本發(fā)明涉及信息處理，特別涉及一種基于低秩嵌入與多尺度的異常檢測方法、裝置及電子設(shè)備。

背景技術(shù)：

1、高光譜圖像以其豐富的光譜信息和空間信息在軍事、農(nóng)業(yè)和食品安全等領(lǐng)域得到廣泛應(yīng)用，通過高光譜圖像進行自然災(zāi)害的監(jiān)測更是一大熱點。hsi（hyperspectralimage，高光譜圖像）中的異常檢測是一種完全無監(jiān)督的對象檢測任務(wù)，其目的是檢測與周圍環(huán)境不同的異常，更符合實際應(yīng)用場景并在近年來吸引了越來越多研究者的關(guān)注。

2、相關(guān)技術(shù)中，hsi異常檢測方法可以基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法將原始圖像投影到新的潛在空間中，然后使用傳統(tǒng)方法實現(xiàn)異常檢測；或者還可以使用深度自編碼器進行背景重建，通過原始圖像與重建背景之間的殘差圖像直接檢測異常。

3、然而，上述方法比較復(fù)雜，檢測過程耗時過長、效率低、精度低，亟待解決。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于低秩嵌入與多尺度的異常檢測方法、裝置及電子設(shè)備，以解決現(xiàn)有檢測方法檢測過程耗時長、效率低、精度低的問題，具有自動化、高精度、快速高效等優(yōu)點。

2、為達到上述目的，本發(fā)明第一方面實施例提出一種基于低秩嵌入與多尺度的異常檢測方法，包括以下步驟：

3、獲取高光譜圖像，并對所述高光譜圖像進行預(yù)處理，得到原始高光譜圖像；

4、利用預(yù)設(shè)的低秩背景特征提取模型對所述原始高光譜圖像進行特征提取操作，得到低秩背景特征，并利用預(yù)先構(gòu)建的多尺度融合特征提取模型，提取所述原始高光譜圖像的全局特征和局部特征；

5、對所述低秩背景特征、所述全局特征和所述局部特征進行整合處理，將得到的目標(biāo)重建背景圖像與所述高光譜圖像進行比較，識別異常區(qū)域。

6、根據(jù)本發(fā)明的一個實施例，所述對所述高光譜圖像進行預(yù)處理，包括：

7、利用預(yù)設(shè)的低秩張量分解的降噪算法，確定所述高光譜圖像的全局空間和光譜相關(guān)性，同時基于自適應(yīng)權(quán)重圖全變分策略刻畫所述高光譜圖像在空間維度上的分段平滑特性并保留所述高光譜圖像的邊緣信息。

8、根據(jù)本發(fā)明的一個實施例，所述預(yù)設(shè)的低秩背景特征提取模型為：

9、

10、其中，為通過字典順序?qū)⑷S張量展平為矩陣的運算符，為一個卷積層，為另一個卷積層，為最后一個卷積層，為輸入的三維張量，為激活函數(shù)。

11、根據(jù)本發(fā)明的一個實施例，在利用所述預(yù)先構(gòu)建的多尺度融合特征提取模型，提取所述原始高光譜圖像的全局特征和局部特征之前，還包括：

12、獲取歷史高光譜圖像，并對所述歷史高光譜圖像進行預(yù)處理，得到預(yù)處理后的歷史高光譜圖像；

13、利用視覺變換器提取所述預(yù)處理后的歷史高光譜圖像的全局上下文信息，并利用擴張卷積神經(jīng)網(wǎng)絡(luò)提取所述預(yù)處理后的歷史高光譜圖像的局部信息；

14、將所述全局上下文信息和所述局部信息進行融合，得到融合特征數(shù)據(jù)，將所述融合特征數(shù)據(jù)按照預(yù)設(shè)劃分比例劃分為訓(xùn)練集和驗證集；

15、利用所述訓(xùn)練集對預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練得到初始神經(jīng)網(wǎng)絡(luò)模型，并利用所述驗證集驗證所述初始神經(jīng)網(wǎng)絡(luò)模型，直到所述初始神經(jīng)網(wǎng)絡(luò)模型滿足預(yù)設(shè)標(biāo)準(zhǔn)，結(jié)束對所述預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)的迭代訓(xùn)練，得到所述所述預(yù)先構(gòu)建的多尺度融合特征提取模型，否則，調(diào)整所述預(yù)設(shè)劃分比例，并基于調(diào)整后的新的訓(xùn)練集進行迭代訓(xùn)練。

16、根據(jù)本發(fā)明的一個實施例，所述利用所述擴張卷積神經(jīng)網(wǎng)絡(luò)提取所述預(yù)處理后的歷史高光譜圖像的局部信息，包括：

17、通過堆疊不同擴張率的擴張卷積，獲取所述預(yù)處理后的歷史高光譜圖像的多尺度圖像特征；

18、利用3×3卷積核提取所述預(yù)處理后的歷史高光譜圖像的局部特征；

19、將所述多尺度圖像特征和所述局部特征進行融合，得到所述預(yù)處理后的歷史高光譜圖像的局部信息。

20、根據(jù)本發(fā)明的一個實施例，所述對所述低秩背景特征、所述全局特征和所述局部特征進行整合處理，包括：

21、分別對所述全局特征和所述局部特征進行1×1卷積降尺度處理，得到全局低維特征和局部低維特征；

22、采用預(yù)設(shè)的逐像素加權(quán)策略將所述全局低維特征和所述局部低維特征進行融合，得到初始背景重建背景圖像；

23、采用預(yù)設(shè)的雙線性差值策略對所述初始背景重建背景圖像進行上采樣處理得到上采樣特征，利用所述3×3卷積核對所述上采樣特征進行反卷積操作，得到所述目標(biāo)重建背景圖像。

24、根據(jù)本發(fā)明實施例提出的基于低秩嵌入與多尺度的異常檢測方法，通過對高光譜圖像進行預(yù)處理，可以得到原始高光譜圖像，利用預(yù)設(shè)的低秩背景特征提取模型對原始高光譜圖像進行特征提取操作，即可得到低秩背景特征，再利用預(yù)先構(gòu)建的多尺度融合特征提取模型，可以提取原始高光譜圖像的全局特征和局部特征；對低秩背景特征、全局特征和局部特征進行整合處理，將得到的目標(biāo)重建背景圖像與高光譜圖像進行比較，識別異常區(qū)域。由此，通過采用低秩背景特征提取與多尺度融合特征提取實現(xiàn)高光譜圖像災(zāi)害監(jiān)測，解決了現(xiàn)有檢測方法檢測過程耗時長、效率低、精度低的問題，具有自動化、高精度、快速高效等優(yōu)點。

25、為達到上述目的，本發(fā)明第二方面實施例提出一種基于低秩嵌入與多尺度的異常檢測裝置，包括：

26、獲得模塊，用于獲取高光譜圖像，并對所述高光譜圖像進行預(yù)處理，得到原始高光譜圖像；

27、提取模塊，用于利用預(yù)設(shè)的低秩背景特征提取模型對所述原始高光譜圖像進行特征提取操作，得到低秩背景特征，并利用預(yù)先構(gòu)建的多尺度融合特征提取模型，提取所述原始高光譜圖像的全局特征和局部特征；

28、識別模塊，用于對所述低秩背景特征、所述全局特征和所述局部特征進行整合處理，將得到的目標(biāo)重建背景圖像與所述高光譜圖像進行比較，識別異常區(qū)域。

29、根據(jù)本發(fā)明的一個實施例，所述獲得模塊，具體用于：

30、利用預(yù)設(shè)的低秩張量分解的降噪算法，確定所述高光譜圖像的全局空間和光譜相關(guān)性，同時基于自適應(yīng)權(quán)重圖全變分策略刻畫所述高光譜圖像在空間維度上的分段平滑特性并保留所述高光譜圖像的邊緣信息。

31、根據(jù)本發(fā)明的一個實施例，所述預(yù)設(shè)的低秩背景特征提取模型為：

32、

33、其中，為通過字典順序?qū)⑷S張量展平為矩陣的運算符，為一個卷積層，為表示另一個卷積層，為最后一個卷積層，為輸入的三位張量，為激活函數(shù)。

34、根據(jù)本發(fā)明的一個實施例，在利用所述預(yù)先構(gòu)建的多尺度融合特征提取模型，提取所述原始高光譜圖像的全局特征和局部特征之前，所述提取模塊，還包括：

35、獲得單元，用于獲取歷史高光譜圖像，并對所述歷史高光譜圖像進行預(yù)處理，得到預(yù)處理后的歷史高光譜圖像；

36、提取單元，用于利用視覺變換器提取所述預(yù)處理后的歷史高光譜圖像的全局上下文信息，并利用擴張卷積神經(jīng)網(wǎng)絡(luò)提取所述預(yù)處理后的歷史高光譜圖像的局部信息；

37、融合單元，用于將所述全局上下文信息和所述局部信息進行融合，得到融合特征數(shù)據(jù)，將所述融合特征數(shù)據(jù)按照預(yù)設(shè)劃分比例劃分為訓(xùn)練集和驗證集；

38、訓(xùn)練單元，用于利用所述訓(xùn)練集對預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練得到初始神經(jīng)網(wǎng)絡(luò)模型，并利用所述驗證集驗證所述初始神經(jīng)網(wǎng)絡(luò)模型，直到所述初始神經(jīng)網(wǎng)絡(luò)模型滿足預(yù)設(shè)標(biāo)準(zhǔn)，結(jié)束對所述預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)的迭代訓(xùn)練，得到所述所述預(yù)先構(gòu)建的多尺度融合特征提取模型，否則，調(diào)整所述預(yù)設(shè)劃分比例，并基于調(diào)整后的新的訓(xùn)練集進行迭代訓(xùn)練。

39、根據(jù)本發(fā)明的一個實施例，所述提取單元，具體用于：

40、通過堆疊不同擴張率的擴張卷積，獲取所述預(yù)處理后的歷史高光譜圖像的多尺度圖像特征；

41、利用3×3卷積核提取所述預(yù)處理后的歷史高光譜圖像的局部特征；

42、將所述多尺度圖像特征和所述局部特征進行融合，得到所述預(yù)處理后的歷史高光譜圖像的局部信息。

43、根據(jù)本發(fā)明的一個實施例，所述識別模塊，具體用于：

44、分別對所述全局特征和所述局部特征進行1×1卷積降尺度處理，得到全局低維特征和局部低維特征；

45、采用預(yù)設(shè)的逐像素加權(quán)策略將所述全局低維特征和所述局部低維特征進行融合，得到初始背景重建背景圖像；

46、采用預(yù)設(shè)的雙線性差值策略對所述初始背景重建背景圖像進行上采樣處理得到上采樣特征，利用所述3×3卷積核對所述上采樣特征進行反卷積操作，得到所述目標(biāo)重建背景圖像。

47、根據(jù)本發(fā)明實施例提出的基于低秩嵌入與多尺度的異常檢測裝置，通過對高光譜圖像進行預(yù)處理，可以得到原始高光譜圖像，利用預(yù)設(shè)的低秩背景特征提取模型對原始高光譜圖像進行特征提取操作，即可得到低秩背景特征，再利用預(yù)先構(gòu)建的多尺度融合特征提取模型，可以提取原始高光譜圖像的全局特征和局部特征；對低秩背景特征、全局特征和局部特征進行整合處理，將得到的目標(biāo)重建背景圖像與高光譜圖像進行比較，識別異常區(qū)域。由此，通過采用低秩背景特征提取與多尺度融合特征提取實現(xiàn)高光譜圖像災(zāi)害監(jiān)測，解決了現(xiàn)有檢測方法檢測過程耗時長、效率低、精度低的問題，具有自動化、高精度、快速高效等優(yōu)點。

48、為達到上述目的，本發(fā)明第三方面實施例提出一種電子設(shè)備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述程序，以實現(xiàn)如上述實施例所述的基于低秩嵌入與多尺度的異常檢測方法。

49、為達到上述目的，本發(fā)明第四方面實施例提出一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行，以用于實現(xiàn)如上述實施例所述的基于低秩嵌入與多尺度的異常檢測方法。

50、為達到上述目的，本發(fā)明第五方面實施例提出一種計算機程序產(chǎn)品，計算機程序被執(zhí)行時，以用于實現(xiàn)如上述實施例所述的基于低秩嵌入與多尺度的異常檢測方法。

51、本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。