结果的具体实现步骤,作出如下进一步描述:
(a)从第i次随机初始化神经网络得到的全局样本中随机选取n个像素/>
(b)从的D个波段中随机选取一个光谱波段,并在该波段中所有像素值的最大值和最小值中随机选取一个数值作为切分阈值,基于该选取波段,通过切分阈值将当前样本分为两个子节点;
(c)循环执行步骤(b),直到树的高度达到预设限制高度Hmax=log2n或者子节点的像素个数不超过2为止,得到一颗树;
(d)基于每一次随机神经网络随机初始化的全局样本,进行孤立森林的构建,在重复步骤(a)-(c)步骤t次后,得到t颗树,完成基于第i次随机初始化神经网络得到的全局样本构建孤立森林的过程;
(e)取i=1,2,...,λ,完成基于所有全局样本的孤立森林构建过程,得到全局的孤立森林模型;
(f)利用全局的孤立森林模型对HSIG'中每一个像素y进行测试,得到基于λ次随机初始化神经网络得到的全局样本下每个测试像素的平均异常得分γ,每个像素的异常得分由λ次深度特征(λ次神经网络随机初始化产生的深度特征)下路径长度和权重系数乘积确定:
γ=E(ω(y)×z(y))
其中,E(·)是求均值函数,ω(y)和z(y)分别表示在每一次随机初始化神经网络得到的全局样本中t棵树中的最终路径长度和权重系数;分别根据如下计算得到:
其中,gi(y)表示第i棵树中经过所有子节点的权重值;e和emax分别表示当前子节点树的高度和树最大高度;ζe为在e个子节点高度下测试像素属性与切分阈值之间的差值;Pe表示当前子节点高度下光谱属性索引;
其中,H(y)表示在t棵树中的平均路径长度;c(n)为正则化因子,通过c(n)=2H(n-1)-2(n-1)/n计算得到;hi(y)为在第i棵树中的路径长度。
(g)将第j棵上的总路径长度表示为:h+c(T.Size),其中h是参与构建树的路径长度,即最底层子节点的路径长度,c(T.Size)表示未能参与树构建的路径长度,j=1,2,...,t;当测试像素被判别为外部节点,同时当前的节点依然存在部分像素时,利用下式对没有参与树构建的像素进行路径长度评估,得到未能参与树构建的路径长度c(m):
c(m)=2H(m-1)-2(m-1)/m
其中,H(·)为调和数;当前子节点像素的个数m=T.Size。
实施例三、本实施例中的高光谱异常检测方法整体实现步骤同实施例一,现对其中局部的孤立森林模型的构建和测试作出如下进一步描述:
在全部局部样本集中,为第i次随机初始化神经网络得到的局部样本,针对第i次随机初始化神经网络得到的局部样本中第v个同质区域的所有像素/>采用与全局的孤立森林模型相同的构建方式,即进行类似实施例二的步骤操作,从第v个同质区域中随机选取像素,并通过切分阈值不断对其划分子节点,直到树的高度达到预设高度或者子节点的样本数小于等于2为止,构建得到一棵树,重复树的构建过程t次,完成第v个同质区域孤立森林模型的构建,并利用该模型对其相应区域中每一个像素进行测试,获得当前局部区域中每个像素的异常得分;取v=1,2,...,k,从局部光谱信息中,针对每个同质区域进行像素的随机选取,重复上述操作,完成第所有局部的孤立森林模型的构建,在每个局部区域内利用其构建的孤立森林模型对其区域内像素进行测试获取异常得,最终得到局部的检测结果。
下面通过定性和定量对比验证,进一步体现本发明的优越性:
参照图3,本发明与现有方法的检测效果对比图,从本发明与六种流行算法在五个公开高光谱异常检测数据集的主观定性对比结果中,可以看出本发明方法更为接近真值图,即:更为准确检测出所有高光谱异常像素。实验中所用的公开高光谱异常检测数据集包括Los Angeles、Gulfport、Pavia、HYDICE和SpecTIR;对比的六种流行算法分别为:RX[参考文献:I.S.Reed,and X.Yu,“Adaptive multiple-band CFAR detection of an opticalpattern with unknown spectral distribution,”IEEE Trans.Acoust.Speech SignalProcess.,vol.38,no.10,pp.1760-1770,Oct.1990.]、CRD[参考文献:W.Li and Q.Du,“Collaborative representation for hyperspectral anomaly detection,”IEEETrans.Geosci.Remote Sens.,vol.53,no.3,pp.1463-1474,Mar.2015.]、LRASR[参考文献:Y.Xu,Z.Wu,J.Li,A.Plaza,and Z.Wei,“Anomaly detection in hyperspectral imagesbased on low-rank and sparse representation,”IEEE Trans.Geosci.Remote Sens.,vol.54,no.4,pp.1990-2000,Apr.2016.]、RGAE[参考文献:Fan G,Ma Y,Mei X,etal.Hyperspectral anomaly detection with robust graph autoencoders[J].IEEETransactions on Geoscience and Remote Sensing,2021,60:1-14.]、SSDF[参考文献:S.Chang,B.Du,and L.Zhang,“A subspace selection-based discriminative forestmethod for hyperspectral anomaly detection,”IEEE Trans.Geosci.Remote Sens.,vol.58,no.6,pp.4033-4046,Jun.2020.]、KIFD[参考文献:S.Li,K.Zhang,P.Duan,andX.Kang,“Hyperspectral anomaly detection with kernel isolation forest,”IEEETrans.Geosci.Remote Sens.,vol.58,no.1,pp.319-329,Jan.2020.]。
下面列出本发明和六种流行算法在五个数据集中的定量对比,分别是检出率AUC(Pd,Pf)和运行时间。其中,检出率AUC(Pd,Pf)越大,检测异常像素性能越好。如下表1所示:
表1本发明和六种流行算法对比表
从上表的定量对比中,我们可以清晰的发现本发明在检测精度方面远超六种流行算法,突出其检测性能的优越性。在检测时间方面,仅次于RX算法,具有良好的实时性。
上述对比分析证明了本发明所提方法的正确性与有效性。
本发明未详细说明部分属于本领域技术人员公知常识。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于深度特征和双支流孤立森林的高光谱异常检测方法,其特征在于,包括以下步骤:
(1)提取高光谱图像的全局样本和局部样本:
(1.1)将三维高光谱图像转化为二维矩阵/>得到全局样本,其中H、W和B分别表示三维高光谱图像的高、宽和波段,N=H×W表示像素个数;
(1.2)将二维矩阵作为主成分分析算法PCA的输入,提取其中的第一主成分特征,然后把第一主成分特征输入到简单线性迭代聚类算法SLIC中,将简单线性迭代聚类算法超像素块的个数设置为k,对第一主成分特征进行分割得到分割图,并利用分割图的空间信息对二维矩阵/>索引得到k个局部同质区域,N=N1+N2+...+Nv+...+Nk,其中Nv表示第v个同质区域像素的个数,v=1,2,...,k;得到局部样本HSIL={XL1,XL2,...,XLv,...,XLk},/>其中XLv表示局部样本中第v个同质区域的所有像素;
(2)利用光谱信息构建孤立森林模型,获取检测结果并对其进行融合:
(2.1)利用神经网络的参数随机初始化操作对全局样本和局部样本的光谱维度进行特征转化,使其从B维下降到D维,得到降维后的全局光谱信息和局部光谱信息,即全部全局样本集和全部局部样本集其中/>表示第i次随机初始化神经网络得到的全局样本,/>表示第i次随机初始化神经网络得到的局部样本,/>表示第i次随机初始化神经网络得到的局部样本中第v个同质区域的所有像素,i=1,2,...,λ;
(2.2)从全局光谱信息中随机选取像素,并通过切分阈值不断对其划分子节点,直到树的高度达到预设高度或者子节点的样本数小于等于2为止,构建得到一棵树,重复树的构建过程t次,完成全局的孤立森林模型的构建,利用该模型进行测试获取全局的检测结果;
(2.3)从局部光谱信息中,针对第v个同质区域随机选取像素,并通过切分阈值不断对其划分子节点,直到树的高度达到预设高度或者子节点的样本数小于等于2为止,构建得到一棵树,重复树的构建过程t次,完成第v个同质区域孤立森林模型的构建,利用该模型对当前局部区域进行测试获取该区域检测结果;取v=1,2,...,k,完成第所有局部的孤立森林模型的构建,并得到局部的检测结果;
(2.4)通过像素级相乘,将全局的检测结果与局部的检测结果进行融合,产生基于光谱的检测结果S1;
(3)将主成分分析算法提取的第一主成分特征输入形态属性滤波器,进行开操作和闭操作,再对结果进行高斯滤波优化,得到基于空间的检测结果S2;
(4)对基于空间的检测结果S2和基于光谱的检测结果S1进行非线性操作,获得最终的高光谱异常检测S。
2.根据权利要求1所述的方法,其特征在于:步骤(2.1)中所述降维后的全局光谱信息和局部光谱信息,具体根据如下步骤得到:
(2.1.1)构建包含两个全连接层的神经网络,其中第一个全连接层,用于将B维特征转化为100维;第二个全连接层,用于将100维转化为D维;对该神经网络进行如下表示:
x1=Lay1(x)
其中,x表示任意高光谱像素,x1表示经过第一个全连接层得到的特征,表示短连接操作,x2表示经过第二个全连接层得到的特征,即输出特征;
(2.1.2)随机初始化神经网络,分别将高维度为B的全局样本和局部样本分别输入到神经网络中,从而获得首次随机网络初始化样本,即低维度为D的第一个全局样本和第一个局部样本/>
(2.1.3)重复步骤(2.1.2)λ次,即随机初始化神经网络λ次,得到低维度为D的全部全局样本集和全部局部样本集
3.根据权利要求1所述的方法,其特征在于:步骤(2.2)中所述全局的孤立森林模型的构建,以及利用该模型进行测试获取全局的检测结果,实现步骤如下:
(2.2.1)从第i次随机初始化神经网络得到的全局样本中随机选取n个像素
(2.2.2)从的D个波段中随机选取一个光谱波段,并在该波段中所有像素值的最大值和最小值中随机选取一个数值作为切分阈值,基于该选取波段,通过切分阈值将当前样本分为两个子节点;
(2.2.3)循环执行步骤(2.2.2),直到树的高度达到预设限制高度Hmax=log2n或者子节点的像素个数不超过2为止,得到一颗树;
(2.2.4)重复步骤(2.2.1)-(2.2.3)步骤t次,得到t颗树,完成基于第i次随机初始化神经网络得到的全局样本构建孤立森林的过程;
(2.2.5)取i=1,2,...,λ,完成基于所有全局样本的孤立森林构建过程,得到全局的孤立森林模型;
(2.2.6)利用全局的孤立森林模型对HSIG'中每一个像素y进行测试,得到基于λ次随机初始化神经网络得到的全局样本下每个测试像素的平均异常得分γ:
γ=E(ω(y)×z(y))
其中,E(·)是求均值函数,ω(y)和z(y)分别表示在每一次随机初始化神经网络得到的全局样本中t棵树中的最终路径长度和权重系数;
(2.2.7)将第j棵上的总路径长度表示为:h+c(T.Size),其中h是参与构建树的路径长度,即最底层子节点的路径长度,c(T.Size)表示未能参与树构建的路径长度,j=1,2,...,t;当测试像素被判别为外部节点,同时当前的节点依然存在部分像素时,利用下式对没有参与树构建的像素进行路径长度评估,得到未能参与树构建的路径长度c(m):
c(m)=2H(m-1)-2(m-1)/m
其中,H(·)为调和数;当前子节点像素的个数m=T.Size。
4.根据权利要求3所述的方法,其特征在于:所述最终路径长度ω(y)和权重系数z(y)分别,分别根据如下计算得到:
其中,gi(y)表示第i棵树中经过所有子节点的权重值;e和emax分别表示当前子节点树的高度和树最大高度;ζe为在e个子节点高度下测试像素属性与切分阈值之间的差值;Pe表示当前子节点高度下光谱属性索引;
其中,H(y)表示在t棵树中的平均路径长度;c(n)为正则化因子,通过c(n)=2H(n-1)-2(n-1)/n计算得到;hi(y)为在第i棵树中的路径长度。
5.根据权利要求1所述的方法,其特征在于:步骤(3)中基于空间的检测结果S2,根据如下方式得到:
(3.1)将主成分分析法的第一次主成分特征PC1输入到形态属性滤波器中,进行开操作和闭操作,得到通过形态属性滤波产生的特征A:
A=|PC1-δ(PC1)|+|PC1-φ(PC1)|=φ(PC1)-δ(PC1)
其中,δ(·)和φ(·)分别表示开操作和闭操作;
(3.2)对特征A进行高斯滤波优化,得到基于空间的检测结果S2:
S2=Ga(A)。
6.根据权利要求1所述的方法,其特征在于:步骤(4)中对基于空间的检测结果S2和基于光谱的检测结果S1进行非线性融合操作,公式如下:
其中,α为非线性融合系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310463686.7A CN116486263A (zh) | 2023-04-26 | 2023-04-26 | 基于深度特征和双支流孤立森林的高光谱异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310463686.7A CN116486263A (zh) | 2023-04-26 | 2023-04-26 | 基于深度特征和双支流孤立森林的高光谱异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486263A true CN116486263A (zh) | 2023-07-25 |
Family
ID=87219143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310463686.7A Pending CN116486263A (zh) | 2023-04-26 | 2023-04-26 | 基于深度特征和双支流孤立森林的高光谱异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486263A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117316277A (zh) * | 2023-11-29 | 2023-12-29 | 吉林大学 | 一种基于荧光光谱的基因检测数据处理方法 |
-
2023
- 2023-04-26 CN CN202310463686.7A patent/CN116486263A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117316277A (zh) * | 2023-11-29 | 2023-12-29 | 吉林大学 | 一种基于荧光光谱的基因检测数据处理方法 |
CN117316277B (zh) * | 2023-11-29 | 2024-02-06 | 吉林大学 | 一种基于荧光光谱的基因检测数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Low rank and collaborative representation for hyperspectral anomaly detection via robust dictionary construction | |
Xiang et al. | Hyperspectral anomaly detection by local joint subspace process and support vector machine | |
Cui et al. | Superpixel-based extended random walker for hyperspectral image classification | |
Wang et al. | Multifocus image fusion using convolutional neural networks in the discrete wavelet transform domain | |
Wang et al. | Multiple features and isolation forest-based fast anomaly detector for hyperspectral imagery | |
Wang et al. | Meta-learning based hyperspectral target detection using Siamese network | |
Ahmad et al. | Multi-layer Extreme Learning Machine-based Autoencoder for Hyperspectral Image Classification. | |
Du et al. | A hyperspectral target detection framework with subtraction pixel pair features | |
Tochon et al. | Object tracking by hierarchical decomposition of hyperspectral video sequences: Application to chemical gas plume tracking | |
Pan et al. | SQAD: Spatial-spectral quasi-attention recurrent network for hyperspectral image denoising | |
Yang et al. | Hyperspectral image classification with spectral and spatial graph using inductive representation learning network | |
Guo et al. | Dual graph U-Nets for hyperspectral image classification | |
Ou et al. | A hyperspectral image change detection framework with self-supervised contrastive learning pretrained model | |
CN116486263A (zh) | 基于深度特征和双支流孤立森林的高光谱异常检测方法 | |
Guo et al. | CNN‐combined graph residual network with multilevel feature fusion for hyperspectral image classification | |
Cheng et al. | Deep Self-Representation Learning Framework for Hyperspectral Anomaly Detection | |
Brandes et al. | Environmentally adaptive automated recognition of underwater mines with synthetic aperture sonar imagery | |
Sha et al. | Semi-supervised classification for hyperspectral images using edge-conditioned graph convolutional networks | |
Qu et al. | Feature Mutual Representation Based Graph Domain Adaptive Network for Unsupervised Hyperspectral Change Detection | |
CN111008652A (zh) | 一种基于gan的高光谱遥感影像分类方法 | |
Mei et al. | Cascade residual capsule network for hyperspectral image classification | |
Song et al. | Hyperspectral image change detection based on active convolutional neural network and spatial–spectral affinity graph learning | |
CN116912582A (zh) | 一种基于表征模型的强鲁棒性高光谱目标检测方法 | |
Tulapurkar et al. | Effective and efficient dimensionality reduction of hyperspectral image using CNN and LSTM network | |
Cao et al. | Nonoverlapped Sampling for Hyperspectral Imagery: Performance Evaluation and a Cotraining-Based Classification Strategy |
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 |