一种基于改进CRD算法的高光谱图像异常检测方法
本发明属于遥感图像处理,具体涉及一种基于改进crd算法的高光谱图像异常检测方法。
背景技术:
1、高光谱遥感是一种基于成像光谱学的对地观测技术,其核心特征在于利用纳米级光谱分辨率的连续窄波段,结合光学分光、精密传感及算法处理,实现对地表目标的连续多通道同步观测与光谱信息采集。在地物覆盖的识别、军事监测、农业、矿产勘探、环境监测、海上救援等方面发挥着重要作用。
2、高光谱异常检测技术是较为复杂和精细的,它要求从复杂的背景中,精确地定位出异常像素。高光谱图像的异常检测根本在于抑制背景,突出异常目标,关键在于找出目标和背景特性上的差异。基于高光谱图像的特性,在处理高光谱图像时往往面临高维数据带来的计算和统计问题、复杂背景建模困难、噪声干扰等困难。基于表示理论的异常检测通过引入数据表征学习机制,显著改进了传统统计方法对数据分布假设的依赖。这种方法的基本思想在于,正常的像素点可以通过字典矩阵中的元素进行线性组合来近似表示,而异常像素点则无法很好地被字典矩阵中的元素所表示,重构时会产生较大的误差,以此来实现对异常像素的快速检测。但当前基于表示理论的异常检测器,不能够既快速又精准的识别出异常像素,往往需要较高的计算成本,不能够广泛应用。
3、因此需要一种设计合理的基于改进crd算法的高光谱图像异常检测方法,先用gabor滤波器提取高光谱图像的不同尺度和方向的纹理特征,并利用k-means聚类方法对经过gabor滤波器的提取特征图像进行聚类以得到字典矩阵d,最后在字典矩阵d下利用基于协同表示异常检测算法对提取特征图像进行异常检测,获取高光谱图像中的异常点,计算成本低,不仅提高了异常检测精度,还加快了异常检测的时间。
技术实现思路
1、本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于改进crd算法的高光谱图像异常检测方法,其方法步骤简单、设计合理,先用gabor滤波器提取高光谱图像的不同尺度和方向的纹理特征,并利用k-means聚类方法对经过gabor滤波器的提取特征图像进行聚类以得到字典矩阵d,最后在字典矩阵d下利用基于协同表示异常检测算法对提取特征图像进行异常检测,获取高光谱图像中的异常点,计算成本低,不仅提高了异常检测精度,还加快了异常检测的时间。
2、为解决上述技术问题,本发明采用的技术方案是:一种基于改进crd算法的高光谱图像异常检测方法,包括以下步骤:
3、步骤一、采用gabor滤波器对高光谱图像进行特征提取,得到提取特征图像;
4、步骤二、利用k-means聚类方法对提取特征图像进行聚类,得到字典矩阵d;
5、步骤三、采用crd算法,输入字典矩阵d,对提取特征图像进行异常检测,获取高光谱图像中的异常点。
6、上述的一种基于改进crd算法的高光谱图像异常检测方法,进一步地,步骤一,具体过程如下:
7、步骤101、采用计算机对原始的高光谱图像进行降维,得到降维后三维高光谱图像;
8、步骤102、采用计算机将降维后三维高光谱图像进行归一化与灰度处理,得到转换二维高光谱图像;
9、步骤103、采用计算机利用gabor滤波器对转换二维高光谱图像进行处理,得到提取特征图像。
10、上述的一种基于改进crd算法的高光谱图像异常检测方法,进一步地,步骤101,具体过程如下:
11、步骤1011、采用计算机将原始的高光谱图像的大小记作m×n×d;其中,m表示高光谱图像的行数,n表示高光谱图像的列数,d为高光谱图像的波段数;
12、步骤1012、将高光谱图像转换为高光谱图像二维矩阵,且;其中,表示高光谱图像中第j个像素点处第i个波段对应的数据,j为正整数,1≤j≤m,i和d均为正整数,1≤i≤d,m表示高光谱图像的总像素点数,m=m×n;
13、步骤1013、采用计算机利用主成分分析法对高光谱图像二维矩阵进行降维处理,得到降维后二维矩阵;
14、步骤1014、采用计算机将降维后二维矩阵重塑为降维后三维高光谱图像,则降维后三维高光谱图像的大小为m×n×a;其中,a表示降维后波段数,且a=2。
15、上述的一种基于改进crd算法的高光谱图像异常检测方法,进一步地,步骤102,具体过程如下:
16、步骤1021、采用计算机从降维后二维矩阵的所有元素中获取最大值和最小值;从降维后三维高光谱图像中提取任一个波段对应的二维高光谱图像;
17、步骤1022、采用计算机对二维高光谱图像的像素值,基于步骤1021中的最大值和最小值进行最大最小归一化,得到归一化二维高光谱图像;
18、步骤1023、采用计算机将归一化二维高光谱图像中的像素值乘以255,得到转换二维高光谱图像。
19、上述的一种基于改进crd算法的高光谱图像异常检测方法,进一步地,步骤103,具体过程如下:
20、步骤1031、设定gabor滤波器中正弦载波波长取值为2、4、8和16,核函数方向取值为0°、45°、90°、135°和180°,则通过4个波长尺度和5个方向组合,得到20组gabor滤波器;
21、步骤1032、采用计算机将任一个转换二维高光谱图像和20组gabor滤波器分别进行二维卷积,并设置输出图像尺寸和输入图像尺寸相同,则得到20个特征图像;
22、步骤1033、重复步骤1032的方法,将2个转换二维高光谱图像对应的20个特征图像组合,得到提取特征图像;其中,提取特征图像的大小为m×n×b,且b表示提取特征图像的波段数,b小于d,且b=40。
23、上述的一种基于改进crd算法的高光谱图像异常检测方法,进一步地,步骤二,具体过程如下:
24、步骤201、采用计算机将提取特征图像转换为提取特征矩阵,且,表示提取特征图像中第j个像素点处b个波段对应的数据向量,且,表示提取特征图像中第j个像素点处第a个波段对应的数据,a为正整数,且1≤a≤b;
25、步骤202、采用计算机将提取特征矩阵中分别记作第1个数据点,...,第j个数据点,...,第m个数据点,并利用k-means聚类方法对m个数据点进行聚类,得到2个聚类簇;
26、步骤203、采用计算机将2个聚类簇的质心组成的矩阵,记作字典矩阵d;其中,字典矩阵d的大小为40×2。
27、上述的一种基于改进crd算法的高光谱图像异常检测方法,进一步地,步骤三,具体过程如下:
28、步骤301、采用计算机将提取特征图像转换为待测像素点数据,且;其中,表示第j个像素点数据,是b维向量,,表示第j个像素点处第a个波段对应的数据;t表示转置;
29、步骤302、采用计算机对待测像素点数据,构建目标函数;其中,表示最小值,为协同表示系数向量,表示二范数的平方,表示正则化参数;
30、步骤303、采用计算机利用基于协同表示异常检测算法对目标函数在最小约束下进行求解,得到协同表示系数向量;
31、步骤304、采用计算机根据,得到待测像素点的重构数据,并根据,得到待测像素点的重构误差向量,并对待测像素点的重构误差向量中的每个像素点的重构误差向量进行2范数处理,得到每个像素点的重构误差值;
32、步骤305、采用计算机将任一像素点的重构误差值作为设定阈值,剩余像素点的重构误差值和设定阈值进行比较,将大于等于设定阈值对应的像素点记作异常点样本。
33、上述的一种基于改进crd算法的高光谱图像异常检测方法,进一步地,步骤305之后,具体过程如下:
34、步骤306、多次重复步骤305,将每个像素点的重构误差值分别作为设定阈值进行比较,得到多个异常点样本;
35、步骤307、将每个像素点的重构误差值记作每个像素点的异常得分,基于每个像素点的异常得分,针对任一个异常点样本绘制箱线图,得到第一箱线图;针对待测像素点中除去异常点样本后的剩余像素点绘制箱线图,得到第二箱线图;
36、步骤308、基于第二箱线图的上四分位数和第一箱线图的下四分位数之间的差值记作异常背景分离值;
37、步骤309、按照步骤307和步骤308的方法,得到各个异常点样本对应的异常背景分离值;
38、步骤30a、将各个异常点样本对应的异常背景分离值按照从小到大排序,则最大的异常背景分离值对应的异常点样本记作最优异常点,根据该最优异常点的像素位置,则高光谱图像上相应像素位置的像素点为异常点。
39、本发明与现有技术相比具有以下优点:
40、1、本发明方法步骤简单,设计合理,解决目前用于高光谱异常检测时所利用的字典矩阵是邻近像素集,通过邻近像素集组成的滑动窗遍历所有像素点,需要较高的计算成本,不能既快速又精准的识别出异常像素的问题。
41、2、本发明通过gabor滤波器提取高光谱图像在多尺度和多方向的纹理特征,实现了光谱特征和纹理特征的多维度融合。gabor纹理特征能捕捉其空间结构差异,弥补光谱特征的不足,从而更精准地区分异常与背景,同时多尺度、多方向的特征提取适配了高光谱图像中不同大小(如小型车辆、大型建筑)和形态(如线性道路、不规则油污)的异常目标,增强了对复杂场景的适应性。
42、3、本发明结合k-means聚类能将大量原始数据划分为2个聚类簇,通过对每个簇的特征进行聚合和简化,减少了后续协同表示过程中的数据量和计算维度,从而降低了整体计算复杂度,同时通过k-means聚类,在字典矩阵后续重构时选取更有代表性的点,可以进一步提高后续异常检测的精度。
43、4、本发明采用基于协同表示异常检测算法,通过字典矩阵对提取特征图像的待测像素点进行重构,在提升检测精度的同时,字典矩阵计算进一步缩小了运算范围,使整体算法在处理大规模高光谱图像时更高效,兼顾“高精度”与“高速度”。
44、综上所述,本发明方法步骤简单、设计合理,先用gabor滤波器提取高光谱图像的不同尺度和方向的纹理特征,并利用k-means聚类方法对经过gabor滤波器的提取特征图像进行聚类以得到字典矩阵d,最后在字典矩阵d下利用基于协同表示异常检测算法对提取特征图像进行异常检测,获取高光谱图像中的异常点,计算成本低,不仅提高了异常检测精度,还加快了异常检测的时间。
45、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com