高光谱异常目标检测方法、装置、计算机设备和存储介质
本技术涉及高光谱图像目标检测,特别是涉及一种高光谱异常目标检测方法、装置、计算机设备和存储介质。
背景技术:
1、高光谱图像通过数百个连续光谱波段捕获地物反射率信息,其中的异常检测旨在识别与周围背景光谱特征显著偏离的像素,已广泛应用于环境监测和矿产勘探等领域。基于深度重建网络的异常检测方法利用神经网络对背景像素重建精度高、对异常像素重建精度低的特性,以重建误差作为异常分数实现检测。
2、然而,现有重建方法普遍存在三个缺陷:第一,训练损失在空间上均匀施加,对内部像素和过渡区像素分配相同的梯度权重,忽略了过渡区像素因光谱混合而固有的不可消除的重建误差,导致模型容量被消耗在无法进一步降低的错误上,从而展宽了背景残差的上尾分布;第二,异常分数由逐波段重建误差的平方和构成,丢弃了波段间的关联结构,使得仅改变波段间相关性而未明显改变各波段幅值的异常难以被检测;第三,各像素被独立评分,孤立的随机波动像素与空间连片的真实异常像素被赋予相似的异常分数,直接抬高了虚警率。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够有效抑制过渡区像素干扰、捕捉波段间关联结构并降低虚警率的高光谱异常目标检测方法、装置、计算机设备和存储介质。
2、一种高光谱异常目标检测方法,所述方法包括:
3、获取待检测的高光谱数据立方体,并生成对应的多个重叠的空间-光谱块;
4、通过光谱角合并区域自适应粒度算法对所述高光谱数据立方体进行场景自适应分区,生成对应的标签图和边界掩码;
5、将所述多个重叠的空间-光谱块以及高光谱数据立方体分别输入至重建网络和编码器中,所述重建网络通过值重建预测头以及结构预测头输出像素重建数据以及光谱结构描述符,所述编码器针对所述高光谱数据立方体中的每个像素计算波段组自注意力描述符;
6、利用所述标签图和边界掩码对所述重建网络和编码器进行联合训练,所述联合训练采用的损失函数至少包括:根据所述边界掩码对过渡区像素赋予较低权重的边界加权重建损失、以所述波段组自注意力描述符为监督目标使所述光谱结构描述符逼近波段组自注意力描述符的结构预测损失、以及根据所述标签图的分组信息最小化组内重建误差方差的区域内方差正则化损失;
7、将所述多个重叠的空间-光谱块输入至训练后的重建网络,得到每个空间-光谱块的值重建输出和结构预测输出,将每个像素的波段组自注意力描述符作为真实值,逐像素计算值重建残差和结构残差,将二者归一化后进行线性融合,得到异常分数图,以实现高光谱异常目标检测。
8、在其中一实施例中,根据所述高光谱数据立方体生成对应的多个重叠的空间-光谱块,包括:
9、对所述高光谱数据立方体进行逐波段最大最小归一化处理,得到归一化数据;
10、采用预设步长的滑动窗口,以复制填充方式将所述归一化数据展开为预设大小的空间-光谱块。
11、在其中一实施例中,所述通过光谱角合并区域自适应粒度算法生成对应的标签图和边界掩码,包括:
12、根据所述高光谱数据立方体中每个像素的光谱向量,计算相邻像素之间的光谱角,以所述光谱角作为像素间差异度量,构建四邻域像素邻接图;
13、根据所述邻接图中各边的光谱角分布自动估计高斯核尺度参数,并计算每条边对应的逐波段方差,从所述逐波段方差的全局分布中自动确定合并方差阈值和峰值方差阈值;
14、从权重最高的边开始依次对相邻像素分量进行贪心合并,其中,基于所述合并方差阈值和峰值方差阈值分别结合空间松弛因子判断是否接受合并;
15、将像素数量少于5的碎片分量按最小方差规则吸收至相邻分量;
16、合并终止后,输出标签图和边界掩码,其中所述标签图记录每个像素所属的区域编号,所述边界掩码记录每个像素是否为不同区域之间的边界像素。
17、在其中一实施例中,基于所述合并方差阈值和峰值方差阈值分别结合空间松弛因子判断是否接受合并,包括:
18、当合并后分量的波段平均方差不超过所述合并方差阈值与空间松弛因子的乘积,且合并后分量的逐波段峰值方差不超过所述峰值方差阈值与空间松弛因子的乘积时,接受合并。
19、在其中一实施例中,所述编码器计算每个像素的波段组自注意力描述符,包括:
20、针对所述高光谱数据立方体中的每个像素,将对应的光谱向量所包含的全部光谱波段按波长顺序划分为多个连续波段组;
21、对每个波段组内的子向量分别进行线性投影和归一化,得到各组的查询向量和键向量;
22、将所有查询向量堆叠为查询矩阵,将所有键向量堆叠为键矩阵,计算所述查询矩阵与键矩阵的乘积,得到描述符矩阵,其中,所述描述符矩阵中的每个元素表示对应两个波段组之间的余弦相似度。
23、在其中一实施例中,所述联合训练采用的损失函数还包括防坍缩辅助重建损失,所述防坍缩辅助重建损失用于强制所述编码器输出的描述符保留足够的组间依赖信息,防止描述符退化为常数矩阵;
24、所述防坍缩辅助重建损失的梯度仅用于更新所述编码器的参数,不用于更新所述重建网络的参数。
25、在其中一实施例中,所述将值重建残差和结构残差归一化后进行线性融合,包括:
26、分别对值重建残差图和结构残差图进行最小最大值归一化,使二者的数值范围均调整至0到1之间;
27、按照预设的融合系数对归一化后的两个残差图进行加权求和,得到最终的异常分数图,其中结构残差的融合系数小于值重建残差的融合系数。
28、本技术还提出了一种高光谱异常目标检测装置,所述装置包括:
29、数据获取与分块模块,用于获取待检测的高光谱数据立方体,并生成对应的多个重叠的空间-光谱块;
30、场景自适应分区模块,用于通过光谱角合并区域自适应粒度算法对所述高光谱数据立方体进行场景自适应分区,生成对应的标签图和边界掩码;
31、重建网络和编码器模块,用于将所述多个重叠的空间-光谱块以及高光谱数据立方体分别输入至重建网络和编码器中,所述重建网络通过值重建预测头以及结构预测头输出像素重建数据以及光谱结构描述符,所述编码器针对所述高光谱数据立方体中的每个像素计算波段组自注意力描述符;
32、联合训练模块,用于利用所述标签图和边界掩码对所述重建网络和编码器进行联合训练,所述联合训练采用的损失函数至少包括:根据所述边界掩码对过渡区像素赋予较低权重的边界加权重建损失、以所述波段组自注意力描述符为监督目标使所述光谱结构描述符逼近波段组自注意力描述符的结构预测损失、以及根据所述标签图的分组信息最小化组内重建误差方差的区域内方差正则化损失;
33、目标检测模块,用于将所述多个重叠的空间-光谱块输入至训练后的重建网络,得到每个空间-光谱块的值重建输出和结构预测输出,将每个像素的波段组自注意力描述符作为真实值,逐像素计算值重建残差和结构残差,将二者归一化后进行线性融合,得到异常分数图,以实现高光谱异常目标检测。
34、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述高光谱异常目标检测方法中的具体步骤。
35、一种计算机可读存储介质,其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上述高光谱异常目标检测方法中的具体步骤。
36、上述高光谱异常目标检测方法、装置、计算机设备和存储介质,通过将待检测的高光谱数据立方体转化为对应的多个重叠的空间-光谱块,通过光谱角合并区域自适应粒度算法对高光谱数据立方体进行场景自适应分区,生成对应的标签图和边界掩码,将多个重叠的空间-光谱块以及高光谱数据立方体分别输入至重建网络和编码器中,重建网络通过值重建预测头以及结构预测头输出像素重建数据以及光谱结构描述符,编码器针对高光谱数据立方体中的每个像素计算波段组自注意力描述符,利用标签图和边界掩码对重建网络和编码器进行联合训练,联合训练采用的损失函数至少包括:根据边界掩码对过渡区像素赋予较低权重的边界加权重建损失、以波段组自注意力描述符为监督目标使光谱结构描述符逼近波段组自注意力描述符的结构预测损失、以及根据标签图的分组信息最小化组内重建误差方差的区域内方差正则化损失,将多个重叠的空间-光谱块输入至训练后的重建网络,得到每个空间-光谱块的值重建输出和结构预测输出,将每个像素的波段组自注意力描述符作为真实值,逐像素计算值重建残差和结构残差,将二者归一化后进行线性融合,得到异常分数图,以实现高光谱异常目标检测。
37、有益效果:
38、本方法通过边界加权重建损失对过渡区像素赋予较低权重,有效收窄背景残差的上尾分布,提升了背景建模精度;通过结构预测损失以波段组自注意力描述符为监督,使重建网络能够捕捉波段间的关联结构,弥补了传统幅度残差对谱间异常不敏感的缺陷;同时通过区域内方差正则化损失根据标签图的分组信息最小化组内重建误差方差,有效抑制了孤立噪声引发的虚警,从而在不依赖外部标注样本的情况下,显著提升了高光谱异常目标检测的准确性和鲁棒性。
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