基于细节与显著性差分卷积网络的高光谱异常检测方法

本发明属于图像处理，具体涉及一种基于细节与显著性差分卷积网络的高光谱异常检测方法。

背景技术：

1、作为图像处理的一个重要分支，高光谱异常检测是一个非常具有研究价值的课题。高光谱图像视场范围广，目标仅占几个像素，非常小，且空间分辨率低，因此高光谱异常检测具有一定的难度。高光谱异常检测是在没有任何先验信息的情况下，对空间和光谱特征与周围背景均存在差异的目标进行无监督检测。高光谱异常检测分为传统方法和基于深度学习的方法的两大类。

2、传统方法可以进一步分为基于统计的方法和基于数据表示的方法。这种基于统计的方法旨在建立高光谱图像(hsi)的背景分布模型，并通过假设检验确定目标位置。然而，在真实的高光谱图像中，当背景信息复杂时，基于统计的方法使用的均值和协方差容易受到异常和噪声的干扰，这将影响检测性能。基于数据表示的方法假设背景像素可以由一些相似的背景像素重建。基于数据表示的方法在建立精确的背景字典方面面临挑战，降低了所获得的低秩矩阵和稀疏矩阵的准确性。

3、基于深度学习的方法可以通过突出的非线性拟合能力，从高光谱图像(hsi)中提取潜在的深层特征，实现对复杂场景的精确映射。基于深度学习的方法可以根据标签的可用性分为监督方法和非监督方法。监督方法在大量标签下训练分类器以促进异常检测。然而，由于缺乏真值标签，这些方法使用其他方法来生成伪标签。无监督方法在没有标签的情况下从高光谱图像(hsi)中提取深度特征。然而忽略了异常周围的局部特征，这些局部特征是高光谱异常检测的重要特征，仅在全局范围内提取特征进行网络训练，很难实现干净的高光谱图像背景，这种局限性限制了这些方法在异常检测中的有效性。

技术实现思路

1、有鉴于此，本发明的主要目的在于提供一种基于细节与显著性差分卷积网络的高光谱异常检测方法。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、与现有技术相比，本发明增强了网络局部特征提取能力，提升了异常检测性能。

技术特征：

1.一种基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，该方法为：

2.根据权利要求1所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤三具体为：

3.根据权利要求2所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤四具体包括：对第t帧高光谱图像y进行局部回型邻域s特征提取，提取差异特征f，表示为其中，w是在集合xs上定义的卷积权重值，b是在集合xs上定义的偏置，表示卷积操作，f表示卷积输出特征；

4.根据权利要求3所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤五具体包括：fdif的差分卷积表示为

5.根据权利要求4所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤六具体包括:

6.根据权利要求5所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤七具体包括:

7.根据权利要求6所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤八具体包括:根据fcombine＝fconcat(f1,f2,f3,f4)沿通道维度拼接四组差分特征得到组合差分特征fcombine。

8.根据权利要求7所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤九具体包括：

9.根据权利要求8所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤十具体包括：

10.根据权利要求9所述的基于细节与显著性差分卷积网络的高光谱异常检测方法，其特征在于，所述步骤十一具体包括：

技术总结本发明公开了一种基于细节与显著性差分卷积网络的高光谱异常检测方法。首先，假设异常像素很难通过周围像素的特征来重建，引入一种差分卷积网络来提取高光谱图像(HS I)的局部回型邻域特征，即外窗特征与内窗特征取差得到的差异特征。差分卷积包含两种具有不同接受域的卷积核，通过5×5和3×3卷积核来分别获外窗特征和内窗特征。其次，通过基于细节的注意力(LDA)和基于显著性注意力(LTA)的特征融合模块提取外窗的注意力图引导内窗3×3特征，增强了内窗3×3的特征提取能力。然后，利用得到的局部回型邻域特征重构高光谱图像的纯净背景图B。最后，根据输入的高光谱图像Y与重构的高光谱图像背景B之间的差分图像E提取异常目标检测结果。该方法增强了网络局部特征提取能力，提升了异常检测性能。技术研发人员：杜娟,成倩,李佳,张嘉嘉,程文雄,张哲珲,张俊豪受保护的技术使用者：中国人民解放军空军工程大学技术研发日：技术公布日：2024/7/29