买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明提出了一种两阶段决策引导双字典构建的高光谱图像异常检测方法，主要解决现有方法中潜在异常字典纯度低、检测效果不佳的问题。包括：对高光谱图像进行超像素分割，根据超像素设计内外窗进行显著性检测，并对检测结果进行后处理得到粗糙二值图；搭建背景估计网络并训练和推理，以推理误差进行背景建模，计算每个像素的马氏距离作为异常判别标准，对计算结果进行后处理得到精细二值图；以粗糙二值图、精细二值图及超像素共同构建背景字典和潜在异常字典；构建基于双字典的低秩和稀疏表示模型并进行优化求解，得到最终检测结果。本发明能够获取纯净的潜在异常字典，利于更好地描述异常特性，有效提升了高光谱图像异常检测效果。

主权项：1.一种两阶段决策引导双字典构建的高光谱图像异常检测方法，其特征在于，包括如下步骤：1生成粗糙二值图：1.1对高光谱图像进行超像素分割，得到超像素集合S＝{si|i∈[1,K*]}，其中h、w和b分别表示高光谱图像X的高、宽和波段数，表示第i个超像素，Ni表示第i个超像素中的像素数，K*表示超像素总数；1.2将si作为内窗，以si的最小封闭矩形框四条边为基准，分别向外扩展距离R来获取外窗，对si中第t个像素其中t∈[1,Ni]，分别计算与其内外窗间所有像素的显著值，以其平均值作为该像素的显著值遍历所有超像素得到显著性检测结果d1；1.3对显著性检测结果d1进行后处理，得到粗糙二值图2生成精细二值图：2.1搜索粗糙二值图中数值为0的元素，并记录其空间位置SP；2.2在高光谱图像X中挑选与SP相同的像素，构成背景像素集合并将其作为训练样本，其中表示CB中第i'个背景像素，q表示CB中包含的背景像素总数；2.3构建背景估计网络，并利用CB进行训练，待训练完成后，将X送入训练好的背景估计网络中，得到重构图像Xrec；2.4对高光谱图像X与重构图像Xrec的残差图像Xres进行背景建模，并计算像素的马氏距离即残差图像Xres中第i”个像素的异常判别结果： 其中，N表示高光谱图像X的像素总数；表示残差图像Xres中第i”个像素，μ和Σ分别表示Xres的均值向量和协方差矩阵；遍历所有像素，得到检测结果2.5对检测结果d2进行后处理，并将其转化为2维矩阵，得到精细二值图3构建双字典：3.1构建背景字典：将粗糙二值图和精细二值图的和作为背景索引图Bidx，并将Bidx按照超像素集合S进行划分，得到划分结果其中表示Bidx中第i个超像素，计算中所有像素之和，判断其是否为0；若为0，则记录中质心的空间位置SPB，并根据SPB在高光谱图像X中选择对应像素作为原子，构建背景字典；若不为0，则对应超像素不参与背景字典构建；当遍历所有超像素后，即可获得背景字典DB；3.2构建潜在异常字典：将粗糙二值图和精细二值图的点乘作为潜在异常索引图Aidx，搜索Aidx中数值为1的元素，记录其空间位置SPA，并根据SPA在高光谱图像X中选择对应像素，以此作为原子，构建潜在异常字典DA；4根据背景字典DB和潜在异常字典DA，构建基于双字典的低秩和稀疏表示模型：X＝DBW+DAS+E，其中，W和S分别表示背景项和异常项的表示系数，E表示噪声项；5目标函数优化求解：根据背景的低秩特性以及异常的稀疏特性，建立目标函数： 采用交替方向乘子法优化求解目标函数，得到W、S、E，通过对DAS的每一列向量求解L2范数，即可得到检测结果；其中β和λ表示平衡各项的系数，s.t.表示约束条件，||·||*表示矩阵的核范数，||·||1表示矩阵的L1范数，||·||2,1表示矩阵的L2,1范数。

全文数据：

权利要求：

百度查询： 西安电子科技大学 两阶段决策引导双字典构建的高光谱图像异常检测方法