一种基于新型多元偏态t分布模型的高光谱图像异常检测方法

技术特征：
1.一种基于新型多元偏态t分布模型的高光谱图像异常检测方法，其特征在于，包括如下步骤：步骤1，对原始高光谱图像数据x∈r
mn
×
b
，使用rx算法进行预处理，得到其背景图像部分；其中m、n表示图像的空间维度，mn即像元数，b表示光谱维度；步骤2，将背景图像部分作为基于光谱角度余弦的栈式降噪自编码器网络的输入，对网络进行训练以获得训练好的栈式降噪自编码器；步骤3，将原始高光谱图像作为训练好的栈式降噪自编码器的输入，选择输出层结果输出，得到重建的高光谱图像数据x
′
∈r
mn
×
b
；步骤4，计算重建的高光谱图像中第i个像元的重建光谱向量x
i
′
与原始光谱向量x
i
的差值d
i
，从而得到光谱向量差值图像，对光谱向量差值图像使用局部标准偏差过滤器，从而通过滤波获得异常更为突出的重建误差r
i
∈r
b
，i＝1,2,
…
,mn；步骤5，将重建误差输入到mvskt分布模型中，计算得到异常评分ad(r
i
)，根据异常评分ad(r
i
)判断待测像元类别，输出异常检测结果。2.根据权利要求1所述基于新型多元偏态t分布模型的高光谱图像异常检测方法，其特征在于，所述步骤1中，背景图像部分的获取过程如下：步骤1.1，设原始高光谱图像中第i个像元的光谱向量为x
i
∈r
b
；步骤1.2，设定原始高光谱图像中的背景像元服从高斯分布，通过构造目标与背景窗口，在图像局部区域利用马氏距离计算待测像元与背景像元之间的差异值，并根据差异值大小来判断待测像元类型，根据下式计算得出判断结果：式中，μ
b
表示背景的均值，c
b
表示背景的协方差矩阵，η表示rx算法判定阈值，如果rx(x
i
)<η则初步判断待测像元为背景部分，否则，初步判断待测像元为异常部分；步骤1.3，针对包含超过图像总像素数百分之一的大异常目标图像，将rx算法阈值设定为500，采用固定值替换法得到背景图像；针对包含少于图像总像素数百分之一的小异常目标图像，将rx算法阈值设定为350，采用周围像元替换法得到背景图像；最终将原始高光谱图像根据rx算法的检测结果分为背景图像部分与异常图像部分。3.根据权利要求1所述基于新型多元偏态t分布模型的高光谱图像异常检测方法，其特征在于，所述步骤2中，栈式降噪自编码器的训练过程如下：步骤2.1，采用栈式降噪自编码器网络，在训练时使用基于光谱角度余弦cos(θ
sa
)的重建损失函数，其中cos(θ
sa
)的计算式如下：式中a和b表示自编码器网络的输出重建光谱向量与输入光谱向量，o表示光谱的波段数；将光谱角度纳入到重建损失函数e
sa
中有如下公式：
式中，f(z
(l)
)代表了自编码器的输出重建光谱向量a，y代表了输入光谱向量b，l表示自编码器的层数，f(z
(l)
)中的z
(l)
表示为：z
(l)
＝w
(l-1)
a
(l-1)
b
(l-1)
式中，a
(l)
＝f(z
(l)
)表示经过自编码器l层处理过后的光谱向量，a
(1)
＝x为原始光谱向量，l＝l,l-1,l-2,
…
,2，l表示自编码器层数，w
(l-1)
、b
(l-1)
分别表示自编码器第l-1层的权重矩阵与偏置矩阵；将正则项包括在内，得到最终的重建损失函数e
sa
如下式，式中，w、b分别表示权重矩阵与偏置矩阵，y
(m)
代表了第m个像元的输入光谱向量，λ为正则化参数，i、j分别代表第l层和l 1层中的像元数量；步骤2.2，栈式降噪自编码器网络中使用sigmoid函数作为激活函数，在其隐藏层中，设定隐藏层1到5层基于隐藏层3神经元数量呈对称分布，第1个到第3个自编码器中的神经元数量逐层下降；步骤2.3，在输入背景图像后，首先进行预训练，第一步训练从输入层到隐藏层1和隐藏层5到输出层的参数，实现对输入层添加高斯噪声的图像的重建，训练完成后，固定训练所得到的参数；第二步训练从隐藏层1到隐藏层2和隐藏层4到隐藏层5的参数，实现对隐藏层1的输出图像的重建，训练完成后，固定训练所得到的参数；第三步训练最中间隐藏层3的输入和输出参数，实现对隐藏层2的输出图像的重建，训练完成后，固定训练所得到的参数；步骤2.4，经过预训练，网络中的各个参数值均初始化到了合适的数值，再将训练得到的参数的隐藏层整合到一起进行训练，实现对输入层添加高斯噪声的图像的重建，对各层之前训练得到参数进行小范围的调整，最终得到训练好的栈式降噪自编码器。4.根据权利要求3所述基于新型多元偏态t分布模型的高光谱图像异常检测方法，其特征在于，所述步骤2.2，网络学习率设定为10-3
，epoch设定为100，批大小设定为400。5.根据权利要求1所述基于新型多元偏态t分布模型的高光谱图像异常检测方法，其特征在于，所述步骤4，重建误差r
i
的获得步骤如下：步骤4.1，对于重建高光谱图像x
′
∈r
mn
×
b
，按照下式计算每个像元的重建光谱向量x
i
′
与原始光谱向量x
i
的差值d
i
，从而获得光谱向量差值图像；d
i
＝x
i-x
i
′
步骤4.2，对获得的光谱向量差值图像使用局部标准偏差过滤器预处理，经过过滤器滤波后，异常像元的局部标准偏差高于背景像元的局部标准偏差，从而通过滤波获得异常更为突出的重建误差r
i
。6.根据权利要求1所述基于新型多元偏态t分布模型的高光谱图像异常检测方法，其特征在于，所述步骤5，异常评分ad(r
i
)的计算过程如下：步骤5.1，使用多元偏态t分布(multivariate skewed t-distribution，mvskt)模型模
拟重建误差r
i
，在该模型中，r
i
表示为下式：式中，w
i
表示高斯随机向量，z表示广义逆高斯分布的随机变量，m为均值向量，b为偏置向量，t为逆协方差矩阵，设定b>1,α<0,γ
→
∞，且m和t满足正态-wishart先验分布，如下式所示：式中，m0、λ、v0和ψ0为超参数；则多元偏态t分布模型的概率分布函数如下式所示：式中r
i
＝(r
i-m)
t
t(r
i-m)，k
α
(
·
)为第二类α阶修正贝塞尔(bessel)函数,为第二类阶修正贝塞尔(bessel)函数；步骤5.2，当参数确定后，计算概率分布函数的负对数作为异常评分从而实现异常检测，则其异常评分如下式所示，步骤5.3，将步骤4中所得到的重建误差r
i
输入到异常评分公式中计算，即得到最终异常评分ad(r
i
)；步骤5.4，利用阈值分割检测方法根据异常评分ad(r
i
)判断待测像元类别，得到最终异常检测结果。

技术总结
本发明涉及基于新型多元偏态t分布模型的高光谱图像异常检测方法，利用自编码器和新型多元偏态t分布模型建模的方法实现对高光谱图像进行异常检测。具体方法包括：首先使用RX算法对原始高光谱图像进行预处理，选取结果的背景部分输入到栈式降噪自编码器网络中进行训练；然后将原始高光谱图像输入到训练好的栈式降噪自编码器中，输出得到重建的高光谱图像；最后将重建高光谱图像与原始高光谱图像相减得到重建误差，再用多元偏态t分布模型对重建误差进行建模，计算异常评分从而获得异常检测结果。结果。结果。


技术研发人员：宋江鲁奇 罗云麟 于跃 周慧鑫 李幸 李欢 张嘉嘉 张喆 滕翔 刘志宇 杨庆友 王炳健 梅峻溪 白宇婷 朱贺隆
受保护的技术使用者：西安电子科技大学
技术研发日：2022.08.12
技术公布日：2022/11/18