一种高光谱图像的异常目标检测方法和装置

1.本发明涉及高光谱图像异常检测技术领域，更具体的涉及一种高光谱图像异常目标检测方法和装置。


背景技术：

2.与传统的遥感图像相比，高光谱图像众多的波段数目和极高的光谱分辨率使得其在军事伪装识别、军事目标侦察、战场环境部署等方面拥有更多优势。但是，高光谱图像数据存在较高的冗余性，导致计算复杂、耗时长。此外，由于光谱波段密集，高光谱图像数据在采集、传输和存储过程中更加容易受到大气环境和成像光谱仪硬件方面的干扰，从而产生噪声，这对高光谱图像后期的异常检测任务带来了较大影响，同时也导致高光谱图像的视觉效果较差。在众多噪声类型中，椒盐噪声(脉冲噪声)和高斯噪声是比较典型的噪声，也是对异常检测效果影响较大的噪声类型，在高光谱异常检测任务中，异常目标通常为飞机、舰船等小目标，这些小目标容易受到点状噪声干扰而导致异常检测效果不明显，因此如何降低高光谱数据冗余度并消除噪声干扰是高光谱图像异常检测需要解决的问题。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明第一方面提出一种高光谱图像异常目标检测方法，包括：
4.获取高光谱图像；
5.利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至识别出的子空间中，得到降维后含噪声的特征图；
6.利用自适应中值滤波算法和三维块匹配滤波算法处理降维后含噪声的特征图，获得去噪声后的高光谱图像；
7.利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，获得高光谱图像的异常目标检测结果。
8.进一步，利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至低维子空间，得到降维后含噪声的特征图，包括：
9.利用高光谱数据子空间识别算法处理高光谱图像，识别出子空间的维数k
10.利用系数矩阵和其对应的k维子空间的基的乘积表示不含噪声的高光谱图像；
11.根据k维子空间的基，获得k维子空间的基的逆；
12.利用k维子空间的基的逆与高光谱图像的乘积，表示降维后含噪声的特征图。
13.进一步，利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，包括：
14.计算去噪声后的高光谱图像的待测像元和位于待测像元周围局部邻近背景的像元，待测像元位于内窗口中，待测像元周围局部邻近背景的像元位于外窗口中；
15.计算内外窗口像元的均值向量；
16.计算待测像元与均值向量协方差矩阵；
17.计算待测像元与均值向量差值的转置；
18.利用待测像元与均值向量差值的转置乘以待测像元与均值向量协方差矩阵，获得高光谱图像逐像元的异常检测结果。
19.本发明另一方面还提供一种高光谱图像异常目标检测装置，包括：
20.获取模块，用于获取高光谱图像；
21.降维模块，用于利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至识别出的子空间中，得到降维后含噪声的特征图；
22.降噪模块，用于利用自适应中值滤波算法和三维块匹配滤波算法处理降维后含噪声的特征图，获得去噪声后的高光谱图像；
23.异常检测模块，用于利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，获得高光谱图像的异常目标检测结果。
24.本发明另一方面还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-3任一项所述的高光谱图像异常目标检测方法。
25.本发明另一方面还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-3任一项所述的高光谱图像异常目标检测方法。
26.本发明实施例提供一种高光谱图像异常目标检测方法和装置，与现有技术相比，其有益效果如下：
27.本发明首先根据高光谱图像的低秩特性，利用hysime算法进行子空间识别，将高维高光谱图像数据投影到低维子空间中进行降维，并得到特征图像，然后，采用逐波段滤波的方式在每层特征图像上利用自适应中值滤波(amf)和三维块匹配滤波(bm3d)分别对椒盐噪声和高斯噪声进行去除，充分利用了高光谱图像的空间非局部自相似性和空间平滑性，最后，利用投影矩阵重建纯净的高光谱图像(不含噪声)，并在重建后的高光谱图像上利用局部双窗口滑动策略进行异常检测，进一步利用待测像元邻近局部空间信息，本发明可以有效去除混合噪声干扰，并保持了较高的异常检测准确率和视觉效果。
附图说明
28.为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还能够根据这些附图获得其它附图。
29.图1为本发明实施例提供的一种高光谱图像异常目标检测方法的流程图；
30.图2为本发明实施例提供的一种高光谱图像异常目标检测方法的降维步骤图；
31.图3为本发明实施例提供的一种高光谱图像异常目标检测方法的自适应中值滤波的处理流程图；
32.图4为本发明实施例提供的一种高光谱图像异常目标检测方法的bm3d算法的主要
流程图；
33.图5为本发明实施例提供的一种高光谱图像异常目标检测方法的局部双窗口滑动策略示意图；
34.图6为本发明实施例提供的一种高光谱图像异常目标检测方法的局部双窗口滑动算法流程图；
35.图7为本发明实施例提供的一种高光谱图像异常目标检测方法的各算法检测结果示意图；
36.图8为本发明实施例提供的一种高光谱图像异常目标检测方法的高光谱图像异常检测对比实验结果的roc曲线图；
37.图9为本发明实施例提供的一种高光谱图像异常目标检测装置的结构图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或无创造性的劳动可以包括更多或者更少的操作步骤。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
40.图1为本发明实施例提供的一种高光谱图像异常目标检测方法的流程图，如图1所示，方法包括：
41.步骤101、获取高光谱图像；
42.需要说明的是，在高光谱图像处理领域中，通常假设高光谱图像受加性噪声干扰。根据高光谱图像低秩先验模型，当高光谱图像中含有混合噪声时，高光谱图像的退化模型可表示为：
43.y＝x+s+n
44.其中，y,x,s,n∈rm×n×
l
，m
×
n代表高光谱图像空间大小，l为光谱波段数目，y表示原始高光谱图像，x表示不含噪声的纯净高光谱图像。根据噪声的密集程度不同，将噪声分别建模为密集噪声和稀疏噪声。稀疏噪声主要为椒盐噪声s，密集噪声主要为高斯噪声n。
45.在步骤101中，高光谱图像为包含椒盐噪声和高斯噪声的高光谱图像。
46.步骤102、利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至识别出的子空间中，得到降维后含噪声的特征图；
47.需要说明的是，高光谱图像数据复杂且存在较多冗余信息，对高光谱图像的处理有很大影响。因此，数据降维是高光谱图像处理算法中至关重要的一步，合理地降低光谱波段的数目，可以降低数据复杂程度，提高算法性能。高光谱子空间识别算法(hyperspectral signal subspace identification by minimum error，hysime)是基于特征分解的、简便的、无监督的(即无需任何先验参数)的信号子空间估计方法，该方法主要基于最小均方误差思想，通过对信号和噪声相关矩阵的估计，利用中值滤波后的残差统计量估计最优的表
示信号子空间的特征向量子集。由于信号子空间是利用最小化投影误差和噪声之和来估计的，这种方法对混合噪声具有很好的稳定性。
48.在一种可能的实施方式中，利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至低维子空间，得到降维后含噪声的特征图的步骤，如图2所示，步骤包括：
49.步骤1021、利用高光谱数据子空间识别算法处理高光谱图像，识别出子空间的维数k
50.步骤1022、利用系数矩阵和其对应的k维子空间的基的乘积表示不含噪声的高光谱图像；
51.步骤1023、根据k维子空间的基，获得k维子空间的基的逆；
52.步骤1024、利用k维子空间的基的逆与高光谱图像的乘积，表示降维后含噪声的特征图。
53.在本发明提供的实施例中，通过预先学习的子空间可以表示高光谱图像的光谱向量，这充分利用了高光谱图像数据的低秩特性，高光谱图像x∈r
l
×h(h＝m
×
n)可以分解到一个k维子空间sk中。因此，高光谱图像x可以进行如下形式的低秩分解：
54.x＝ez
55.其中，e为矩阵z∈rk×h对应系数矩阵，e＝[e1,k,ek]∈r
l
×k表示子空间sk的基，可以由hysime算法从高光谱图像数据中学习得到，添加子空间的正交约束项e
t
e＝ik，ik是大小为k的单位矩阵，e的正交性可以降低算法的复杂性，加快运算速度，因此高光谱图像的退化模型可以进一步表示为：
[0056]
y＝ez+s+n(x＝ez)
[0057]
其中，x,s,n∈r
l
×h分别表示原始高光谱图像(包含噪声)、椒盐噪声和高斯噪声。
[0058]
原始高光谱图像y降维后的含噪声特征图像为：
[0059]et
y＝z+e
t
(s+n)。
[0060]
步骤103、利用自适应中值滤波算法和三维块匹配滤波算法处理降维后的含噪声的特征图，获得去噪声后的高光谱图像；
[0061]
在步骤103中，利用自适应中值滤波amf和三维块匹配滤波bm3d算法对含噪声的特征图像依次去噪，系数矩阵z的近似解为：
[0062][0063]
式中，f(e
t
y)表示对含噪声特征图像进行自适应中值滤波和三维块匹配滤波去噪。
[0064]
去除噪声后的高光谱图像x可表示为：
[0065]
[0066]
需要说明的是，椒盐噪声是影响高光谱图像质量的一种典型噪声，强度大且分布随机，对高光谱图像质量和后续异常检测会产生极大影响，中值滤波器(median filter，mf)是一种可以有效滤除椒盐噪声并保留图像边缘信息的非线性滤波器，其基本原理是选择待测像元邻域内每个像元的中值来替代待测像元，从而使待测像元点的灰度值接近周围像元点，消除孤立的噪声点。因此，中值滤波可以很好地消除椒盐噪声，此外，中值滤波不仅可以消除噪声影响，还可以有效地保护图像的边缘信息，避免对图像造成很大的模糊。但是，中值滤波的效果很大程度上受滤波窗口大小的影响，在去噪与保护图像细节之间存在矛盾。如果滤波窗口小，对图像的部分细节保留比较完整，但对噪声的滤波效果较差；反之，窗口尺寸越大，噪声滤波效果越好，但会模糊图像中的部分细节信息。
[0067]
因此，通过预先设置限制条件，在滤波过程中自适应的改变滤波窗口尺寸，这就是自适应中值滤波器(adaptive median filter，amf)。在去除噪声的过程中，自适应中值滤波器会根据预先设定的限制条件，自动改变滤波窗口的尺寸，同时还会根据设定的条件判定待测像元是否为噪声，如果是则用邻域中值替换当前像元；反之，则不作改变。自适应中值滤波器在滤除椒盐噪声的同时，还可以平滑其它非脉冲噪声，并且很大程度上保留图像中的细节信息，防止图像边缘的细化或者粗化。
[0068]
具体的，假设自适应中值滤波器的滤波窗口为s
ij
，点(i，j)是滤波窗口的中心位置，即待测像元；z
max
表示s
ij
中的最大灰度值，z
min
表示s
ij
中的最小灰度值，z
med
表示s
ij
中灰度值的中值；s
max
表示最大的滤波窗口尺寸。自适应中值滤波的处理流程如图3所示，在图3中，第一步a过程的目的是确定中值滤波窗口内得到的中值z
med
是否为噪声。如果满足z
min
《z
med
《z
max
，则中值z
med
不是噪声，此时转到第二步b过程，判定中值滤波窗口的中心像元z
xy
是否是一个噪声点。如果z
min
《z
xy
《z
max
，则z
xy
不是噪声点，此时自适应中值滤波器输出z
xy
；反之，则可判定z
xy
是噪声点，此时输出中值z
med
，在a过程中已经判定z
med
不是噪声点。
[0069]
如果在a过程中，得到z
med
不符合条件z
min
《z
med
《z
max
，则可判定中值z
med
为噪声。此时，需要增大中值滤波器的窗口尺寸，在更大的窗口范围内寻找包含非噪声点的中值，直到找到非噪声的中值，转入到b过程；或者，当中值滤波窗口的尺寸扩大到最大值，返回找到的中值z
med
。
[0070]
由自适应中值滤波器基本原理可知，当椒盐噪声在图像中分布较少时，自适应中值滤波器可以较快的滤除噪声，无需调节窗口的尺寸；反之，当椒盐噪声在图像中分布较多时，需要不断调节滤波器的窗口尺寸。
[0071]
需要说明的是，三维块匹配滤波(bm3d)是当前最先进的通用去噪算法，结合了空间滤波和频率滤波的优点，主要利用图像的非局部自相似性和冗余性进行去噪。bm3d算法的主要思想是：首先，通过块匹配方法将相似的二维图像块堆叠成三维图像块组；然后，利用协同滤波对分类后的相似图像块组进行噪声滤除；最后，通过聚合得到降噪后的图像。该算法主要分为基础估计和最终估计两个阶段，每个阶段均包括块匹配、协同滤波和聚合三个部分。bm3d算法的主要流程如图4所示，在图4中，块匹配(block-matching，bm)是一种特殊的匹配方法，广泛应用于视频压缩中的运动估计，将输入图像分成大小一致的图像块，在参考图像块的邻域内查找相似的图像块，并将这些图像块堆叠成三维相似块组，图像块之间的相似性主要依靠图像块之间的距离衡量，图像块之间的距离越小，相似性越高。参考图像块从输入图像分割后的图像块中任意选取，从而构成多个三维相似块组。
[0072]
协同滤波(collaborative filtering，cf)在基础估计阶段和最终估计阶段分别为硬阈值协同滤波和维纳协同滤波，首先，对三维图像块进行三维变换，通过三维变换系数的硬阈值来衰减噪声；然后，利用逆三维变换产生所有分块组的估计值；最后，将图像块的估计返回其对应的原始位置。在最终估计阶段则用维纳滤波代替硬阈值来衰减噪声。
[0073]
聚合是通过加权平均对所有重叠的相似图像块像元的估计值进行真实图像值计算，得到最终估计值，避免因重复匹配而导致图像信息过完备。
[0074]
步骤104、利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，获得高光谱图像的异常目标检测结果。
[0075]
需要说明的是，局部双窗口滑动算法lrx基于滑动同心双窗口模型，通过计算待测目标周围局部邻近背景的协方差矩阵和均值向量，避免因高光谱图像背景复杂、地物过多造成对协方差矩阵的影响，如图5所示为局部双窗口滑动策略示意图。同心双窗口模型分为内窗和外窗，内窗作为保护窗避免待测目标对局部背景估计的干扰，外窗作为局部背景图像，利用内外窗之间的像元进行局部背景估计，一般假设窗口尺寸为奇数，且待测目标窗口尺寸远小于背景窗口尺寸，此外，lrx的检测准确率和运算速度受到滑动窗口设定的影响。
[0076]
在一种可能的实施方式中，利用局部双窗口滑动算法对对去噪声后的高光谱图像进行异常检测的步骤，如图6所示，步骤包括：
[0077]
步骤1041、计算去噪声后的高光谱图像的待测像元和位于待测像元周围局部邻近背景的像元，待测像元位于内窗口中，待测像元周围局部邻近背景的像元位于外窗口中；
[0078]
步骤1042、计算内外窗口像元的均值向量；
[0079]
步骤1043、计算待测像元与均值向量协方差矩阵；
[0080]
步骤1044、计算待测像元与均值向量差值的转置；
[0081]
步骤1045、利用待测像元与均值向量差值的转置乘以待测像元与均值向量协方差矩阵，获得高光谱图像逐像元的异常检测结果。
[0082]
在本发明提供的实施例中，对经过子空间识别降维并利用amf和bm3d滤波去噪处理后的干净高光谱图像x进行异常检测，算法表达式为：
[0083]dlxd
(x)＝(x-μ
l
)
t
∑
l
(x-μ
l
)
[0084]
其中，x为输入高光谱图像待测像元，μ
l
表示内外窗口之间像元的均值向量，∑
l
表示内外窗口之间像元的协方差矩阵。在lrx算法中，利用局部窗口代替整幅高光谱图像计算协方差矩阵，lrx采用滑动双窗口同时利用了高光谱图像的光谱信息和空间信息，每个窗口的“窗口-数据立方体”同时包含待测像元周围局部背景的光谱特征和空间特征。
[0085]
为证明算法的优越性，本发明使用两组真实高光谱数据集分别添加三种类型的噪声进行异常检测实验，并与rx、lrx、crd和lsad四种算法进行实验对比。
[0086]
为证明噪声对高光谱图像异常检测的影响，同时验证基于子空间滤波的高光谱异常检测算法(hadsf)在噪声影响下异常检测的准确性，本发明选取设计以下三组实验：
[0087]
第一组(独立同分布的高斯噪声)：在选取的高光谱图像所有波段上添加均值为0，方差为0.1的高斯噪声；
[0088]
第二组(非独立同分布的高斯噪声)：在选取的高光谱图像所有波段上添加均值为0，方差范围为[0.1,0.2]的高斯噪声；
[0089]
第三组(高斯噪声+椒盐噪声)：在第二组实验的基础上，随机选择30％的波段添加
强度为20％的椒盐噪声。
[0090]
实验数据集选取pavia和gainesville数据集，如表1所示。原因在于这两组数据集的异常目标较小，异常检测过程中容易受到噪声干扰。同时，数据集分别由两种光谱成像仪拍摄，更具有代表性。为了便于异常检测实验的进行，避免因噪声过多干扰导致异常检测准确性明显下降，用envi软件对两组数据集进行预处理，确保添加噪声前的两组高光谱图像数据接近不含噪声的纯净高光谱图像。
[0091]
表1小目标数据集信息
[0092][0093]
子空间识别算法(hysime)中的子空间维数k由算法自动学习，在pavia数据集中子空间维数k＝6，在gainesville数据集中子空间维数k＝12。hadsf算法异常检测窗口大小为(7,5)。
[0094]
为了检验本发明所提hadsf算法的优越性，将其与rx、lrx、crd和lsad等四种算法的结果进行比较。利用接受者操作特性曲线roc和曲线下面积auc值作为评价异常检测准确率的主要标准，在两组真实高光谱图像pavia数据集和gainesville数据集上分别进行三组对比实验。实验中的高光谱图像、真值图(ground truth，gt)及各算法的检测结果如图8所示。
[0095]
本发明选用异常目标较小且特征不明显的pavia数据集和gainville数据集。异常检测结果图可以看出，随着高光谱图像中噪声种类的增多和强度的增强，对比算法的异常检测效果逐渐变差，视觉效果逐渐变差。当仅添加均值为0，方差为0.1的高斯噪声(case 1)时，噪声对各对比算法的异常检测结果有一定影响，各对比算法异常检测结果图的视觉效果较无噪声的高光谱图像异常检测结果图略有降低。hadsf较lrx算法视觉效果有较大的提升，原因在于hadsf算法不仅去除了添加的高斯噪声，同时对经过去噪预处理的高光谱图像再次进行了噪声去除，提高了高光谱图像质量，从而提高了异常检测效果。当添加均值为0，方差范围为[0.1,0.2]的高斯噪声(case 2)时，对rx、lrx和crd算法，异常目标受到噪声干扰较大；对于lsad算法，异常目标几乎无法从检测结果图分辨出；对于hadsf算法，由于利用最先进的bm3d去噪器对高斯噪声进行了有效去除，异常目标受噪声干扰不大，仍然具有较好的视觉效果。当添加均值为0，方差范围为[0.1,0.2]的高斯噪声和随机选择30％的波段添加强度为20％的椒盐噪声(case 3)时，混合噪声对异常检测结果的干扰十分明显，几乎不能从各对比算法结果图中看出异常目标的分布。但是，hadsf算法的异常检测结果图仍可分辨出异常目标的大致分布，原因在于amf去噪器可以有效地去除椒盐噪声。因此，hadsf算法的去噪操作可以有效降低混合噪声对异常检测的干扰。
[0096]
图9和表2分别为高光谱图像异常检测对比实验结果的roc曲线图以及auc值和时间。从roc曲线图可以明显看出，随着噪声种类的增多和强度的增大，rx、lrx、crd和lsad算法的准确率明显下降。这是因为高光谱图像的空间分辨率偏低，当异常目标较小且特征不明显时，容易受到噪声干扰，这对异常目标的空间信息和光谱信息都有很大影响。hadsf算
法的去噪性能较好，可以很好的去除高斯噪声和椒盐噪声的影响，从而更好地利用了高光谱图像的空间信息和光谱信息，提高异常检测的准确率。同时，由于hadsf算法利用子空间识别降维，减少了去噪时需要运算的数据量，从而减少了算法的运行时间。由表2可以看出，hadsf算法的运算时间相比lrx算法仅多6秒左右，但是在面对混合噪声干扰时，异常检测的准确率却大大提高，对不同高光谱图像不同噪声强度的适应性也较好。
[0097]
综上所述，通过以上对比实验可以看出，高光谱图像异常检测的准确率受高光谱图像中的混合噪声影响较大。hadsf算法采用逐波段去噪的方法，运用现阶段先进的图像去噪器amf和bm3d可以有效地去除高光谱图像中的混合噪声，从而提高异常检测结果的准确率和视觉效果。
[0098]
表2六组异常检测实验的auc值和时间(t/s)
[0099][0100]
本发明另一方面还提供一种高光谱图像异常目标检测装置200，如图7所示，装置包括：
[0101]
获取模块201，用于获取高光谱图像；
[0102]
降维模块202，用于利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至识别出的子空间中，得到降维后含噪声的特征图；
[0103]
降噪模块203，用于利用自适应中值滤波算法和三维块匹配滤波算法处理降维后含噪声的特征图，获得去噪声后的高光谱图像；
[0104]
异常检测模块204，用于利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，获得高光谱图像的异常目标检测结果。
[0105]
在本发明提供的又一实施例中，还提供了一种设备，所述设备包括处理器和存储
器，所述存储器种存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、代码集或指令集由所述处理器加载并执行以实现本发明实施例中所述的高光谱图像异常目标检测方法。
[0106]
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现本发明实施例中所述的高光谱图像异常目标检测方法。
[0107]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0108]
需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0109]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0110]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

技术特征：
1.一种高光谱图像异常目标检测方法，其特征在于，包括：获取高光谱图像；利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至识别出的子空间中，得到降维后含噪声的特征图；利用自适应中值滤波算法和三维块匹配滤波算法处理降维后含噪声的特征图，获得去噪声后的高光谱图像；利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，获得高光谱图像的异常目标检测结果。2.如权利要求1所述的一种高光谱图像异常目标检测方法，其特征在于，所述利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至低维子空间，得到降维后含噪声的特征图，包括：利用高光谱数据子空间识别算法处理高光谱图像，识别出子空间的维数k利用系数矩阵和其对应的k维子空间的基的乘积表示不含噪声的高光谱图像；根据k维子空间的基，获得k维子空间的基的逆；利用k维子空间的基的逆与高光谱图像的乘积，表示降维后含噪声的特征图。3.如权利要求1所述的一种高光谱图像异常目标检测方法，其特征在于，所述利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，包括：计算去噪声后的高光谱图像的待测像元和位于待测像元周围局部邻近背景的像元，待测像元位于内窗口中，待测像元周围局部邻近背景的像元位于外窗口中；计算内外窗口像元的均值向量；计算待测像元与均值向量协方差矩阵；计算待测像元与均值向量差值的转置；利用待测像元与均值向量差值的转置乘以待测像元与均值向量协方差矩阵，获得高光谱图像逐像元的异常检测结果。4.一种高光谱图像异常目标检测装置，其特征在于，包括：获取模块，用于获取高光谱图像；降维模块，用于利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至识别出的子空间中，得到降维后含噪声的特征图；降噪模块，用于利用自适应中值滤波算法和三维块匹配滤波算法处理降维后含噪声的特征图，获得去噪声后的高光谱图像；异常检测模块，用于利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，获得高光谱图像的异常目标检测结果。5.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-3任一项所述的高光谱图像异常目标检测方法。6.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-3任一项所述的高光谱图像异常目标检测方法。

技术总结
本发明公开了一种高光谱图像异常目标检测方法和装置，涉及高光谱图像异常检测技术领域，包括：获取高光谱图像，利用高光谱子空间识别算法识别高光谱图像的子空间，并将高光谱图像投影至识别出的子空间中，得到降维后含噪声的特征图，利用自适应中值滤波算法和三维块匹配滤波算法处理降维后含噪声的特征图，获得去噪声后的高光谱图像，利用局部双窗口滑动算法对去噪声后的高光谱图像进行异常检测，获得高光谱图像的异常目标检测结果。该方法可以有效去除混合噪声干扰，并保持了较高的异常检测准确率和视觉效果。确率和视觉效果。确率和视觉效果。


技术研发人员：王涛 姜一河 曹继平 李爱华 韩德帅 崔智高 李庆辉 冯国彦
受保护的技术使用者：中国人民解放军火箭军工程大学
技术研发日：2023.05.22
技术公布日：2023/9/23