法律状态公告日
法律状态信息
法律状态
2019-08-23
授权
授权
2017-05-24
实质审查的生效 IPC(主分类):G06T7/00 申请日:20161230
实质审查的生效
2017-04-26
公开
公开
技术领域
本发明涉及一种高光谱遥感图像的异常检测,属于高光谱图像处理领域。
背景技术
受高光谱图像空间分辨率的限制,当所要检测的目标光谱未知或目标较小时,其容易淹没在地物背景中,此时异常检测方法对于搜索此类目标是一种非常有效的手段。由于缺少先验知识,异常检测的关键过程是对背景信号进行估计,进而突出目标与背景之间的差异并检测出目标。高光谱图像具有丰富的光谱信息以及复杂的空间信息,提高参考背景的一致性并更合理的建模能有效提升检测效果。经典的背景模型构造方法例如多元正态分布,子空间分布等往往限定高光谱图像只能按照固定模型进行分布,这种分布方式只在高光谱图像背景较为一致时适用,并且高光谱图像并不完全遵从与高斯分布,因此亟待找到一种有效的建模方法。
发明内容
本发明目的是为了解决现有背景模型构造方法限定高光谱图像背景较为一致时适用的问题,提供了一种基于聚类自适应窗高光谱图像异常检测方法。
本发明所述基于聚类自适应窗高光谱图像异常检测方法,该高光谱图像异常检测方法的具体过程为:
步骤1、对高光谱图像进行光谱维主成分分析,生成光谱子空间,实现光谱维的降维;
步骤2、对每个待检测像素生成自适应窗;生成的自适应窗为二值矩阵,二值矩阵的中心与待测像素重合,矩阵内为“1”的像素表示高光谱图像中为同质背景区域的像素,用于计算参考背景的统计特性,矩阵内为“0”的像素表示高光谱图像中为非同质背景区域的像素,不用于计算参考背景的统计特性;
步骤3、利用步骤1获取的主成分分析结果和椭圆等高模型对自适应窗内进行背景对数似然估计,检测出异常像元,将目标置为“1”,背景置为“0”,生成初步的检测结果矩阵;
步骤4、利用形态学滤波进行后处理,得到最终的检测矩阵结果。
本发明的优点:本发明提出了一种基于聚类分割和自适应窗的高光谱图像异常检测方法,通过降维处理对异常目标能量进行集中,结合聚类分割并对每种地物类别进行局部自适应窗限制以获取更优的背景模型。本发明在异常检测时,首先利用聚类分割技术对目标像素生成一个自适应窗以获取其临近的同质背景区域,之后利用椭圆等高模型这一类高斯模型对背景进行建模,并通过有限混合模型将高光谱图像划分为多个分布的组合,提高建模的精度;结合异常检测算法能够有效的检测出图像中的异常目标并具有较强的鲁棒性。
本方法首先利用主成分分析方法进行数据降维减少运算量;其次利用优化的k均值聚类算法将具有相似光谱特性的像素进行分类分割,对不同类别地物进行自适应窗限制以获取更一致的地物背景;然后在局部窗下对每一类地物分别建立参数矩阵以获取椭圆等高模型;之后进行异常检测并阈值分割找出异常像元;最后进行后处理除去大面积连通区域提高检测效率并降低虚警率。
本发明提出的基于聚类自适应窗高光谱图像异常检测方法,主要用于精确检测高光谱图像中与背景具有不同光谱特性的异常目标。
附图说明
图1是本发明所述基于聚类自适应窗高光谱图像异常检测方法的流程框图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于聚类自适应窗高光谱图像异常检测方法,该高光谱图像异常检测方法的具体过程为:
步骤1、对高光谱图像进行光谱维主成分分析,生成光谱子空间,实现光谱维的降维;
步骤2、对每个待检测像素生成自适应窗;生成的自适应窗为二值矩阵,二值矩阵的中心与待测像素重合,矩阵内为“1”的像素表示高光谱图像中为同质背景区域的像素,用于计算参考背景的统计特性,矩阵内为“0”的像素表示高光谱图像中为非同质背景区域的像素,不用于计算参考背景的统计特性;
步骤3、利用步骤1获取的主成分分析结果和椭圆等高模型对自适应窗内进行背景对数似然估计,检测出异常像元,将目标置为“1”,背景置为“0”,生成初步的检测结果矩阵;
步骤4、利用形态学滤波进行后处理,得到最终的检测矩阵结果。
本实施方式中,步骤4利用形态学滤波进行后处理,去除检测矩阵中大范围连通区域。能够提高异常检测精度。
具体实施方式二:下面结合图1说明本实施方式,本实施方式对实施方式一作进一步说明,步骤1所述对高光谱图像进行光谱维主成分分析的具体过程为:
步骤1-1、对高光谱图像矩阵进行标准化变换;
步骤1-2、获取变换后的相关矩阵;
步骤1-3、获取相关矩阵的特征根,确定高光谱图像的主成分。
具体实施方式三:下面结合图1说明本实施方式,本实施方式对实施方式一或二作进一步说明,步骤2所述对每个待检测像素生成自适应窗的具体过程为:
步骤2-1、对每一个待测像素生成一个w×w的自适应窗,将自适应窗的中心初始化为“1”,其他区域初始化为“0”;
步骤2-2、利用皮尔逊准则和均方根误差最小化方法对高光谱图像进行解混,并确定端元数N;
步骤2-3、利用K均值聚类方法将高光谱图像划分为N类,并对所有像素添加类别标签;
步骤2-4、比较自适应窗范围内像素和中心点的类别标签,将自适应窗中与中心像素标签一致的像素置为“1”,获得每个像素的最终自适应窗。
具体实施方式四:下面结合图1说明本实施方式,本实施方式对实施方式三作进一步说明,步骤3所述检测异常像元,生成初步检测结果矩阵的具体过程为:
步骤3-1、将目标检测矩阵初始化为“0”;
步骤3-2、分别对每一个像素类所在的自适应窗采用椭圆等高分布进行建模,获得每一类椭圆等高分布的参数pb(x):
其中,x表示像素点,μ为自适应窗内矩阵的均值,C为窗矩阵的协方差矩阵,v为可选择的参数,d为高光谱图像降维后保留的主成分个数;
步骤3-3、按照背景对数似然估计函数对于每一个像素点求异常值:
D(x)=-log(1/pb(x));
步骤3-4、根据给定阈值筛选出异常像元,将异常值大于给定阈值的置为“1”,获得初步的检测结果矩阵。
具体实施方式五:下面结合图1说明本实施方式,本实施方式对实施方式四作进一步说明,步骤4所述利用形态学滤波进行后处理的具体过程为:
步骤4-1、根据高光谱图像空间分辨率,获得待检测目标最大可能值m×n;
步骤4-2、生成m×n的结构元素,利用该结构元素对检测矩阵进行形态学开操作;
步骤4-3、用原始目标检测矩阵减去形态学开操作后的目标检测矩阵,得到最终的检测矩阵结果。
机译: 基于用户位置自适应聚类的异常得分生成
机译: 基于自适应聚类学习的视觉关系检测方法和系统
机译: 基于自适应色彩聚类的人脸位置检测方法