一种基于低秩约束自编码的高光谱异常检测方法及系统

技术领域

本申请涉及高光谱异常检测的技术领域，具体地涉及一种基于低秩约束自编码的高光谱异常检测方法及系统。

背景技术

高光谱图像中的异常目标一般是指光谱信息和周围其他像素的光谱信息存在非常大差别的目标。一般情况下，高光谱图像中的异常目标都是小目标，而且在图像中分布稀疏。高光谱异常检测和高光谱目标检测最大的不同点是高光谱异常检测不需要预先知道任何目标的先验知识，即不需要知道异常目标的光谱信息，只需要将目标与周围环境的光谱特征进行比较，如果存在非常大的差异，就可以认为其是潜在可疑目标。高光谱异常检测通常可以为进一步的目标准确识别提供感兴趣的区域，它最突出的特点在于不需要待检测目标的任何光谱先验信息，直接识别图像中可疑的潜在目标。因此高光谱异常目标检测系统已经在环境监控、矿产资源勘探和国家安全等领域广泛应用。

目前，由于深度神经网络可以提取底层与高层抽象特征，因此深度神经网络也被应用到高光谱异常检测领域。自编码网络或者深度置信网络经常被用来提取高光谱图像的特征，然后采用重构误差来检测异常目标。为了进一步提高检测精度，利用堆叠自编码器提取光谱特征，然后采用稀疏低秩矩阵分解来检测异常目标。另外，基于卷积神经网络的高光谱异常检测方法，利用不同像素对间的光谱差异来训练卷积神经网络，通过计算相似度分数来进行异常目标判断。

现有的基于深度神经网络学习的方法在异常检测网络中，对高光谱数据的本质结构挖掘不充分。与背景相比，异常出现概率低，背景是主要成分，具有低秩先验。如何更好的挖掘高阶低秩特性用于背景重构，利用重构误差判别异常，是亟需解决的技术问题。

背景的低秩特性在传统浅层表示中已被广泛应用，然而未被引入深度学习。自编码网络是一个被广泛应用的无监督网络，旨在以最小重构误差来重构输入数据。在重构数据时，为了挖掘背景的低秩特性，基于低秩约束的AE(Autoencoder，自编码)网络用于高光谱异常检测。具体地，将低秩约束应用于AE的隐层表示，以探索深度低秩表示。实际上，数据间是高度非线性的，与传统浅层低秩表示方法相比，提出的深度低秩表示方法可更好的挖掘高阶低秩特性用于背景重构，利用重构误差判别异常。

本背景技术描述的内容仅为了便于了解本领域的相关技术，不视作对现有技术的承认。

发明内容

因此，本发明实施例意图提供一种基于低秩约束自编码的高光谱异常检测方法及系统，用于将低秩约束应用于自编码网络的隐层表示，挖掘高阶低秩特性用于背景重构，利用重构误差判别异常。

在第一方面，本发明实施例提供了一种基于低秩约束自编码的高光谱异常检测方法，其特征在于，包括：以下步骤：

步骤一、输入待检测的高光谱数据X，设置网络参数W、b，学习率α、调节参数λ

步骤二、利用低秩约束构造所述高光谱数据X的损失函数，所述损失函数为：

其中，x

步骤三、利用所述的损失函数学习网络，更新网络参数{W，b}，获得所述输入数据X的重构数据

步骤四：构造误差矩阵E，其中

步骤五：对重构误差矩阵进行检测；

可选的，所述编码函数f为非线性函数；

可选的，将λ

在本发明实施例中，在第二方面，本发明实施例提供了一种基于低秩约束自编码的高光谱异常检测系统，其特征在于，高光谱数据采集模块、特征表示模块、低秩约束模块以及重构数据模块，所述高光谱数据采集模块将采集到的高光谱数据进行编码后输入到所述特征表示模块；所述特征表示模块将编码数据解码后输入到所述重构数据模块。

可选的，所述低秩约束模块属于所述特征表示模块；

可选的，所述特征表示模块在所述低秩约束模块约束下构造目标函数：

其中，l＝1,2,…,L(L为网络层数)。X为输入数据，/>

可选的，低秩约束自编码网络的损失函数为：

其中，x

本发明实施例的其他可选特征和技术效果一部分在下文描述，一部分可通过阅读本文而明白。

附图说明

以下，结合附图来详细说明本发明的实施例，所示出的元件不受附图所显示的比例限制，附图中相同或相似的附图标记表示相同或类似的元件，其中：

图1示出了一种可以实施本发明实施例的自编码网络的结构示意图；

图2示出了一种可以实施本发明实施例的高光谱异常检测系统示意图；

图3示出了一种可以实施本发明实施例的高光谱异常检测方法的流程示意图；

图4示出了一种可以实施本发明实施例的高光谱异常检测方法的ROC曲线(接收器操作特性曲线)与现有技术方法的对比示意图；

图5示出了一种可以实施本发明实施例的高光谱异常检测方法的在数据集上与现有技术方法的对比示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合具体实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

在本发明的实施例中，提供一种基于低秩约束自编码的高光谱异常检测方法及系统，用于将低秩约束应用于自编码网络的隐层表示，挖掘高阶低秩特性用于背景重构，利用重构误差判别异常。

图1示出了一种可以实施本发明实施例的自编码网络的结构示意图，如图1所示的自编码网络包括：输入X、隐层Z以及输出

其中，θ

在图1所示的自编码网络中输出

其中，θ

图1所示自编码网络旨在尽可能对输入数据进行重构。因此，目标函数如公式(3)所示：

其中，x，

图2示出了一种可以实施本发明实施例的高光谱异常检测系统示意图，如图2所示的高光谱异常检测系统示意图包括：高光谱数据采集模块、特征表示模块、低秩约束模块以及重构数据模块。其中，低秩约束模块可以为独立的模块也可以包含于特征表示模块中，本申请不做具体限制。在图2所示实施例中所述高光谱数据采集模块将采集到的高光谱数据进行编码后输入特征表示模块；特征表示模块将编码数据解码后输入到重构数据模块。在图1所示的实施例中隐层Z是输入数据在深度特征空间的特征表示。为了在深度自编码框架下挖掘数据的低秩先验，引入低秩约束模块，并构造目标函数如公式(4)所示：

其中，l＝1,2,…,L(L为网络层数)。X为输入数据，

低秩约束自编码网络的损失函数表示如公式(5)所示：

其中，x

在高光谱影像中，背景占总像素的绝大多数，在网络学习中贡献最大，设计的低秩自编码网络可以很好的学习背景。从残差角度看，低秩约束自编码网络对背景像素的表示残差小，而对异常像素的表示残差比较大。因此，利用低秩约束自编码网络的重构误差判别异常。

利用设计的损失函数(5)学习网络，得到网络参数{W，b}，获得高光谱数据X的重构数据

输入数据与重构数据之间的误差为

图3示出了一种可以实施本发明实施例的高光谱异常检测方法的流程示意图，如图3所示的高光谱异常检测方法包括如下步骤：

S301：采集输入数据，并设置参数的初始值；将采集到的高光谱数据作为自编码网络的输入数据X，设置自编码网络层数L、每层神经元个数，初始网络参数W和b，学习率α，调节参数λ

S302：在低秩约束构造构造高光谱数据X的损失函数，根据损失函数更新网络各层的网络参数

S303：获得X的重构数据

S304：获得重构误差矩阵，其中，重构误差矩阵E为

S305：对重构误差矩阵进行检测，可以对误差矩阵E采用RX算子检测异常。

S306：输出高光谱异常检测结果。

图4示出了一种可以实施本发明实施例的高光谱异常检测方法的ROC曲线(接收器操作特性曲线)与现有技术方法的对比示意图。如图4所示407为本申请实施例提供的高光谱异常检测方法的ROC曲线图，401、402、403、404、405以及406分别为现有技术中高光谱异常检测方法的ROC曲线图。图4所示横坐标为虚警率，纵坐标为检测率。当ROC曲线越靠近框图的左上方时，表明高光谱异常检测方法的检测精度越高。如图4所示，当检测率达到0.9时，401、402和407所示方法的虚警率较低，其虚警率均小于0.05，优于其他方法；当检测率为1时，401、405和407的虚警率较低。整体看本申请实施例所提供的高光谱异常检测方法表现较好。现有技术的方法中，尽管在虚警率低于0.05时，表现良好，但检测率很难达到1，对于一些异常，存在漏检的情况。

图5示出了一种可以实施本发明实施例的高光谱异常检测方法的在数据集上与现有技术方法的对比示意图。图5中的图(a)为异常像素所在位置的参考图，图(b)–图(h)分别是利用不同方法得到的检测结果图，其中图(h)为本申请实施例提供的高光谱数据检测方法的检测结果。从图(a)可以得到，数据集的异常为像素级的点状异常，基于背景统计的图(b)和图(c)方法可以很好的压缩背景，但由于背景统计受异常干扰，使得图(b)和图(c)关于异常像素存在漏检的情况。在图(d)中，检测出的异常含有较多背景干扰，检测结果不准确。利用基于解混的方法得到的结果图(e)中，一些异常被漏检，而一些背景区域被误检为异常。利用低秩表示的方法可以很好的检测异常，同时压缩背景，在其检测结果图(f)中，背景和异常对比明显，很容易判别异常，表明低秩先验在高光谱异常检测中发挥了积极作用。对比图(g)和图(h)，可以看到在利用本申请实施例所提供的高光谱数据异常检测方法得到的检测结果图中，很容易区分异常，且优于现有技术的检测算法，有利用检测异常。

在本文中，针对本发明的多个实施例进行了描述，但为简明起见，各实施例的描述并不是详尽的，各个实施例之间相同或相似的特征或部分可能会被省略。在本文中，“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”意指适用于根据本发明的至少一个实施例或示例中，而非所有实施例。上述术语并不必然意味着指代相同的实施例或示例。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

已参考上述实施例具体示出并描述了本发明的示例性系统及方法，其仅为实施本系统及方法的最佳模式的示例。本领域的技术人员可以理解的是可以在实施本系统及/或方法时对这里描述的系统及方法的实施例做各种改变而不脱离界定在所附权利要求中的本发明的精神及范围。