一种基于多行波段处理的高光谱图像实时局部异常检测方法

技术领域

本发明涉及高光谱图像检测领域，尤其涉及一种基于多行波段处理的高光谱图像实时局部异常检测方法。

背景技术

异常检测是高光谱图像处理的重要应用领域。根据算子统计信息的不同，异常检测算法可以分为全局异常检测和局部异常检测。全局异常检测算法采用的是整个高光谱图像的背景估计统计量，在大多数情况下，可以很好的进行异常检测。但当异常目标微弱或仅仅在图像局部范围内而淹没于全局背景时，则无法应用全局异常检测算法进行检测。局部异常检测是指利用局部背景统计信息构造检测算子，进而实现高光谱异常检测，其中部分算法可以达到快速异常检测的效果。

在实际的高光谱检测应用中，随着高光谱图像的空间和光谱分辨率不断提升，增加信息的同时，巨大的数据量导致算法实现异常检测效率较低，并且许多异常目标停留时间非常短，突然出现后迅速消失，若数据处理严重滞后，会降低高光谱数据的应用优势和效率，即便是快速异常检测方法，依然在处理时间上依然无法到实时需求。可以看出，在保证异常检测算法检测精度的同时，提高高光谱异常检测算法时效性也很有必要。

光谱成像技术的发展推进了高光谱图像实时处理的进步，目前大多数高光谱实时检测算法都是在逐像元，逐行或逐波段的基础上完成的，没有考虑在实际中对实时处理的需求。例如，在实际工业化流水操作时，为了降低获得高光谱信息的设备成本，会采用滤光片的方式，实现对多行多个波段数据的同时获取，而现有的高光谱实时检测方法均无法对这种获取数据方式的进行处理，因此实现基于工业化流水检测处理的高光谱实时局部异常检测算法更具有实际价值。

发明内容

根据现有技术存在的问题，本发明公开了一种基于多行波段处理的高光谱图像实时局部异常检测方法，具体包括如下步骤：

S1:读取高光谱图像数据，初始化由滤光片数量确定的波段数量n，初始化基于波段抽取的行数j，并初始化不同波段之间的间隔数k；

S2:根据上述n，j和k值，将数据转换成需要实时检测处理的数据；

S3:建立高光谱数据像素点的光谱向量相关矩阵R(n)的状态方程，

其中，

S4:利用分块矩阵求逆公式更新相关矩阵R(n)的逆矩阵R(n)

S5:利用多行波段相关矩阵的实时局部异常RX算子(RTMRB-CR-RXD)对需要实时检测处理的高光谱数据进行检测，最后得到高光谱图像实时局部异常检测的结果。

进一步地，所述建立相关矩阵R(n)的状态方程，

其中

进一步地，所述利用分块矩阵求逆公式更新相关矩阵R(n)的逆矩阵R(n)

其中，

进一步地，所述多行波段相关矩阵的实时局部异常RX算子(RTMRB-CR-RXD)计算公式为：

由于采用了上述技术方案，本发明提供的一种基于多行波段处理的高光谱图像实时局部异常检测方法，该方法利用多行波段相关矩阵推导出一个新的RXD递推方程，该方程仅由之前的状态和当前正在处理的数据样本组成，从而避免了大量的重复计算。通过将相关矩阵R替换为MRBCM，提出的方法不仅可以应对实时检测到的运动目标，还可以应对单次操作中很可能被RXD检测忽略和淹没的细微目标。本发明实现了对高光谱图像的局部异常检测，同时实现实时处理，达到边传输边检测，避免了高维数据存储和重复计算，一定程度上解决了工业流水检测的实时性问题，并具有较好的局部异常检测效果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的方法的流程示意图；

图2为本发明中滤光片分光线阵推扫成像原理示意图；

图3a-图3c为本发明中abu-beach-4数据集场景，地面真实图以及光谱反射率示意图；

图4a-图4h为本发明中abu-beach-4数据集局部异常检测结果过程示意图；

图5a-图5d为本发明中abu-beach-4数据集局部异常检测结果的3D ROC曲线及其对应的三个2D ROC曲线示意图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示的一种基于多行波段处理的高光谱图像实时局部异常检测方法具体包括以下步骤：

(1)：初始化；

读取高光谱图像数据，初始化由滤光片数量确定的波段数量n，初始化基于波段抽取的行数j，并初始化不同波段之间的间隔数k，如图2所示的滤光片分光线阵推扫成像原理；

(2)：转换；

根据上述n，j和k值，将数据转换成需要实时检测处理的数据；

(3)：建立高光谱数据像素点的光谱向量相关矩阵R(n)的状态方程；

其中，

(4)：利用分块矩阵求逆公式更新相关矩阵R(n)的逆矩阵R(n)

(5)：利用多行波段相关矩阵的实时局部异常RX算子(RTMRB-CR-RXD)对需要实时检测处理的高光谱数据进行检测，最后得到高光谱图像实时局部异常检测的结果。

真实高光谱数据实验

下面按照上述方法步骤，采用一组公开真实的高光谱图像数据集，对本发明提供的一种基于多行波段处理的高光谱图像实时局部异常检测方法进行测试说明，以及应用效果分析和评价。

1.abu-beach-4数据集及参数设定

本节以abu-beach-4真实高光谱图像场景为实验对象，实验研究的场景是来自ROSIS传感器获取的意大利Pavia城市的高光谱图像，如图3(a)所示，场景大小为150×150像素向量，原始ROSIS成像仪可获取102个波段，8个波段数据用于后续的试验，所选代表性的波段子集为[30,40,50,60,70,80,90,100]。地面真实图如图3(b)所示，桥上的车辆为待测目标。光谱反射率如图3(c)所示。

2.实验评价指标

采用3D-ROC曲线对提出算法进行评价，通过三个二维的ROC曲线AUC of(P

3.实验结果分析及评价

本发明提供的一种基于多行波段处理的高光谱图像实时局部异常检测方法在使用一组真实高光谱图像数据实验的结果如表1所示，对应的检测结果过程图像如附图3(a)-图3(h)所示。

根据实时局部异常检测结果，可以分析得到以下结论：

(1)所提方法直接利用获取的数据进行异常检测，实现数据边采集边处理，无需进行全数据存储以及计算重复信息，减少处理时间，并降低所需的存储空间，为实时处理提供了支持。

(2)所提方法具有局部异常检测处理能力，并能在获取每行的每一个波段进行异常检测时，无需重新计算相关矩阵及其逆矩阵，只用当前状态和新的行的波段信息进行递归求解，即利用多行波段的自相关矩阵实现实时局部异常检测。

(3)对于背景中的弱目标和局部异常，通过不断获取多行多个波段的数据，采用基于统计特性的实时异常检测算子，防止弱目标被后来检测到的强目标淹没。

(4)将实时局部异常检测开发的递归方程用于更新创新信息，为工业流水化高光谱图像检测的硬件实现铺平了道路。

表1abu-beach-4数据集异常检测结果AUC值对比

本发明针对滤光片成像光谱仪多行波段成像的原理，提出了一种基于多行波段递归更新的思想，并将这种思想用于局部异常检测中，提出了一种基于多行波段递归的实时局部异常检测算子(RTMRB-CR-RXD)，实现滤光片成像光谱仪在获取多行多个波段信息的同时，得到当前行已有波段的检测结果。另外，通过引入分块矩阵求逆引理，得到算子的波段递归更新，在获取每个波段时无需重复计算已有波段的信息，而是通过多行波段递归更新算子递归获取当前所有波段检测结果，在算法运行过程中只需要存储上一时刻的状态信息和当前待检测像元信息，而无需存储整个高维的光谱数据，大大降低了数据存储空间，并且避免了算子重复的矩阵求逆运算。仿真实验证明，提出的算法在保证局部异常检测性能的同时，可以实现数据边获取边处理的实时过程，为工业流水检测的实时局部异常检测系统提供了理论基础。一组真实公开的高光谱数据集的实验结果，证明了本发明提供的一种基于多行波段处理的高光谱图像实时局部异常检测方法的有效性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。