CN116503320A - 高光谱图像异常检测方法、装置、设备及可读存储介质 - Google Patents

高光谱图像异常检测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN116503320A
CN116503320A CN202310179710.4A CN202310179710A CN116503320A CN 116503320 A CN116503320 A CN 116503320A CN 202310179710 A CN202310179710 A CN 202310179710A CN 116503320 A CN116503320 A CN 116503320A
Authority
CN
China
Prior art keywords
image
determining
hyperspectral image
anomaly detection
pixel
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
Application number
CN202310179710.4A
Other languages
English (en)
Inventor
高连如
孙旭
王德港
王向伟
庄丽娜
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310179710.4A priority Critical patent/CN116503320A/zh
Publication of CN116503320A publication Critical patent/CN116503320A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种高光谱图像异常检测方法、装置、设备及可读存储介质，该方法包括：确定所述输入高光谱图像对应的训练样本对和迭代次数；根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络；基于所述输入高光谱图像和所述训练重建网络，确定差分图像；根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数；基于所述异常分数确定所述输入高光谱图像的异常检测结果。本发明解决了基于无监督和半监督学习的重建网络可能会重建出异常像元的问题，在使用有限未标记样本的前提下，保证异常探测率以及降低虚警率的技术问题。

Description

高光谱图像异常检测方法、装置、设备及可读存储介质
技术领域
本发明涉及高光谱图像异常检测技术领域，尤其涉及一种高光谱图像异常检测方法、装置、设备及可读存储介质。
背景技术
现有的无监督学习方法不需要标注数据，而是将整个高光谱图像作为训练样本，但是训练充分的背景生成模型也会导致异常的重建误差减小，从而影响最终的探测精度。同时，半监督学习模型的性能依赖于筛选出的背景样本的纯净度，并且设计的筛选策略增加了算法整体的复杂度。并且，采用输入和输出恒等映射的重建策略的模型，在一定程度上会重建出部分异常像元，这将会导致模型的探测性能受限。因此，如何解决基于无监督和半监督学习的重建网络可能会重建出异常像元的问题，在使用有限未标记样本的前提下，保证异常探测率以及降低虚警率。
发明内容
本发明提供一种高光谱图像异常检测方法、装置、设备及可读存储介质，用以解决基于无监督和半监督学习的重建网络可能会重建出异常像元的问题，在使用有限未标记样本的前提下，保证异常探测率以及降低虚警率的技术问题。
本发明提供一种高光谱图像异常检测方法，包括：
确定所述输入高光谱图像对应的训练样本对和迭代次数；
根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络；
基于所述输入高光谱图像和所述训练重建网络，确定差分图像；
根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数；
基于所述异常分数确定所述输入高光谱图像的异常检测结果。
根据本发明提供的一种高光谱图像异常检测方法，所述确定所述输入高光谱图像对应的训练样本对包括：
确定图像块空间尺寸、选取比例及候选窗口空间尺寸；
以所述输入高光谱图像中的各像元为中心选取第一图像块，基于所述选取比例在所述第一图像块中选取候选像元，构造二进制掩码；
以所述候选像元为中心选取候选窗口，在所述候选窗口内选取替代像元，基于所述替代像元确定第二图像块；
基于所述二进制掩码、所述第一图像块及所述第二图像块，确定训练样本对。
根据本发明提供的一种高光谱图像异常检测方法，所述高光谱图像异常检测方法还包括：
所述初始重建网络由卷积层组成，所述卷积层由卷积核、批归一化函数及线性整流函数组成；
基于所述卷积层、学习权重参数及所述批归一化函数确定残差网络模块；
基于所述输入高光谱图像、所述线性整流函数及所述残差网络模块，确定所述初始重建网络的输出。
根据本发明提供的一种高光谱图像异常检测方法，所述根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络包括：
基于自适应动量随机优化算法和所述目标函数更新网络权重；
根据所述迭代次数和更新后的网络权重，确定训练重建网络。
根据本发明提供的一种高光谱图像异常检测方法，所述基于所述输入高光谱图像和所述训练重建网络，确定差分图像包括：
将所述输入高光谱图像输入所述训练重建网络中，得到重建图像；
将所述输入高光谱图像和所述重建图像做差，得到差分图像。
根据本发明提供的一种高光谱图像异常检测方法，所述根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数包括：
确定所述差分图像中各像元的均值和协方差矩阵；
基于所述差分图像中各像元的均值和协方差矩阵，确定所述差分图像中各像元的第一距离和第二距离，将所述第一距离和所述第二距离的和作为所述差分图像中各像元的异常分数。
本发明还提供一种高光谱图像异常检测装置，包括：
训练样本对确定模块，用于确定所述输入高光谱图像对应的训练样本对和迭代次数；
训练重建网络确定模块，用于根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络；
差分图像确定模块，用于基于所述输入高光谱图像和所述训练重建网络，确定差分图像；
异常分数确定模块，用于根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数；
异常检测结果确定模块，用于基于所述异常分数确定所述输入高光谱图像的异常检测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述高光谱图像异常检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述高光谱图像异常检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述高光谱图像异常检测方法。
本发明提供的高光谱图像异常检测方法、装置、设备及可读存储介质，通过确定输入高光谱图像对应的训练样本对和迭代次数，根据初始重建网络、目标函数、训练样本对及迭代次数，确定训练重建网络；基于输入高光谱图像和训练重建网络，确定差分图像；根据差分图像中各像元的第一距离和第二距离，确定差分图像中各像元的异常分数；基于异常分数确定输入高光谱图像的异常检测结果。对比现有技术，本发明能够充分利用高光谱图像中的空谱联合信息，通过自监督学习范式来构建训练样本以及训练优异的背景生成器，其中，每个像元的信息均利用空间上下文信息重建出来，故削弱了网络对异常的特征表达，具有在使用有限未标记样本的前提下，保证异常探测率以及降低虚警率的效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的高光谱图像异常检测方法的流程示意图之一；
图2是本发明提供的高光谱图像异常检测方法的流程示意图之二；
图3是本发明提供的高光谱图像异常检测方法的流程示意图之三；
图4是本发明提供的高光谱图像异常检测装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图3描述本发明的高光谱图像异常检测方法。
请参照图1，本发明提供一种高光谱图像异常检测方法，包括：
步骤100，确定所述输入高光谱图像对应的训练样本对和迭代次数；
具体地，本实施例提供的高光谱图像异常检测方法应用于高光谱遥感图像的异常检测，如图2所示，获取训练样本对的过程包括：以输入高光谱图像中的每个像元xi为中心选取图像块组成第一图像块集合Po＝{Po1，...，Poi，...，PoN}；在/>中选取比例为Rs的候选像元(向上取整)，并构造二进制掩码mi∈{0，1}P×P×L，二进制掩码里面的1的位置表示候选像元的位置，组成二进制掩码图像块集合M＝{m1，...，mi，...，mN}；以候选像元为中心选取候选窗口，在候选窗口内随机选取像元替代中心候选像元，得到抹去候选像元信息的图像块/>组成第二图像块集合Pr＝{Pr1，...，Pri，...，PrN}。第二图像块集合(抹去候选像元光谱信息的图像块集合)Pr，第一图像块集合(原始图像块集合)Po以及二进制掩码图像块集合M构建成训练样本对(Pr，Po，M)，迭代次数包括初始迭代次数n0_iter和总迭代次数n_iter，当前迭代次数可以表示为nc_iter。
步骤200，根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络；
具体地，重建网络模型训练过程如下：1、输入训练样本对(Pr，Po，M)，迭代次数n_iter及初始迭代次数n0_iter；2、搭建重建网络，并设计优化目标函数；3、当前迭代次数等于初始迭代次数；4、使用Adam(Adaptive momentum，自适应动量)算法，根据重建网络的目标函数，更新网络权重；5、更新当前迭代次数；6、判断当前迭代次数是否等于设定好的迭代次数。是，则转步骤7，否，则转步骤4；步骤7、输出训练好的重建网络，即本实施例中的训练重建网络。
步骤300，基于所述输入高光谱图像和所述训练重建网络，确定差分图像；
具体地，对高光谱图像进行处理实现异常探测的过程包括：1、输入高光谱图像，图像块空间尺寸，候选像元的选取比例，候选窗口的空间尺寸，迭代次数，初始迭代次数；2、进行获取图像块集合的步骤；3、抹去候选像元光谱信息的图像块集合，原始图像块集合以及二进制掩码图像块集合构建成训练样本对；4、进行如上述实施例所述的网络模型训练的步骤；5、将输入高光谱图像输入训练好的重建网络中，得到重建图像；6、将原始图像和重建图像做差，得到差分图像，本实施例中的核心内容为步骤5和6。
步骤400，根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数；
具体地，上述实施例得到差分图像后，计算差分图像所有像元的均值和协方差矩阵，通过计算均值和协方差矩阵。同时，通过计算差分图像中像元的第一距离，通过计算差分图像中像元的第二距离，并将第一距离和第二距离的和作为输入高光谱图像中每个像元的异常分数。
步骤500，基于所述异常分数确定所述输入高光谱图像的异常检测结果。
具体地，第一距离和第二距离的和作为输入高光谱图像中每个像元的异常分数D(r1)，D(r1)＝LD(ri)+MD(ri)。最后输出输入高光谱图像的异常检测结果Df，Df＝{D(r1)，...，D(ri)，...，D(rN)}。
本实施例通过确定输入高光谱图像对应的训练样本对和迭代次数，根据初始重建网络、目标函数、训练样本对及迭代次数，确定训练重建网络；基于输入高光谱图像和训练重建网络，确定差分图像；根据差分图像中各像元的第一距离和第二距离，确定差分图像中各像元的异常分数；基于异常分数确定输入高光谱图像的异常检测结果。对比现有技术，本发明能够充分利用高光谱图像中的空谱联合信息，通过自监督学习范式来构建训练样本以及训练优异的背景生成器，其中，每个像元的信息均利用空间上下文信息重建出来，故削弱了网络对异常的特征表达，具有在使用有限未标记样本的前提下，保证异常探测率以及降低虚警率的效果。
请参照图3，在一个实施例中，本申请实施例提供的高光谱图像异常检测方法，还可以包括：
步骤110，确定图像块空间尺寸、选取比例及候选窗口空间尺寸；
步骤120，以所述输入高光谱图像中的各像元为中心选取第一图像块，基于所述选取比例在所述第一图像块中选取候选像元，构造二进制掩码；
步骤130，以所述候选像元为中心选取候选窗口，在所述候选窗口内选取替代像元，基于所述替代像元确定第二图像块；
步骤140，基于所述二进制掩码、所述第一图像块及所述第二图像块，确定训练样本对。
具体地，获取训练样本对的过程包括：1、输出：获取图像块集合(X，P，Rs，W)，其中，X为本实施例中的输入高光谱图像，P为本实施例中的图像块空间尺寸，Rs为本实施例中候选像元的选取比例，W为本实施例中的候选窗口的空间尺寸；2、开始循环遍历高光谱图像的每个像元；3、以输入高光谱图像中的每个像元xi为中心选取图像块即本实施例中的第一图像块，需提前将X的四周进行镜像延拓；4、在/>中选取比例为Rs的候选像元，并构造二进制掩码mi∈{0，1}P×P×L，其中，里面的1的位置表示候选像元的位置；5、以候选像元为中心选取候选窗口(尺寸为W×W)；6、在候选窗口内随机选取像元替代中心候选像元，得到抹去候选像元信息的图像块/>即本实施例中的第二图像块；7、结束循环。
输出：原始图像块集合Po＝{Po1，...，Poi，...，PoN}，抹去候选像元光谱信息的图像块集合Pr＝{Pr1，...，Pri，...，PrN}，二进制掩码图像块集合M＝{m1，...，mi，...，mN}，抹去候选像元光谱信息的图像块集合Pr，原始图像块集合Po以及二进制掩码图像块集合M构建成训练样本对(Pr，Po，M)，迭代次数包括初始迭代次数n0_iter和总迭代次数n_iter，当前迭代次数可以表示为nc_iter。
本实施例通过原始图像块集合、抹去候选像元信息的图像块集合及二进制掩码图像块集合，确定训练样本对，为高光谱图像的异常检测奠定了数据基础。
在一个实施例中，本申请实施例提供的高光谱图像异常检测方法，还可以包括：
步骤10，所述初始重建网络由卷积层组成，所述卷积层由卷积核、批归一化函数及线性整流函数组成；
步骤20，基于所述卷积层、学习权重参数及所述批归一化函数确定残差网络模块；
步骤30，基于所述输入高光谱图像、所述线性整流函数及所述残差网络模块，确定所述初始重建网络的输出。
具体地，重建网络G主要采用嵌套的残差网络组成，其中，7个卷积层的卷积核大小为3×3，内部有两个残差网络模块，共包含2个卷积层，后面都接着BN(BatchNormalization，批归一化)函数，并且第一层最后还有ReLU(Rectified Linear Unit，修正线性单元)函数，残差网络模块表示为其中，WC＝{WC，Wc′}和WRC分别是卷积层和残差网络模块的可学习权重参数。若重建网络G的输入是图像块集合/>中的图像块Pri，则输出可以表示为其中，现将整个过程记作G(WG，Pr)＝Pb，其中，/>是重建网络G所有的可学习权重参数，/>是输出图像块集合。
本实施例通过输入高光谱图像、线性整流函数及残差网络模块，确定初始重建网络的输出，为高光谱图像的异常检测奠定了模型基础。
在一个实施例中，本申请实施例提供的高光谱图像异常检测方法，还可以包括：
步骤210，基于自适应动量随机优化算法和所述目标函数更新网络权重；
步骤220，根据所述迭代次数和更新后的网络权重，确定训练重建网络。
具体地，重建网络模型训练train_net((Pr，Po，M)，n_iter，n0_iter)过程如下：1、输入：训练样本对(Pr，Po，M)，迭代次数n_iter，初始迭代次数n0_iter；2、搭建重建网络G，并设计优化目标函数Lself；3、当前迭代次数等于初始迭代次数nc_iter＝n0_iter；4、使用Adam算法，即本实施例中的自适应动量随机优化算法，根据重建网络的目标函数，更新网络权重WG；5、更新当前迭代次数，令nc_iter＝nc_iter+1；6、判断：当前迭代次数等于设定好的迭代次数。是，则转步骤7，否，则转步骤4；步骤7、输出：训练好的重建网络Gt(WG *)，即本实施例中的训练重建网络。
本实施例基于自适应动量随机优化算法和目标函数更新网络权重，根据迭代次数和更新后的网络权重，确定训练好的重建网络，为高光谱图像的异常检测确定了训练好的重建网络模型。
在一个实施例中，本申请实施例提供的高光谱图像异常检测方法，还可以包括：
步骤310，将所述输入高光谱图像输入所述训练重建网络中，得到重建图像；
步骤320，将所述输入高光谱图像和所述重建图像做差，得到差分图像。
具体地，利用本实施例提供的高光谱图像异常检测方法，对高光谱图像进行处理，实现异常探测的过程包括：1、输入高光谱图像X，图像块空间尺寸P，候选像元的选取比例Rs，候选窗口的空间尺寸W，迭代次数n_iter，初始迭代次数n0_iter；2、进行获取图像块集合的步骤，Pr，Po，M＝get_patches(X，P，Rs，W)；3、抹去候选像元光谱信息的图像块集合Pr，原始图像块集合Po以及二进制掩码图像块集合M构建成训练样本对(Pr，Po，M)；4、进行如上述实施例所述的网络模型训练的步骤，Gt＝train_net((Pr，Po，M)，n_iter，n0_iter)；5、将输入高光谱图像X输入训练好的重建网络Gt中，得到重建图像Xs，Xs＝Gt(WG *，X)；6、将原始图像X和重建图像Xs做差，得到差分图像R，R＝X-Xs，本实施例中的核心内容为步骤5和6。
本实施例将输入高光谱图像输入训练重建网络中，得到重建图像，将输入高光谱图像和重建图像做差，得到差分图像，为高光谱图像的异常检测奠定了数据基础。
在一个实施例中，本申请实施例提供的高光谱图像异常检测方法，还可以包括：
步骤410，确定所述差分图像中各像元的均值和协方差矩阵；
步骤420，基于所述差分图像中各像元的均值和协方差矩阵，确定所述差分图像中各像元的第一距离和第二距离，将所述第一距离和所述第二距离的和作为所述差分图像中各像元的异常分数。
具体地，上述实施例得到差分图像R后，计算差分图像R所有像元的均值μr和协方差矩阵Cr，通过公式1计算均值μr，通过公式2计算协方差矩阵Cr。同时，通过公式3计算差分图像R中像元ri的L2距离(即本实施例中的第一距离)，通过公式4计算差分图像R中像元ri的马氏距离(即本实施例中的第二距离)，并将二者的和作为图像中每个像元的异常分数D(r1)，D(r1)＝LD(ri)+MD(ri)。最后输出输入高光谱图像的异常探测结果Df，Df＝{D(r1)，...，D(ri)，...，D(rN)}。
LD(ri)＝||ri||2 公式3
本实施例通过确定差分图像中各像元的均值和协方差矩阵，然后，基于差分图像中各像元的均值和协方差矩阵确定差分图像中各像元的异常分数，为高光谱图像的异常检测确定了检测结果量化基础。
下面对本发明提供的高光谱图像异常检测装置进行描述，下文描述的高光谱图像异常检测装置与上文描述的高光谱图像异常检测方法可相互对应参照。
请参照图4，本发明还提供一种高光谱图像异常检测装置，包括：
训练样本对确定模块401，用于确定所述输入高光谱图像对应的训练样本对和迭代次数；
训练重建网络确定模块402，用于根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络；
差分图像确定模块403，用于基于所述输入高光谱图像和所述训练重建网络，确定差分图像；
异常分数确定模块404，用于根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数；
异常检测结果确定模块405，用于基于所述异常分数确定所述输入高光谱图像的异常检测结果。
可选地，所述训练样本对确定模块包括：
第一确定单元，用于确定图像块空间尺寸、选取比例及候选窗口空间尺寸；
第一选取单元，用于以所述输入高光谱图像中的各像元为中心选取第一图像块，基于所述选取比例在所述第一图像块中选取候选像元，构造二进制掩码；
第二选取单元，用于以所述候选像元为中心选取候选窗口，在所述候选窗口内选取替代像元，基于所述替代像元确定第二图像块；
训练样本对确定单元，用于基于所述二进制掩码、所述第一图像块及所述第二图像块，确定训练样本对。
可选地，所述高光谱图像异常检测装置还包括：
所述初始重建网络由卷积层组成，所述卷积层由卷积核、批归一化函数及线性整流函数组成；
残差网络模块确定模块，用于基于所述卷积层、学习权重参数及所述批归一化函数确定残差网络模块；
初始重建网络的输出确定模块，用于基于所述输入高光谱图像、所述线性整流函数及所述残差网络模块，确定所述初始重建网络的输出。
可选地，所述训练重建网络确定模块包括：
网络权重更新单元，用于基于自适应动量随机优化算法和所述目标函数更新网络权重；
训练重建网络确定单元，用于根据所述迭代次数和更新后的网络权重，确定训练重建网络。
可选地，所述差分图像确定模块包括：
重建图像确定单元，用于将所述输入高光谱图像输入所述训练重建网络中，得到重建图像；
差分图像确定单元，用于将所述输入高光谱图像和所述重建图像做差，得到差分图像。
可选地，所述异常分数确定模块包括：
第二确定单元，用于确定所述差分图像中各像元的均值和协方差矩阵；
距离确定单元，用于基于所述差分图像中各像元的均值和协方差矩阵，确定所述差分图像中各像元的第一距离和第二距离，将所述第一距离和所述第二距离的和作为所述差分图像中各像元的异常分数。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行高光谱图像异常检测方法。
此外，上述的存储器530中的逻辑指令可以通过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，本发明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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的高光谱图像异常检测方法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的高光谱图像异常检测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种高光谱图像异常检测方法，其特征在于，包括：
确定所述输入高光谱图像对应的训练样本对和迭代次数；
根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络；
基于所述输入高光谱图像和所述训练重建网络，确定差分图像；
根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数；
基于所述异常分数确定所述输入高光谱图像的异常检测结果。
2.根据权利要求1所述的高光谱图像异常检测方法，其特征在于，所述确定所述输入高光谱图像对应的训练样本对包括：
确定图像块空间尺寸、选取比例及候选窗口空间尺寸；
以所述输入高光谱图像中的各像元为中心选取第一图像块，基于所述选取比例在所述第一图像块中选取候选像元，构造二进制掩码；
以所述候选像元为中心选取候选窗口，在所述候选窗口内选取替代像元，基于所述替代像元确定第二图像块；
基于所述二进制掩码、所述第一图像块及所述第二图像块，确定训练样本对。
3.根据权利要求1所述的高光谱图像异常检测方法，其特征在于，所述高光谱图像异常检测方法还包括：
所述初始重建网络由卷积层组成，所述卷积层由卷积核、批归一化函数及线性整流函数组成；
基于所述卷积层、学习权重参数及所述批归一化函数确定残差网络模块；
基于所述输入高光谱图像、所述线性整流函数及所述残差网络模块，确定所述初始重建网络的输出。
4.根据权利要求1所述的高光谱图像异常检测方法，其特征在于，所述根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络包括：
基于自适应动量随机优化算法和所述目标函数更新网络权重；
根据所述迭代次数和更新后的网络权重，确定训练重建网络。
5.根据权利要求1所述的高光谱图像异常检测方法，其特征在于，所述基于所述输入高光谱图像和所述训练重建网络，确定差分图像包括：
将所述输入高光谱图像输入所述训练重建网络中，得到重建图像；
将所述输入高光谱图像和所述重建图像做差，得到差分图像。
6.根据权利要求1所述的高光谱图像异常检测方法，其特征在于，所述根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数包括：
确定所述差分图像中各像元的均值和协方差矩阵；
基于所述差分图像中各像元的均值和协方差矩阵，确定所述差分图像中各像元的第一距离和第二距离，将所述第一距离和所述第二距离的和作为所述差分图像中各像元的异常分数。
7.一种高光谱图像异常检测装置，其特征在于，包括：
训练样本对确定模块，用于确定所述输入高光谱图像对应的训练样本对和迭代次数；
训练重建网络确定模块，用于根据初始重建网络、目标函数、所述训练样本对及所述迭代次数，确定训练重建网络；
差分图像确定模块，用于基于所述输入高光谱图像和所述训练重建网络，确定差分图像；
异常分数确定模块，用于根据所述差分图像中各像元的第一距离和第二距离，确定所述差分图像中各像元的异常分数；
异常检测结果确定模块，用于基于所述异常分数确定所述输入高光谱图像的异常检测结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述高光谱图像异常检测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述高光谱图像异常检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述高光谱图像异常检测方法。
CN202310179710.4A 2023-02-14 2023-02-14 高光谱图像异常检测方法、装置、设备及可读存储介质 Pending CN116503320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310179710.4A CN116503320A (zh) 2023-02-14 2023-02-14 高光谱图像异常检测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310179710.4A CN116503320A (zh) 2023-02-14 2023-02-14 高光谱图像异常检测方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN116503320A true CN116503320A (zh) 2023-07-28

Family

ID=87325561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310179710.4A Pending CN116503320A (zh) 2023-02-14 2023-02-14 高光谱图像异常检测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN116503320A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437208A (zh) * 2023-11-10 2024-01-23 北京交通大学 使用多传感器融合的轨道异常检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437208A (zh) * 2023-11-10 2024-01-23 北京交通大学 使用多传感器融合的轨道异常检测方法及系统

Similar Documents

Publication Publication Date Title
CN108230278B (zh) 一种基于生成对抗网络的图像去雨滴方法
CN109033095B (zh) 基于注意力机制的目标变换方法
CN109087273B (zh) 基于增强的神经网络的图像复原方法、存储介质及系统
CN108171663B (zh) 基于特征图最近邻替换的卷积神经网络的图像填充系统
CN111260620B (zh) 图像异常检测方法、装置和电子设备
CN106408550A (zh) 一种改进的自适应多字典学习的图像超分辨率重建方法
CN105046659A (zh) 一种基于稀疏表示的单透镜计算成像psf估算方法
CN111784699B (zh) 一种对三维点云数据进行目标分割方法、装置及终端设备
CN117201122B (zh) 基于视图级图对比学习的无监督属性网络异常检测方法及系统
JP2019152964A (ja) 学習方法および学習装置
CN116503320A (zh) 高光谱图像异常检测方法、装置、设备及可读存储介质
CN112184547B (zh) 红外图像的超分辨率方法及计算机可读存储介质
CN114897694A (zh) 基于混合注意力和双层监督的图像超分辨率重建方法
CN116166812A (zh) 知识图谱补全方法、装置、电子设备和存储介质
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
CN113762117B (zh) 一种图像处理模型的训练方法、图像处理模型及计算机设备
CN106934398A (zh) 基于超像素聚类和稀疏表示的图像去噪方法
CN116089652B (zh) 视觉检索模型的无监督训练方法、装置和电子设备
CN114692809A (zh) 基于神经集群的数据处理方法及装置、存储介质、处理器
CN111683390A (zh) 上行干扰识别的方法、装置及系统
CN113554047A (zh) 图像处理模型的训练方法、图像处理方法及对应的装置
CN108959512B (zh) 一种基于属性增强注意力模型的图像描述网络及技术
CN116596023A (zh) 一种基于距离编码的图卷积神经网络模型的训练方法
CN116152061A (zh) 一种基于模糊核估计的超分辨率重建方法
CN114331821A (zh) 一种图像转换方法及系统

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