CN117115653A - 高光谱图像异常检测方法、装置、设备及介质 - Google Patents
高光谱图像异常检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117115653A CN117115653A CN202311148017.7A CN202311148017A CN117115653A CN 117115653 A CN117115653 A CN 117115653A CN 202311148017 A CN202311148017 A CN 202311148017A CN 117115653 A CN117115653 A CN 117115653A
- Authority
- CN
- China
- Prior art keywords
- encoder
- hyperspectral
- anomaly detection
- tensor
- objective function
- 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 124
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 82
- 230000014509 gene expression Effects 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了高光谱图像异常检测方法、装置、设备及介质,涉及高光谱异常检测领域,方法包括:将高光谱预处理数据输入预先构建好的具有跨连接层的卷积自编码器中,输出高光谱预处理数据的背景重构张量;沿着光谱维度将所述背景重构张量拉伸为矩阵,对矩阵构建使卷积自编码器的网络输出最优的目标函数;采用交替方向乘子法迭代更新目标函数的低秩约束和稀疏约束,以调整卷积自编码器的网络参数,在迭代次数达到收敛阈值时,确定当前卷积自编码器输出的特征张量;将原始特征张量减去特征张量,得到背景重构后的误差张量;对每个光谱维度的切片的误差张量求平方后累加开方,得到检测图;对检测图进行异常检测,得到异常检测结果。
Description
技术领域
本发明涉及高光谱异常检测领域,更具体地说,它涉及高光谱图像异常检测方法、装置、设备及介质。
背景技术
高光谱图像(HSI)利用数百个从红外到紫外连续变化的窄带光谱实现了优异的光谱分辨率,可以准确描述物体的反射光谱,从而显着提高物体的检测和分类能力。HSI的独特优势引领了各种应用,例如目标检测和分类。具体来说,根据是含有目标的确切先验信息,高光谱目标检测可大致分为两类:匹配目标和异常检测,异常检测可用于各个领域,例如精准农业、矿物识别和军事监视。
目前,基于自编码器(AE)的检测器被提出用于高光谱异常检测。这类方法都假设网络获得的背景重建误差较小。相比之下,网络获得的异常的重建误差则较大。因此,重建误差被视为异常。为了实现端到端检测,一种基于全卷积AE的自动高光谱异常检测网络被提出,称为Auto-AD。该网络采用自适应权重来减少背景重建的误差。然而,该自编码器无法充分学习到背景的一些潜在特性,如低秩性和局部光滑性。同时,不同于基于模型的检测方法,Auto-AD为黑盒模型,其学习到的特征是不可解释的。为了结合模型驱动的先验和基于AE网络的优点,一种结合模型驱动和数据驱动的方法被提出用于高光谱异常检测,称为DeepLR。它采用自适应权重的AE网络来重建背景,并设计了低秩约束网络的输出以利用背景的低秩属性。然而,DeepLR仅利用了背景的低秩性,忽略了背景的局部光滑性。
发明内容
本申请的目的是提供一种高光谱图像异常检测方法、装置、设备及介质,本发明首先构建了卷积自编码器,利用卷积自编码器强大的特征学习能力提取高光谱预处理数据的特征,在卷积自编码器的输出上构建包含背景潜在特性约束的目标函数,即低秩和稀疏约束,以利用背景中的低秩和稀疏特性,进一步的,本发明采用高效的交替方向乘子法,对目标函数进行求解,以调整卷积自编码器的网络参数,从而使得卷积自编码器能够更加充分学习到高光谱预处理数据的背景特性,从而降低背景重建时的误差,进而提高异常检测性能。
本申请的上述技术目的是通过以下技术方案得以实现的:
本申请的第一方面,提供了一种高光谱图像异常检测方法,方法包括:
对高光谱图像光谱维度的每个切片进行归一化处理,得到高光谱预处理数据;
将所述高光预处理谱数据输入预先构建好的具有跨连接层的卷积自编码器中,以对高光谱的背景进行重构,输出高光谱预处理数据的背景重构张量;
沿着光谱维度将所述背景重构张量拉伸为矩阵,对所述矩阵施加使卷积自编码器的网络输出最优的目标函数,其中目标函数由自编码器残差约束项和背景潜在特性的低秩约束项和稀疏约束项构成;
采用交替方向乘子法迭代更新所述目标函数的低秩约束项、稀疏约束项和残差约束项,以调整所述卷积自编码器的网络参数,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量;
将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量,得到背景重构后的误差张量;
对误差张量每个光谱维度的切片求平方后累加开方,得到检测图;
对所述检测图进行异常检测,得到异常检测结果。
在一种实现方案中,所述预先构建好的具有跨连接层的卷积自编码器包括编码器和解码器,编码器和解码器均由卷积层构成,编码器的卷积层输出通过跨连接层与对应的解码器的卷积层输出拼接。
在一种实现方案中,所述目标函数的表达式为:其中,/>表示高光谱预处理数据张量,w表示立方体数据的宽,h表示立方体数据的高,b表示立方体数据的光谱带宽维度,||·||F表示F范数,||·||*表示矩阵的核范数,/>表示差分算子,||·||1表示l1范数,λ表示用于平衡低秩约束的非负权重参数,β表示用于平衡稀疏约束的非负权重参数,/>表示自编码器的输出,θ表示自编码器的网络参数,/>表示将自编码器输出的背景重构张量沿着光谱维度拉伸成矩阵,/>表示对/>执行一阶差分运算。
在一种实现方案中,采用交替方向乘子法迭代更新所述目标函数含网络参数项和所述目标函数的低秩约束项和稀疏约束项,包括:
引入第一松驰变量和第二松驰变量对所述目标函数的低秩约束项和稀疏约束项进行替换,得到替换后的目标函数,替换后的目标函数的表达式为:其中,C1表示第一松驰变量,C2表示第二松驰变量;
利用拉格朗日乘子法构建变量替换后的目标函数,构建的目标函数的表达式为:其中,P1和P2均为拉格朗日乘子,μ为拉格朗日权重系数;
依据重构的目标函数分别更新第一松弛变量和第二松弛变量,以分别计算出更新后第一松弛变量和第二松弛变量的解;
采用Adam算法,对代入更新后第一松弛变量和第二松弛变量的解的含有网络参数项的代价函数项进行求解,得到使卷积自编码器代价函数最小化的网络参数。
在一种实现方案中,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量,具体为:
预设收敛阈值,计算该迭代次数下含有网络参数项的代价函数值;
在所述代价函数值小于收敛阈值时,停止迭代,确定当前所述卷积自编码器输出的背景重构张量。
在一种实现方案中,所述代价函数值小于收敛阈值的表达式为:k表示迭代次数,θk+1表示第k+1次迭代跟新的网络参数,θk表示第k次迭代跟新的网络参数,/>表示自编码器代价函数在第k+1次的值,/>表示自编码器代价函数在第k次的值。
在一种实现方案中,计算所述检测图的表达式其中,/>表示误差张量,/>表示误差张量/>在第三个维度上的第i个切片,b表示高光谱预处理数据光谱的个数。
本申请的第二方面,提供了一种高光谱图像异常检测装置,装置包括:
预处理模块,用于对高光谱图像的每个光谱维度的切片进行归一化处理,得到高光谱预处理数据;
背景重构模块,用于将所述高光谱预处理数据输入预先构建好的具有跨连接层的卷积自编码器中,以对高光谱的背景进行重构,输出高光谱预处理数据的背景重构张量;
目标函数施加模块,用于沿着光谱维度将所述背景重构张量拉伸为矩阵,对所述矩阵施加约束以构建使卷积自编码器的网络输出最优的目标函数,其中目标函数由自编码器端的残差约束和背景潜在特性的低秩约束和稀疏约束构成;
迭代更新模块,用于采用交替方向乘子法迭代更新所述目标函数的低秩约束项、稀疏约束项和含有自编码器网络参数项以调整所述卷积自编码器的网络参数,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的重构背景张量;
重构误差计算模块,用于将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量,得到背景重构后的误差张量;
检测图计算模块,用于对误差张量每个光谱维度的切片求平方后累加开方,得到检测图;
异常检测模块,用于对所述检测图进行异常检测,得到异常检测结果。
本申请的第三方面,提供了一种电子设备,所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述本申请的第一方面所述的一种高光谱图像异常检测方法的步骤。
本申请的第四方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上述本申请的第一方面所述的一种高光谱图像异常检测方法的步骤。
与现有技术相比,本申请具有以下有益效果:
本发明提供了一种高光谱图像异常检测方法,该方法首先构建了卷积自编码器,利用卷积自编码器强大的特征学习能力提取高光谱预处理数据的特征,在卷积自编码器的输出上额外构建包含背景潜在特性约束的目标函数,即低秩和稀疏约束,以利用背景中的低秩和稀疏特性,进一步的,本发明采用高效的交替方向乘子法,对目标函数进行求解,以调整卷积自编码器的网络参数,从而使得卷积自编码器能够更加充分学习到高光谱预处理数据的背景,从而降低背景重建时的误差,进而提高异常检测性能。
此外,本申请上述的第二方面至第四方面还提供了一种高光谱图像异常检测装置、设备及介质,具备与本申请上述提供的一种高光谱图像异常检测方法相同的有益效果,此处不在赘述。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1示出了本发明实施例提供的一种高光谱图像异常检测方法的流程示意图;
图2示出了本发明实施例提供的卷积自编码器的结构框图;
图3示出了本发明实施例提供的异常检测图;
图4示出了本发明实施例提供的ROC曲线图;
图5示出了本发明实施例提供的背景异常分离图;
图6示出了本发明实施例提供的一种高光谱图像异常检测装置的原理框图。
具体实施方式
在下文中,可在本申请的各种实施例中使用的术语“包括”或“可包括”指示所申请的功能、操作或元件的存在,并且不限制一个或更多个功能、操作或元件的增加。此外,如在本申请的各种实施例中所使用,术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本申请的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件,不过可不限制相应组成元件。例如,以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如,第一用户装置和第二用户装置指示不同用户装置,尽管二者都是用户装置。例如,在不脱离本申请的各种实施例的范围的情况下,第一元件可被称为第二元件,同样地,第二元件也可被称为第一元件。
为使本申请的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本申请作进一步的详细说明,本申请的示意性实施方式及其说明仅用于解释本申请,并不作为对本申请的限定。
目前,基于自编码器(AE)的检测器被提出用于高光谱异常检测。这类方法都假设自编码器获得的背景重建误差较小。相比之下,自编码器获得的异常的重建误差则较大。因此,重建误差被视为异常。为了实现端到端检测,一种基于全卷积AE的自动高光谱异常检测网络被提出,称为Auto-AD。该网络采用自适应权值来减少背景重建的误差。然而,该自编码器无法充分学习到背景的一些潜在特性,如低秩性和局部光滑性。同时,不同于基于模型的检测方法,Auto-AD为黑盒模型,其学习到的特征是不可解释的。为了结合模型驱动的先验和基于AE网络的优点,现有技术提出了一种结合模型驱动和数据驱动的方法,用于高光谱异常检测,称为DeepLR。它采用自适应权值的AE网络来重建背景,并对网络的输出设计了低秩约束以利用背景的低秩属性。然而,DeepLR仅利用了背景的低秩性,忽略了背景的局部光滑性。
在上述示例所述的现有技术,现有技术无法充分学习到背景的一些潜在特性,如低秩性和局部光滑性,同时,不同于基于模型的检测方法,其学习到的特征是不可解释的,进一步的,为了解决学习到的特征是不可解释的问题提供了DeepLR,但DeepLR仅利用了背景的低秩性,忽略了背景的局部光滑性,由此可见,现有技术,并未同时考虑到自编码器网络背景重建的强大学习能力,以及背景的低秩和稀疏特性对异常检测的影响,导致了针对高光谱图像的异常检测不够准确。
故此,本实施例提供了一种高光谱图像异常检测方法,首先构建了卷积自编码器,利用卷积自编码器强大的特征学习能力提取高光谱预处理数据的特征,在卷积自编码器的输出上构建包含背景潜在特性约束的目标函数,即低秩和稀疏约束,以利用背景中的低秩和稀疏特性,进一步的,本发明采用高效的交替方向乘子法,对目标函数进行求解,以调整卷积自编码器的网络参数,从而使得卷积自编码器能够更加充分学习到高光谱预处理数据的背景特性,从而降低背景重建时的误差,进而提高异常检测性能。
下面将结合具体的实施方式对本申请提供的高光谱图像异常检测方法进行详细说明,如图1所示,图1示出了本发明实施例提供的一种高光谱图像异常检测方法的流程示意图,方法包括:
S101,对高光谱原始数据每个光谱维度的切片进行归一化处理,得到高光谱预处理数据。
本实施例中,高光谱原始数据每个光谱维度的切片进行归一化处理,是本领域技术人员的公知技术,此处不做多余赘述。
S102,将所述高光谱预处理数据输入预先构建好的具有跨连接层的卷积自编码器中,以对高光谱的背景进行重构,输出高光谱预处理数据的背景重构张量。
在一种实现方案中,所述预先构建好的具有跨连接层的卷积自编码器包括编码器和解码器,编码器和解码器均由卷积层构成,编码器的卷积层输出通过跨连接层与对应的解码器的卷积层输出拼接。
S103,沿着光谱维度将所述背景重构张量拉伸为矩阵,对所述矩阵施加使卷积自编码器的网络输出最优的目标函数,其中目标函数由自编码器端的残差约束和背景潜在特性的低秩约束项和稀疏约束项构成。
本实施例中,如图2所示,在卷积自编码器的输出上设计背景潜在特性约束及自编码器残差约束的目标函数,所述目标函数的表达式为:其中,/>表示高光谱图像的预处理数据张量,w表示立方体数据的宽,h表示立方体数据的高,b表示立方体数据的带宽维度,||·||F表示F范数,||·||*表示矩阵的核范数,/>表示差分算子,||·||1表示l1范数,λ表示用于平衡低秩约束的非负权重参数,β表示用于平衡稀疏约束的非负权重参数,/>表示自编码器输出,θ表示自编码器的网络参数,/>表示将自编码器输出的背景重构张量沿着光谱维度拉伸成矩阵,/>表示对/>执行一阶差分运算。
S104,采用交替方向乘子法迭代更新所述目标函数的低秩约束项、稀疏约束项和含有自编码器参数的代价函数项,以调整所述卷积自编码器的网络参数,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量。
本实施例中,迭代更新所述目标函数的低秩约束项、稀疏约束项和含有自编码器参数项的过程为:
引入第一松驰变量和第二松驰变量对所述目标函数的低秩约束项和稀疏约束项进行替换,得到替换后的目标函数,替换后的目标函数的表达式为:其中,C1表示第一松驰变量,C2表示第二松驰变量;
利用拉格朗日乘子法重构变量替换后的目标函数,重构的目标函数的表达式为:
其中,P1和P2均为拉格朗日乘子,μ为拉格朗日权重系数;
依据重构的目标函数分别更新第一松弛变量和第二松弛变量,以分别计算出更新后第一松弛变量和第二松弛变量的解;
采用Adam算法,对代入更新后第一松弛变量和第二松弛变量的解的含有自编码器参数的代价函数项进行更新,得到使卷积自编码器代价函数最小化的网络参数。
具体包括如下更新步骤:
(C1)引入第一松弛变量C1和第二松弛变量C2,则目标函数可以构建为:
进一步,引入拉格朗日乘子法,则目标函数可以构建为:
其中,P1和P2为拉格朗日乘子,μ为拉格朗日权重系数。
(C2)、更新变量C1:关于C1的代价函数为:
记对/>进行SVD分解,记为/>则C1的解为其中/>
(C3)、更新变量C2:关于C2的代价函数为:
记则C2的解为:/>其中,soft1(x,a)=sign(x)max(|x|-a,0),sign(·)为符号函数。
(C4)、更新网络参数:关于θ的代价函数为:
由于关于卷积自编码器的网络参数的代价函数均为F范数,因此可利用现有技术中求梯度的方式更新网络参数,故此本实施例采用Adam算法更新卷积自编码器的网络参数。
S105,将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量,得到背景重构后的误差张量。
本实施例中,计算误差张量:其中,/>是高光谱预处理数据张量,表示卷积自编码器在网络参数更新好后所输出的背景重构张量,即当前卷积自编码器输出的背景重构张量。
S106,对背景重构张量每个光谱维度的切片求平方后累加开方,得到检测图;
具体的,计算所述检测图的表达式其中,/>表示误差张量,/>表示误差张量/>在第三个维度上的第i个切片,b表示光谱个数。
S107,对所述检测图进行异常检测,得到异常检测结果。
本实施例中,对检测图进行异常检测,即可得出高光谱图像数据的异常检测结果。
综上实施例所述,本实施例提供的高光谱图像异常检测方法,利用卷积自编码器强大的特征学习能力提取高光谱预处理数据的特征,在卷积自编码器的输出上构建包含背景潜在特性约束的目标函数,即低秩和稀疏约束,以利用背景中的低秩和稀疏特性,进一步的,本发明采用高效的交替方向乘子法,对目标函数进行求解,以调整卷积自编码器的网络参数,从而使得卷积自编码器能够更加充分学习到高光谱预处理数据的背景,从而降低背景重建时的误差,进而提高异常检测性能。
在一个实施例中,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量,具体为:
预设收敛阈值,以及迭代收敛的损失值;
在所述损失值小于收敛阈值时,即k表示迭代次数,θk+1表示第k+1次迭代的网络参数,θk表示第k次迭代的网络参数,/>表示自编码器代价函数在第k+1次的值,/>表示自编码器代价函数在第k次的值。停止迭代,确定当前所述卷积自编码器输出的背景重构张量,并记为/>
基于上述示例,本实施例还提供了应用本方法后的检测图与现有技术的检测图的对比结果,具体如下:
图3展示了在HYDICE数据集上不同算法获取的检测图,图中像素的值越大则越亮,像素的值越小越暗。图3中(a)表示高光谱预处理数据的伪彩图,(b)表示异常的真值图,(c)表示RX获取的检测图,(d)表示LRX获取的检测图,(e)表示GTVLRR获取的检测图,(f)表示Auto-AD获取的检测图,(g)表示DeepLR获取的检测图,(h)表示本发明方法获取的检测图。从图3中可以看出,LRX似乎具有最佳背景抑制性能。本发明所提出的方法和DeepLR、Auto-AD似乎具有相同的背景抑制性能,优于除LRX之外的其他比较方法。LRX获得的检测图中背景像素和异常像素的区分度优于其他比较方法。该方法的异常检测性能似乎与DeepLR和Auto-AD相同。
图4展示了展示了不同算法在测试数据集上检测结果的ROC曲线图。从图4可以看出,相对于RX、LRX、GTVLRR,Auto-AD和DeepLR,本发明所提的方法在对应的虚警率下的检测概率是最高的,充分说明了本发明所提算法的有效性。
图5展示了不同算法在测试数据集上检测结果的分离图,其中,箱体表示分布范围在10%~90%区间内像素值的大小范围,箱体上方的直线表示分布范围在90%~100%区间内像素值的大小范围,箱体下方的直线表示分布范围在0%~10%区间内像素值的大小范围。同一类方法的分布图由两个箱体构成,其中左边的代表异常的箱体图,右边代表背景的箱体图,异常和背景箱体图之间的间隔越大,则说明该方法获取的检测图中异常和背景的分离性好。从图5中可以看出,GTVLRR算法异常和背景的分离性能最好,本发明所提的方法异常和背景的分离性优于Auto-AD和DeepLR。
本发明还提供了一种高光谱图像异常检测装置,该装置可用于执行本发明上述任一项实施例所述的高光谱图像异常检测方法。
请参阅图6,图6示出了本发明实施例提供的一种高光谱图像异常检测装置的原理框图,装置包括:
预处理模块610,用于对高光谱图像每个光谱维度的切片进行归一化处理,得到高光谱预处理数据;
背景重构模块620,用于将所述高光谱预处理数据输入预先构建好的具有跨连接层的卷积自编码器中,以对高光谱的背景进行重构,输出高光谱预处理数据的背景重构张量;
目标函数施加模块630,用于将背景重构张量沿着光谱维度将所述背景重构张量拉伸为矩阵,对所述矩阵施加使卷积自编码器的网络参数最小化的目标函数,其中目标函数由背景潜在特性的低秩约束和稀疏约束及自编码器端残差项构成;
迭代更新模块640,用于采用交替方向乘子法迭代更新所述目标函数的低秩约束项、稀疏约束项和自编码器端残差项,以调整所述卷积自编码器的网络参数,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量;
重构误差计算模块650,用于将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量,得到背景重构后的误差张量;
检测图计算模块660,用于对所述误差张量每个光谱维度的切片求平方后累加开方,得到检测图;
异常检测模块670,用于对所述检测图进行异常检测,得到异常检测结果。
本申请实施例中的高光谱图像异常检测装置,与上述图1所示的高光谱图像异常检测方法是基于同一构思下的发明,通过上述对高光谱图像异常检测方法的详细描述,本领域技术人员可以清楚的了解本实施例中的高光谱图像异常检测装置的实施过程,所以为了说明书的简洁,在此不再赘述。
相应地,本实施例提供的高光谱图像异常检测,首先构建了卷积自编码器,利用卷积自编码器强大的特征学习能力提取高光谱预处理数据的特征,在卷积自编码器的输出上构建包含背景潜在特性约束的目标函数,即低秩和稀疏约束,以利用背景中的低秩和稀疏特性,进一步的,本发明采用高效的交替方向乘子法,对目标函数进行求解,以调整卷积自编码器的网络参数,从而使得卷积自编码器能够更加充分学习到高光谱预处理数据的背景,从而降低背景重建时的误差,进而提高异常检测性能。
基于与前述实施例中高光谱图像异常检测方法同样的发明构思,本发明实施例还提供了一种电子设备,所述电子设备包括存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电子设备执行如上述实施例所述的高光谱图像异常检测方法的各个步骤。处理器可能是中央处理单元(CPU),还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于执行高光谱图像异常检测方法的操作。
基于与前述实施例中高光谱图像异常检测方法同样的发明构思,本发明再一个实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关高光谱图像异常检测方法的相应步骤。本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高光谱图像异常检测方法,其特征在于,方法包括:
对高光谱图像每个光谱维度的切片进行归一化处理,得到高光谱预处理数据;
将所述高光谱预处理数据输入预先构建好的具有跨连接层的卷积自编码器中,以对高光谱的背景进行重构,输出高光谱预处理数据的背景重构张量;
沿着光谱维度将所述背景重构张量拉伸为矩阵,对所述矩阵施加使卷积自编码器的网络输出最优的目标函数,其中目标函数由背景潜在特性的低秩约束项和稀疏约束项及自编码器的残差项构成;
采用交替方向乘子法迭代更新所述目标函数的低秩约束项和稀疏约束项,以调整所述卷积自编码器的网络参数,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量;
将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量,得到背景重构后的误差张量;
对所述误差张量每个光谱维度的切片求平方后累加开方,得到检测图;
对所述检测图进行异常检测,得到异常检测结果。
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,所述预先构建好的具有跨连接层的卷积自编码器包括编码器和解码器,编码器和解码器均由卷积层构成,编码器的卷积层输出通过跨连接层与对应的解码器的卷积层输出拼接。
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,所述目标函数的表达式为:其中,/>表示高光谱预处理数据张量,w表示立方体数据的宽,h表示立方体数据的高,b表示立方体数据的光谱维度,||·||F表示F范数,||·||*表示矩阵的核范数,/>表示差分算子,||·||1表示l1范数,λ表示用于平衡低秩约束的非负权重参数,β表示用于平衡稀疏约束的非负权重参数,/>表示自编码器的输出,θ表示自编码器的网络参数,/>表示将自编码器输出的背景重构张量沿着光谱维度拉伸成矩阵,/>表示对/>执行一阶差分运算。
4.根据权利要求3所述的高光谱图像异常检测方法,其特征在于,采用交替方向乘子法迭代更新所述网络参数和所述目标函数的低秩约束项和稀疏约束项,包括:
引入第一松驰变量和第二松驰变量对所述目标函数的低秩约束项和稀疏约束项进行替换,得到替换后的目标函数,替换后的目标函数的表达式为:其中,C1表示第一松驰变量,C2表示第二松驰变量;
利用拉格朗日乘子法对替换后的目标函数进行重构,得到重构后的目标函数,重构的目标函数的表达式为:
其中,P1和P2均为拉格朗日乘子,μ为拉格朗日权重系数;
依据重构后的目标函数分别更新第一松弛变量和第二松弛变量,以分别计算出更新后第一松弛变量和第二松弛变量的解;
采用Adam算法,对代入有更新后第一松弛变量和第二松弛变量的解的优化后的带自编码器参数的代价函数进行更新,得到卷积自编码器代价函数最小化的网络参数。
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,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量,具体为:
预设收敛阈值,以及迭代收敛的损失值;
在所述损失值小于收敛阈值时,停止迭代,确定当前所述卷积自编码器输出的背景重构张量。
6.根据权利要求5所述的高光谱图像异常检测方法,其特征在于,所述损失值小于收敛阈值的表达式为:k表示迭代次数,θk+1表示第k+1次迭代的网络参数,θk表示第k次迭代的网络参数,/>表示自编码器损失函数第k+1次的值,/>表示自编码器损失函数第k次的值。
7.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,计算所述检测图的表达式其中,/>表示误差张量,/>表示误差张量/>在第三个维度上的第i个切片,b表示光谱带的个数。
8.一种高光谱图像异常检测装置,其特征在于,装置包括:
预处理模块,用于对高光谱图像每个光谱维度的切片进行归一化处理,得到高光谱预处理数据;
背景重构模块,用于将所述高光谱预处理数据输入预先构建好的具有跨连接层的卷积自编码器中,以对高光谱的背景进行重构,输出高光谱预处理数据的背景重构张量;
目标函数施加模块,用于对所述背景重构张量沿着光谱维度拉伸为矩阵,对所述矩阵施加使卷积自编码器的网络输出最优化的目标函数,其中目标函数由背景潜在特性的低秩约束项和稀疏约束项以及自编码器残差项构成;
迭代更新模块,用于采用交替方向乘子法迭代更新所述目标函数的低秩约束项和稀疏约束项,以调整所述卷积自编码器的网络参数,在迭代次数达到收敛阈值时,确定当前所述卷积自编码器输出的背景重构张量;
重构误差计算模块,用于将所述高光谱预处理数据减去当前所述卷积自编码器输出的背景重构张量,得到背景重构后的误差张量;
检测图计算模块,用于对误差张量每个光谱维度的切片求平方后累加开方,得到检测图;
异常检测模块,用于对所述检测图进行异常检测,得到异常检测结果。
9.一种电子设备,其特征在于,所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的一种高光谱图像异常检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的一种高光谱图像异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148017.7A CN117115653A (zh) | 2023-09-06 | 2023-09-06 | 高光谱图像异常检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148017.7A CN117115653A (zh) | 2023-09-06 | 2023-09-06 | 高光谱图像异常检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115653A true CN117115653A (zh) | 2023-11-24 |
Family
ID=88805408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311148017.7A Pending CN117115653A (zh) | 2023-09-06 | 2023-09-06 | 高光谱图像异常检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115653A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392378A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
-
2023
- 2023-09-06 CN CN202311148017.7A patent/CN117115653A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392378A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
CN117392378B (zh) * | 2023-12-11 | 2024-02-27 | 西南交通大学 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Necoara et al. | Parallel random coordinate descent method for composite minimization: Convergence analysis and error bounds | |
CN114008663A (zh) | 实时视频超分辨率 | |
Genovese et al. | The geometry of nonparametric filament estimation | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN110223231A (zh) | 一种含噪图像的快速超分辨重建算法 | |
CN117115653A (zh) | 高光谱图像异常检测方法、装置、设备及介质 | |
KR20220099409A (ko) | 딥러닝 모델을 사용한 분류 방법 | |
Thakur et al. | PReLU and edge‐aware filter‐based image denoiser using convolutional neural network | |
CN115374948A (zh) | 量子神经网络的训练方法、数据处理方法、设备及介质 | |
Tian et al. | Image compressed sensing using multi-scale residual generative adversarial network | |
Tian et al. | SAR object classification using the DAE with a modified triplet restriction | |
US20210232931A1 (en) | Identifying adversarial attacks with advanced subset scanning | |
El Mouatasim | Control proximal gradient algorithm for image ℓ 1 regularization | |
Kasturiwala et al. | Image superresolution technique: A novel approach for leaf diseased problems | |
Lanza et al. | Automatic fidelity and regularization terms selection in variational image restoration | |
KR102514803B1 (ko) | 푸리에 위상 복원을 위한 비지도 학습 기반의 뉴럴 네트워크를 이용한 영상 처리 방법 및 그 장치 | |
Herbreteau et al. | Normalization-equivariant neural networks with application to image denoising | |
CN114359633A (zh) | 高光谱图像聚类方法、装置、电子设备及存储介质 | |
Mahalakshmi et al. | Adaptive filter with type-2 fuzzy system and optimization-based kernel interpolation for satellite image denoising | |
Nagelli et al. | Automotive Rank Based ELM Using Iterative Decomposition. | |
He et al. | M-estimators and half-quadratic minimization | |
Duff et al. | Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance | |
Ramamurthy et al. | Boosted dictionaries for image restoration based on sparse representations | |
Siffa et al. | Towards a machine-learned Poisson solver for low-temperature plasma simulations in complex geometries | |
Majumdar et al. | Non‐convex penalized multitask regression using data depth‐based penalties |
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 |