一種高光譜圖像的異常檢測方法
【專利摘要】本發(fā)明涉及一種基于高光譜圖像的異常檢測方法，本發(fā)明利用核典型相關性分析的辦法對高光譜圖像進行異常檢測。具體方法包括：獲取高光譜圖像；將高光譜圖像標準化，同時做去均值處理；針對高光譜圖像中每一像素點確定目標窗口與背景窗口，使用KCCA方法分析；將KCCA分析得到的結果分離出背景信息與目標信息，計算原圖像與背景圖像、目標圖像平方差之間的差值，作為最終的檢測結果。
【專利說明】一種高光譜圖像的異常檢測方法

【技術領域】
[0001] 本發(fā)明涉及一種基于高光譜圖像的異常檢測方法，屬于領域。

【背景技術】
[0002] 高光譜圖像含有地面目標數(shù)百個波段內豐富的光譜信息，利用高光譜圖像所含有 的豐富的光譜信息進行異常檢測，可以發(fā)現(xiàn)可見光波段內無法識別的目標，但是高光譜數(shù) 據(jù)的光譜分辨率很高，相鄰波段間的數(shù)據(jù)相關性很強，數(shù)據(jù)量大，此外還具有高維數(shù)據(jù)空心 化分布的特點，傳統(tǒng)的目標檢測方法并不適用于高光譜圖像的異常檢測。這些年來，針對高 光譜數(shù)據(jù)的異常檢測逐漸成為研究的熱點。
[0003] 經(jīng)典的高光譜異常檢測方法是由Reed和Yu提出的RX方法，這種方法常被用來當 做高光譜異常檢測中的基準方法，經(jīng)典的RX方法是在高光譜圖像背景服從多元高斯分布 的假設條件下由廣義似然比檢驗的公式推導而來，RX方法具有恒虛警率的性質。RX方法 實際上在計算檢測點的光譜向量與背景窗口均值向量的馬氏距離的平方，但這種方法假設 背景服從多元正態(tài)分布，這一假設條件在很多實際情況下難以滿足，并且協(xié)方差矩陣也只 包含高光譜圖像內的二階數(shù)據(jù)信息，并沒有有效利用高光譜圖像的高維數(shù)據(jù)特征，因此在 很多情況下檢測效果并不理想。針對RX方法的不足，產(chǎn)生了很多的改進方法，Kown等提出 了KRX方法，KRX方法是在Mercer核函數(shù)理論的基礎上，推導得到的RX方法的核化版本， 這種方法可以有效的利用高光譜圖像的高維數(shù)據(jù)信息。除了針對RX方法的改進方法外， Carlotto假設高光譜數(shù)據(jù)由多個高斯正態(tài)分布混合而成，使用聚類方法分離出高光譜數(shù)據(jù) 中的各類之后，再分別計算每一類數(shù)據(jù)內馬氏距離的平方來確定異常點。Carlotto的高斯 混合密度假設更符合實際的情況，但這種方法需要估計高光譜圖像中含有的類別數(shù)目N。， 不同的N。值對聚類的結果影響很大，導致得到的異常檢測結果也具有很大的不同。
[0004]目前針對高光譜圖像異常檢測中包括奇異值分解的文獻有：
[0005] [1]雷武虎等.一種高光譜圖像異常檢測的方法：中國， CN102938151A[P], 2012-11-22.
[0006] 本發(fā)明中的發(fā)明步驟涉及到了奇異值分解技術，但與文獻[1]中不同，文獻[1]中 將高光譜三維數(shù)據(jù)矩陣進行二維展開，第一維表征光譜信息，第二維表征高光譜圖像中的 光譜信息，對此矩陣進行奇異值分解構造出背景子空間，提取殘差圖像；本發(fā)明使用奇異值 分解處理進行KCCA分析后得到的結果圖像，所處理數(shù)據(jù)矩陣是按照空間像素之間的關系 排列得到的二維圖像矩陣，灰度值表示該像素點與周圍像素點之間的相關性大小，本發(fā)明 使用奇異值分解來初步分離圖像中的背景與目標，為下一步的處理做準備。


【發(fā)明內容】

[0007] 本發(fā)明提供一種針對高光譜遙感圖像的基于核典型相關分析（KCCA)的異常檢測 方法，本發(fā)明的實施步驟包括：
[0008] 步驟1，獲取高光譜圖像，將高光譜圖像數(shù)據(jù)標準化，然后做去均值處理；
[0009] 步驟2,針對高光譜圖像中每一像素點確定目標窗口與背景窗口，使用KCCA方法 分析；
[0010] 步驟3,將KCCA分析得到的結果圖像，分解得到背景圖像與目標圖像，處理后得到 檢測結果。
[0011] 步驟1中，針對高光譜圖像的預處理包括如下具體步驟，
[0012] 步驟1. 1，獲取高光譜圖像，高光譜圖像為三維矩陣，維數(shù)為MXNXP，M表示高光 譜圖像中包含的行數(shù)，N表示高光譜圖像中包含的列數(shù)，P為波段數(shù)，MXN大小的二維矩陣 表示高光譜圖像中的空間信息，每一個空間像素對應的一維向量IX1XP表示對應的光譜 信息。
[0013] 步驟1.2,將高光譜三維圖像數(shù)據(jù)進行標準化處理。尋找高光譜圖像矩陣中的最大 值Qma)(以及最小值QMIN，使用如下公式進行處理計算Q(m，n，p)的值。

【權利要求】
1. 一種基于高光譜圖像的異常檢測方法，其特征在于： 步驟1，獲取高光譜圖像，將高光譜圖像數(shù)據(jù)標準化處理； 步驟2,針對高光譜圖像中待檢測像素點確定目標窗口與背景窗口，使用KCCA方法分 析； 步驟3,將KCCA分析得到的結果圖像分離為背景圖像與目標圖像，處理后得到檢測結 果。
2. 如權利要求1所述的一種基于高光譜圖像的異常檢測方法，其特征在于：步驟1中， 在獲取維數(shù)為MXNXP的三維高光譜圖像矩陣后，尋找高光譜圖像矩陣中的最大值Qmx以 及最小值QMIN，使用如下公式進行處理計算Q(m，n，p)的值：
3. 如權利要求1或2所述的一種基于高光譜圖像的異常檢測方法，其特征在于：步驟2 中，針對步驟1處理之后的高光譜圖像的雙窗口KCCA分析包括如下具體實施步驟， 步驟2. 1，以圖像中待檢測像素為中心，確定背景窗口與目標窗口，目標窗口與背景窗 口均已待檢測像素為中心，根據(jù)圖像內目標的大小設定背景窗口大小為bXb，目標窗口大 小為aXa;背景窗口內為背景變量X，大小為（bXb-aXa)XN，目標窗口內選取中心點待檢 測像素數(shù)據(jù)為目標變量Y，大小為1XN，將背景變量X變換為NX(bXb-aXa)大小的二維 矩陣，此時X= [Xl，x2, ...，xN]，目標變量Y變換為NX1大小的二維矩陣，此時Y= [yi， y"2，? ? ?，yJ ; 步驟2. 2,利用公式Kx =XXT和KY =YYT計算核函數(shù)矩陣Kx和KY，Kx和KY均為NXN大 小的對稱核矩陣，Kx矩陣中每個元素的值分別為K(i，j) =k(Xi，Xj) =exp((_| |xi_Xj| |2)/ (c))，KY 矩陣中每個元素的值分別為K(i，j) =k(ypy」）=exp((_|ly^yjl|2)/(c))，c為 高斯徑向基核函數(shù)的參數(shù)，針對Kx和Ky，分別利用公式K。=K-1M ?K-K? 1M+1M ?K? 1M完成 對核矩陣的中心化，1M為MXM大小元素全部為1的矩陣； 步驟2. 3,計算公式（Kx+kirkjKY+Kir1!^的值，進行奇異值分解，得到由奇異值構成 的對角矩陣A，計算所有非零奇異值的平方和記為A(sum)，作為KCCA對待檢測像素點進 行分析得到的結果； 步驟2. 4,檢測之后，目標窗口與背景窗口均向前滑動一個像素的距離，并以下一個像 素點為中心按照步驟2. 1至步驟2. 3的處理過程進行分析；將高光譜圖像中MXN個空間像 素點全部進行KCCA處理，得到圖像Z。
4. 如權利要求3所述的一種基于高光譜圖像的異常檢測方法，其特征在于：針對步驟2 得到的KCCA分析的結果圖像的處理，具體包括如下步驟， 步驟3. 1，對于MXN大小的圖像Z根據(jù)公式Z=UEVT進行奇異值分解，E表示對角 矩陣，對角線上的數(shù)值為奇異值，按照從大到小的順序排列，選取矩陣E中的奇異值來構建 目標圖像以及背景圖像，選取前m個奇異值，并將其余奇異值置零，得到對角矩陣Eb，利用 公式Zb =UEbVT得到背景圖像；同時將前十個奇異值置零，保留剩余奇異值得到對角矩陣 Et，利用公式Zt =UEtVT得到目標圖像； 步驟3. 2,在得到背景圖像以及目標圖像之后，利用下列公式來確定像素點最終是否為 異常： d(x) = (x-xb)2-(x-xt)2 其中，d(x)表示對于待檢測像素點異常檢測的結果，xb表示待檢測像素點在SVD分解 得到的背景圖像中的灰度值，xt表示目標圖像中的灰度值；處理完圖像上的MXN個像素點 后，將其按照空間排列輸出，得到最終的異常檢測結果。
【文檔編號】G06T7/00GK104408705SQ201410490530
【公開日】2015年3月11日 申請日期:2014年9月23日 優(yōu)先權日:2014年9月23日
【發(fā)明者】周慧鑫, 李肖, 秦翰林, 趙營, 溫志剛, 倪曼, 榮生輝, 楊智杰, 趙東, 賴睿, 王炳健, 劉上乾 申請人:西安電子科技大學