一种基于张量分解网络的高光谱异常检测方法与流程

技术特征：
1.一种基于张量分解网络的高光谱异常检测方法，其特征在于，按照以下步骤具体实施：步骤1、选取背景样本数据集，输入的原始高光谱影像记为上角标w、h和d分别表示原始高光谱影像的宽、高和波段数；步骤2、通过自编码器和张量分解网络来恢复背景数据信息，先将训练集送入编码器中进行编码，通过三层编码网络逐步将输入数据降维：d
→
128
→
64
→
24，得到潜在特征通过张量分解网络从潜在特征中分解出背景的低秩张量张量分解网络包括rtgb模块和ltgb模块，rtgb模块根据输入生成对应的秩为一的张量，而ltgb模块采用残差结构和rtgb模块生成r个秩为一的张量，然后将r个秩为一的张量进行通道拼接，再使用1
×
1卷积降维得到背景低秩张量具体过程是：对于输入的潜在特征先分别从通道方向、宽度方向以及高度方向取全局平均池化，并将得到的三个方向向量先经过1
×
1卷积，再进行sigmoid激活，接着通过克罗内克积生成秩为一的张量，具体表达式如下：其中，o
i
表示第i个秩为一的张量，分别表示通道、宽度以及高度方向的平均池化向量，表示克罗内克积，将上一个rtgb模块的输入与输出的差作为下一个rtgb模块的输入，生成下一个秩为一的张量，重复此操作，直到生成r个秩为一的张量，再将r个秩为一的张量进行通道拼接，经过卷积后得到背景低秩张量表达式如下：l
rank
＝conv(tf.concat(o1,o2,...,o
r
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，tf.concat(
·
)表示通道拼接操作，在得到低秩张量后，通过解码器的解码操作，逐层恢复出背景数据步骤3、通过重构误差进行异常检测，得到最终的检测结果图。2.根据权利要求1所述的基于张量分解网络的高光谱异常检测方法，其特征在于：所述的步骤1中，具体过程是，通过马氏距离来计算原始高光谱影像x上每一个像素点的异常响应值，它的大小为假设预先设置的背景样本的选取比率为假设预先设置的背景样本的选取比率为将异常响应值最小的个像素置为1，其余像素标记为0，其中wh表示总像素数目，从而得到一个权值矩阵其中，1表示要选取的背景样本，0表示剔除掉的潜在异常像素，背景样本训练集的表达式如下：
其中，
⊙
表示像素点乘，表示得到的背景样本的训练集。3.根据权利要求1所述的基于张量分解网络的高光谱异常检测方法，其特征在于：所述的步骤2中，编码器网络结构一共有三层，每一层包括1
×
1卷积和lrelu激活函数，参照表1，编码器网络结构的具体内容是：4.根据权利要求1所述的基于张量分解网络的高光谱异常检测方法，其特征在于：所述的步骤2中，解码器网络结构一共有三层，每层包括一个1
×
1卷积和lrelu激活函数，参照表2，解码器网络结构的具体内容是：5.根据权利要求1所述的基于张量分解网络的高光谱异常检测方法，其特征在于，所述的步骤3中，具体过程是：采用结构相似性损失来缓解图像模糊问题，表达式如下：其中，μ
x
、表示输入图像和重建图像的均值，δ
x
、表示输入图像和重建图像的方差，c1＝0.01、c2＝0.03，λ＝0.5表示权值参数；当网络收敛后，通过重构的背景数据和输入数据得到重构误差进行异常检测，表达式如下：其中，||
·
||2表示l2范数，表示最终的检测结果图。

技术总结
本发明公开了一种基于张量分解网络的高光谱异常检测方法，步骤包括：步骤1、选取背景样本数据集；步骤2、通过自编码器和张量分解网络来恢复背景数据信息，先将训练集送入编码器中进行编码，通过三层编码网络逐步将输入数据降维，得到潜在特征；通过张量分解网络从潜在特征中分解出背景的低秩张量，通过解码器的解码操作，逐层恢复出背景数据；步骤3、通过重构误差进行异常检测，得到最终的检测结果图。本发明的方法，通过深度网络来模拟传统张量分解的过程，有效提高了网络的重建精度，进一步提高异常检测性能。高异常检测性能。高异常检测性能。


技术研发人员：孙帮勇 赵哲
受保护的技术使用者：西安理工大学
技术研发日：2021.08.27
技术公布日：2021/12/16