【技術實現步驟摘要】
本專利技術屬于高光譜異常檢測，具體涉及一種基于對偶光譜親和約束的高光譜異常檢測方法。
技術介紹
1、高光譜異常檢測(had)是指在沒有異常光譜先驗的情況下，識別與背景顯著不同的異常。在這一領域，利用深度學習網絡，特別是基于重構的方法，已成為解決had任務的主要技術之一。這些方法通過對原始高光譜圖像進行重構，提取出其中潛在的關鍵特征，從而提高異常檢測的精度。然而，現有的大多數基于重構的技術仍存在一定的不足：
2、1)現有方法通常采用數據塊(patch)作為輸入，雖然能夠提供中心像素與周圍像素之間的空間相關性信息，但忽視了中心像素自身獨特的光譜特性。這種做法可能導致對異常像素的特征表達能力不足，從而限制了檢測性能。
3、2)大多數基于重構的方法僅關注每個像素的單獨特性，而忽略了中心像素與其周圍像素之間的光譜相關性及相關關系。這種局限性可能導致異常目標被錯誤重構為背景分布，從而降低了檢測的準確性。
4、具體而言，現有的基于重構的方法雖然能有效提取潛在特征并提高異常檢測的精度，但在建模過程中未能充分利用patch之間的光譜約束關系，導致在捕捉空間光譜協同特性方面存在不足，限制了重構精度和檢測效果。目前存在以下幾種主流高光譜異常檢測方法：
5、directnet方法通過擦除中心塊信息在網絡感受野內建立一個內部窗口，使得內部窗口的內容在中心像素重構過程中保持不可見。內窗之外的感受野被認為是外窗。但該方法存在完全擦除中心塊信息可能導致局部細節丟失的缺陷，降低對精細異常區域的檢測能力。gt-had
6、專利cn118334513a(“基于深度特征聚合的高光譜異常檢測方法”)介紹了一種充分利用高光譜圖像的空間-光譜信息的深度特征聚合網絡模型。設計多重聚合分離損失函數，促使模型能夠增強潛在背景特征的表征并且弱化潛在異常特征的表征，實現高光譜異常檢測。但該方法在增強背景特征表征的同時，過度弱化異常特征表征會導致對弱異常的檢測能力不足。
7、專利cn118154541a(“一種基于雙層協同結構改進的高光譜異常檢測方法”)提出一種雙層協同表示結構，通過第一層協同表示算法將大部分異常點預檢出，并用鄰域均值向量填充進行背景純化，有效降低異常點對背景的污染。然后再對背景純化后的高光譜圖像進行重構，從而利用重構誤差即可得到異常檢測結果。該方法中預檢性能直接影響后續處理，若預檢存在遺漏或誤檢，將顯著降低整體檢測效果。
8、在高光譜異常檢測領域，現有技術在將patch作為輸入時，這種處理方式雖然可以雖然能夠提供中心像素與周圍像素之間的空間相關性信息，但會忽視中心像素自身獨特的光譜特性。具體來說，這種方法通過圖像patch做為輸入，將中心像素與其周圍像素的空間相關性信息作為主要特征進行建模，強調了空間鄰域對異常檢測的貢獻。然而，這種處理方式往往會將中心像素的光譜特性與周圍像素的特性混合起來，弱化了對中心像素自身獨特光譜特征的關注。這可能導致異常像素由于其光譜特性與鄰域相似而被誤判為背景，或由于異常目標的空間分布較小而難以被準確識別。因此，在高光譜異常檢測中，忽略中心像素光譜特性可能會對檢測結果的魯棒性和精確性造成不利影響。
9、此外，當前的大多數基于重構的方法僅關注每個像素的單獨特性，將每個像素視為獨立個體進行重構，而忽略了中心像素與其周圍像素之間的光譜相關性及空間關系。這種局限性可能導致方法在捕獲空間光譜聯合特征時表現不足，使得異常目標的特征信息被部分或完全重構為與背景一致的分布，進而使得異常目標在檢測過程中被忽略或誤判。這種情況在異常目標的光譜特性接近背景，或空間分布較小、不顯著時尤為突出，顯著降低了檢測算法的整體性能和魯棒性。
10、因此，為了提高高光譜異常檢測的準確性與魯棒性，有必要開發新的技術方法，這些方法不僅要充分挖掘中心像素的獨特光譜特性，還要有效結合其與周圍像素之間的光譜相關性和空間相關性，以便更準確地識別異常目標并避免誤判。
技術實現思路
1、為了克服上述現有技術存在的不足，本專利技術的目的在于提供一種基于對偶光譜親和約束的高光譜異常檢測方法，該異常檢測方法不僅能夠同時捕捉每個像素的獨特光譜特征，還能夠有效建模該像素與其鄰域像素之間的光譜親和關系。最終，從而有效提升異常檢測的準確性和魯棒性，尤其在復雜背景和弱異常的場景下，能夠更準確地區分異常區域與背景區域。
2、為了實現上述目的，本專利技術采用的技術方案是：
3、基于對偶光譜親和約束的高光譜異常檢測方法，包括以下步驟；
4、步驟1：對輸入高光譜圖像h進行預處理；
5、步驟2，構建基于對偶光譜親和約束的高光譜異常檢測模型ω；所述高光譜異常檢測模型ω以預處理的高光譜圖像h為輸入，將重構拼接成重構圖像h′，計算對高光譜圖像h和重構圖像h′的重構誤差，并計算馬氏距離得到異常檢測結果；
6、步驟3：定義高光譜異常檢測模型ω的均方誤差損失函數loss；
7、步驟4：訓練高光譜異常檢測模型ω；
8、步驟5：利用完成訓練的高光譜異常檢測模型ω進行異常檢測重構。
9、所述步驟1具體為：
10、對高光譜圖像進行歸一化操作，將數據范圍固定在[-1,1],表示h的行像素數、n表示h的列像素數，b表示h的光譜波段數，表示實數集，從h中以hi為中心像素提取大小為3×3的鄰域將hi像素復制成大小同樣為3×3的中心和分別作為所述線性層的輸入；
11、對于處理后的每一個像素hi根據以下公式將其轉換為鄰域和中心
12、
13、其中，k表示patch的大小，φ(hi,h,k)表示從h中以hi為中心像素提取大小為k的patch，而表示將hi像素多次復制形成大小為k的patch，和分別作為兩個分支的輸入，并且大小一致，再將三維圖像變換成二維圖像作為高光譜異常檢測模型ω輸入。
14、所述步驟2具體為：
15、2.1)構建特征空間的d維映射特征，利用具有特征嵌入功能的線性層將和的通道維度由原始維度b維線性變換至d維，獲取鄰域嵌入向量和中心嵌入向量即
16、
17、其中f(·)表示所提出的線性層的前向傳播，θsemb和θcemb分別表示鄰域patch維度線性層和中心patch維度線性層的權重；
18、2.2)構建對偶特征編碼器中的特征提取器；
19、所述步驟2.2)中，特征提取器由層歸一化layernorm，多尺度視覺注意力，dropout層，殘差連接以及前饋網絡五個部分組成，并按順序執行主干計算，同時通過殘差連接實現輸入與輸出的融合；
20、其中，層歸一化用于模型輸入，標準化輸入特征的分布，減輕梯度消失或爆炸問題，提高訓練穩定性和模型收斂速度；...
【技術保護點】
1.基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，包括以下步驟；
2.根據權利要求1所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟1具體為：
3.根據權利要求2所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，對于處理后的每一個像素hi根據以下公式將其轉換為鄰域patchhis和中心
4.根據權利要求3所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟2具體為：
5.根據權利要求4所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟2.2)中，特征提取器由層歸一化LayerNorm，多尺度視覺注意力，Dropout層，殘差連接以及前饋網絡五個部分組成，并按順序執行主干計算，同時通過殘差連接實現輸入與輸出的融合。
6.根據權利要求4所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟2.2)具體為：
7.根據權利要求4所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述高光譜異常檢測模型Ω包括對偶特征編碼器、對
8.根據權利要求7所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述對偶特征編碼器前為線性層，線性層用于實現特征嵌入功能；
9.根據權利要求4所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟3具體為：
10.根據權利要求9所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟4具體為：
...【技術特征摘要】
1.基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，包括以下步驟；
2.根據權利要求1所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟1具體為：
3.根據權利要求2所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，對于處理后的每一個像素hi根據以下公式將其轉換為鄰域patchhis和中心
4.根據權利要求3所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟2具體為：
5.根據權利要求4所述的基于對偶光譜親和約束的高光譜異常檢測方法，其特征在于，所述步驟2.2)中，特征提取器由層歸一化layernorm，多尺度視覺注意力，dropout層，殘差連接以及前饋網絡五個部分組成，并按順序執行主干計...
【專利技術屬性】
技術研發人員：張向榮，徐宏偉，邱榮霞，吳詩琪，王冠淳，韓驍，朱進，焦李成，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。