一种基于空-谱联合显著性特征表达的高光谱异常检测方法

1.本发明属于遥感图像处理技术邻域，具体涉及基于一种空-谱联合显著性特征表达的高光谱异常检测方法。


背景技术：

2.高光谱成像具有空间分辨率较高和光谱范围广的优点，光谱探测范围覆盖了从可见光到红外光波段，拥有数量多、波谱范围广的近似连续光谱信息特征，同时还包含着较为详细的地物空间信息，因此可以充分利用其空间信息和光谱信息完成检测、分析的功能。同时，随着光学成像技术的不断发展，高光谱成像光谱仪的光谱分辨能力和空间分辨能力也在不断的提高，高光谱遥感的应用领域也在不断扩展。
3.高光谱图像中有着大量不同属性的特征信息，其中应用最为广泛的包括光谱特征和空间特征。当使用光谱特征时，虽然光谱信息可以反映目标的真实属性，但是“同物异谱”、“同谱异物”的现象会导致检测的误差；当通过高光谱图像地物空间分布信息进行检测时，会不可避免的残留背景、噪声等其它成分，此外由于物体形态、分布无法完全反映物体的真实属性，伪装目标的存在会带来虚警现象。


技术实现要素：

4.为了克服上述现有技术的缺点，本发明的主要目的在于提供一种基于空-谱联合显著性特征表达的高光谱异常检测方法，以期解决基于单特征的异常检测算法在高光谱图像地物空间分布信息检测中存在的误差大、准确度低等问题。
5.为了实现上述目的，本发明采用的技术方案是：
6.一种基于空-谱联合显著性特征表达的高光谱图像的异常检测方法，包括如下步骤：
7.步骤1，对原始高光谱图像采用双窗口结构进行背景估算，计算局部背景和待测像素之间的光谱距离；
8.步骤2，通过滑动双窗口结构计算每一个像素对应光谱维度与周围背景之间的相对光谱差异，得到初始光谱特征图；
9.步骤3，通过主成分分析法，去除原始高光谱图像中的冗余信息得到多个波段的降维后图像，然后对多个波段的降维后图像进行加权融合，得到融合的降维后图像；
10.步骤4，对融合的降维后图像，采用全变分曲率滤波进行能量最小化计算，获得高光谱初始空间特征图，即二维地物分布特征图；
11.步骤5，将步骤2得到的初始光谱特征图与步骤4得到的高光谱初始空间特征图进行融合，获得高光谱空-谱初始联合特征图；
12.步骤6，采用基于前后文感知的高光谱显著性异常特征检测方法对步骤5得到的高光谱空-谱初始联合特征图中的目标进行检测，得到检测结果。
13.本发明采用联合双窗结构与改进光谱距离计算的光谱特征提取方法与基于数据
降维与曲率滤波的空间特征提取方法，分别提取获得光谱特征和空间特征，然后对光谱特征与空间特征进行点乘融合获得空-谱联合初始特征。最后考虑到异常目标的显著性特性，研究并实现了高光谱显著性特征检测算法，并在空-谱联合初始特征基础上完成后续检测。通过与其它经典异常检测算法在不同数据集上的对比仿真实验，仿真结果表明本发明在不同数据集上综合表现要优于对比算法，表明了本发明具有良好的异常检测能力。
附图说明
14.图1为本发明流程图。
15.图2为双窗口结构示意图。
16.图3为高光谱图像预处理示意图。
17.图4为联合特征提取流程图。
18.图5为本发明实例图。其中(a)为原始图像伪彩色图，(b)为异常分布图。
19.图6为本发明实例中异常检测结果图。其中(a)为rpca-rx检测结果伪彩色图，(b)为本发明检测结果伪彩色图。
20.图7为本发明实例中异常检测结果三维曲线图。其中(a)为rpca-rx检测结果三维峰度图，(b)为本发明检测结果三维峰度图。
具体实施方式
21.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
22.如前所述，使用光谱特征时，“同物异谱”、“同谱异物”必然导致检测误差，尤其是高光谱图像地物空间分布信息检测时，可能产生大量伪装目标，使得检测结果的准确性大大降低。显然，基于单特征的异常检测算法中存在上述诸多缺陷，例如易受到外界因素影响、传统算法中异常目标显著特性利用不足等。通过分析可知，异常目标特征具有一定“显著性特性”，因此，本发明提出了一种基于空-谱联合显著性特征表达的异常检测算法。首先采用联合双窗结构与改进光谱距离计算的光谱特征提取方法与基于数据降维与曲率滤波的空间特征提取方法，分别提取获得光谱特征和空间特征，然后对光谱特征与空间特征进行点乘融合获得空-谱联合初始特征。最后考虑到异常目标的显著性特性，提出了改进的高光谱显著性特征检测算法，并在空-谱联合初始特征基础上完成后续检测。通过与其它经典异常检测算法的对比仿真实验，仿真结果表明本方法综合表现要优于对比算法，表明了本方法具有良好的异常检测能力。
23.为论证本发明方法的有效性，使用真实高光谱图像来进行异常检测。实验使用机载可见/红外成像光谱仪(aviris)传感器采集的圣地亚哥(sandiego)机场场景图像中大小为100
×
100、波段数为189的子图像进行异常检测，并将该子图像中的三架飞机作为异常目标。参考图1，针对sandiego_plane图像数据的异常检测基本流程如下：
24.步骤1，对原始高光谱图像采用双窗口结构进行背景估算，计算局部背景和待测像素之间的光谱距离。
25.在本发明中，原始高光谱图像是指sandiego_plane图像，局部背景是指图2中内窗
与外窗之间的区域，待测像素位于内窗中，通过窗口滑动遍历计算每一个像素，在计算时这个像素就是对应的待测像素。
26.上述计算的具体步骤如下：
27.步骤1.1，原始高光谱图像y∈rm×n×b中，空间维大小为m
×
n，m表示高光谱图像中包含的行数，n表示高光谱图像中包含的列数，b为波段数。空间中每一个像素对应着1
×1×
b的光谱曲线；
28.步骤1.2，对于高光谱图像y∈rm×n×b中坐标(i,j)处像素，对应光谱曲线为l，以该点为中心点引入双窗结构，参考图2，内窗范围为保护区域，内窗置于外窗中，外窗与内窗之间为背景区域，待测像素则位于内窗中。示例地，内外窗w
in
、w
out
大小可分别为9、11，求取内外窗口之间像素的平均光谱曲线l
mean
，按如下公式计算l与l
mean
之间的光谱距离d(x,y)(即局部背景与待测像素之间的光谱距离)，作为(i,j)处像素对应初始光谱特征值；
[0029][0030]
式中，x，y为两个不同向量，n为向量包含维度数，一维向量x＝[x1,x2,x3,
…
,xk,
…
,xn]、y＝[y1,y2,y3,
…
,yk,
…
,yn]，num为自适应权重系数，根据下式确定num的值：
[0031][0032]
步骤2，通过滑动双窗口结构计算每一个像素对应光谱维度与周围背景之间相对光谱差异，在对每一个像素依次完成计算之后可以得到一个二维特征矩阵，即初始光谱维特征图r
spectrum
∈rm×n。
[0033]
步骤3，通过主成分分析法，去除原始高光谱图像中的冗余信息得到多个波段的降维后图像，然后对多个波段的降维后图像进行加权融合，得到融合的降维后图像。参考图3，具体包括如下步骤；
[0034]
步骤3.1，采用pcl降维算法对原始高光谱图像进行降维处理，降维后数据维数为m，m个特征向量对应m个最大特征值，分别为{λ1,λ
2,
…
,λm}，特征矩阵中对应特征向量{w1,w2,
…
,wm}组成新的投影矩阵。
[0035]
本发明中，m根据特征值对应向量信息量贡献大小选择，当前m个最大特征值对应主成分累积信息贡献率达到设定阈值之后，保留这m个主成分数据，从而完成数据降维。示例地，阈值可选择97％。即，当前m个特征值累加大于97％时，不再继续保留后续较低特征值
对应主成分数据，保留前m个累计信息贡献率达到97％以上的主成分数据。
[0036]
步骤3.2，利用步骤3.1中得到的投影矩阵与原始高维数据计算得到相应m个二维图像，即前m个主成分为{y1,y2,
…
,ym}，也即m个波段的降维后图像，其包含了原始高光谱数据中的大部分特征。
[0037]
步骤3.3，根据下式，对m个波段的降维后图像，根据其对应特征值大小进行加权融合，得到融合的降维后图像，即具有代表性的二维地物分布初始特征图y
final
。
[0038][0039]
步骤4，采用全变分曲率滤波对步骤3得到的降维后高光谱图像进行运算，得到初始异常目标二维空间特征图r
space
∈rm×n，参考图4，具体包括如下步骤，
[0040]
步骤4.1，根据如下公式计算全变分曲率滤波构建投影算子d1～d8：
[0041][0042]
式中，o代表待处理二维矩阵图像；o(i,j)为图像中对应位置坐标为(i,j)处像素信息；o(i 1,j-1)为图像中对应位置坐标为(i 1,j-1)处像素信息；o(i 1,j)为图像中对应位置坐标为(i 1,j)处像素信息；o(i 1,j 1)为图像中对应位置坐标为(i 1,j 1)处像素信息；o(i,j-1)为图像中对应位置坐标为(i,j-1)处像素信息；o(i,j 1)为图像中对应位置坐标为(i,j 1)处像素信息；o(i-1,j-1)为图像中对应位置坐标为(i-1,j-1)处像素信息；o(i-1,j)为图像中对应位置坐标为(i-1,j)处像素信息；o(i-1,j 1)为图像中对应位置坐标为(i-1,j 1)处像素信息；o(i,j 1)为图像中对应位置坐标为(i,j 1)处像素信息；d1～d8为投影距离，表示3
×
3大小滑动局部框中心像素与对应方向曲率平面之间的距离大小；
[0043]
步骤4.2，根据如下公式计算(i,j)处像素变量最小投影距离d
min
：
[0044]dmin
＝min{|d1|,|d2|,...,|d8|}
[0045]
步骤4.3，根据如下公式对局部滑动框中心像素进行校正，获得校正后图像为b(i,j)：
[0046]
b(i,j)＝o(i,j) d
min
[0047]
步骤4.4，根据如下公式将原始图像o(i,j)与背景图像b(i,j)做减法操作来抑制原图中背景成分，突出异常目标分布情况：
[0048]rspace
＝r(i，j)＝|o(i，j)-b(i，j)|2[0049]
式中，r(i，j)和r
space
为原始图像与背景图像做减法操作之后结果，即高光谱初始空间特征图，其作为高光谱图像异常目标二维空间初始特征图，r
space
∈rm×n。
[0050]
步骤5，参考图4，根据如下公式对步骤2得到的初始光谱特征图r
spectrum
∈rm×n与步骤4高光谱初始空间特征图r
space
∈rm×n进行点乘融合，得到高光谱空-谱初始联合特征图f∈rm×n；
[0051]
f＝r
space
·rspectrum
[0052]
式中，f表示高光谱空-谱初始联合特征图，r
spectrum
表示初始光谱特征图，r
space
表示高光谱初始空间特征图，
·
表示点乘操作，即两个矩阵相同位置元素相乘得到新的矩阵结果。
[0053]
步骤6中，采用基于前后文感知的高光谱显著性异常特征检测方法对步骤5得到的高光谱空-谱初始联合特征图中的目标进行检测，得到检测结果。
[0054]
其具体步骤如下：
[0055]
步骤6.1，按如下公式计算高光谱空-谱初始联合特征图f∈rm×n中坐标为(i，j)和(i1，j1)处不同点之间显著性差异值d(f(i，j)，f(i1，j1))：
[0056][0057]
式中，c表示权重因子，d表示两点之间显著性差异值。d
position
为坐标(i，j)和(i1，j1)之间欧式距离，c＝10；
[0058]
步骤6.2，根据下式，通过累加一点与全局图像的显著性差异值之和作为(i，j)点处显著值结果s(i，j)，依次遍历全图像素点得到初始显著值图像s；
[0059][0060]
步骤6.3，根据下式，设置阈值th＝0.02，将初始显著值图像s中大于阈值的元素标记为显著异常元素，根据各点与相邻最近显著异常元素之间的欧式距离作为权重因子更新显著值得到新的显著图像
[0061][0062]
式中，是基于前后文的背景抑制之后的新显著值，d
near
为点(i,j)与附近最近的显著异常元素之间的欧式距离；
[0063]
步骤6.4，根据新的显著图像判断各元素类型，输出检测结果。
[0064]
图5示出了本发明的实例图，(a)和(b)分别为原始图像伪彩色图和异常分布图。图6中(a)和(b)分别为rpca_rx方法与本发明方法的异常检测结果，可以看到，rpca_rx方法检测结果中异常目标检出不明显，背景残留部分较多，本发明方法检测结果中目标明显；图7中(a)和(b)分别为rpca_rx方法与本发明方法检测结果对应的三维网格图，可以看到，
rpca_rx方法检测结果中可以观察到异常目标对应位置处有数值峰的存在，但是目标不是很突出，本发明方法对背景抑制效果较好，能够更好的检测出高光谱图像中的异常目标信息。