基于空谱联合特性的高光谱图像异常目标检测算法研究

【摘要】：高光谱图像目标检测是图像理解和解译领域重要研究课题之一。根据是否可获得地物目标的光谱先验信息,目标检测分为有监督和无监督两类。异常目标检测为无监督的一类,不需要提供地物目标光谱的先验信息,因为一般情况下,很难获得地物目标真实的光谱信息,所以异常目标检测更具实用性。高光谱图像的光谱和空间分辨率都随着遥感技术的发展不断地提高,但这也给高光谱异常目标检测带来了新的挑战。主要面临的问题有:(1)高光谱图像光谱维度高,数据冗余大;(2)高光谱数据呈现复杂的非线性特性;(3)异常目标通常为低概率小目标;(4)“同谱异物”和“同物异谱”现象仍然存在。其中“同谱异物”和“同物异谱”现象使得基于光谱信息的异常目标检测算法精度很低,而高维度容易遭遇“维数灾难”现象,所以如何充分挖掘高光谱遥感图像的光谱特征和空间特征,如何开发出更有效的异常目标检测算法提高其检测精度是本论文的研究重点。论文的主要研究内容如下:1.高维度和非线性是高光谱遥感图像的固有属性,基于稀疏理论的各种高光谱异常目标检测算法不需要假设背景模型分布,核协同表示(Kernel Collaborative Representation-based Detector,KCRD)算法将高光谱图像映射到核空间并结合稀疏理论;然而,这些算法仅考虑高光谱异常目标的光谱稀疏特性,实际上,异常目标在空间域上同样具有稀疏特性,忽略了其空间稀疏特性会导致检测精度不够高。针对此问题,提出了基于局部线性嵌入的稀疏差异指数(Sparsity Divergence Index based on Locally Linear Embedding,SDI-LLE)的异常目标检测算法,首先利用局部线性嵌入(LLE)的重构权值矩阵核协同表示求出高光谱数据的光谱稀疏差异指数,空间稀疏差异指数由经过LLE降维的数据进行计算,最后采用空谱联合稀疏差异指数求出异常目标,SDI-LLE获得了比KCRD更好的检测效果;之后,为了降低背景字典中可能包含的异常目标信息对检测结果的影响,提出了基于线性局部切空间排列的空谱联合背景共同稀疏表示(Spectral-spatial Background Joint Sparse Representation based on Linear Local Tangent Space Alignment,LLTSA-SSBJSR)的检测算法,首先对原始高光谱数据采用光谱背景共同稀疏表示,对经过局部切空间排列(LLTSA)降维的数据采用空间背景共同稀疏表示,最后采用空谱联合背景共同稀疏差异指数求出异常目标,该算法利用残余能量比抑制了背景中的异常点,提高了检测精度,且避免了核学习方法中时间复杂度高的问题;通过实验数据验证了两种算法有效性和优越性。2.基于稀疏理论的高光谱异常目标检测主要针对异常目标的稀疏特性展开研究,忽略了背景信息;基于低秩和稀疏矩阵分解(Low-rank and Sparse Matrix Decomposition,LRaSMD)的检测算法将高光谱图像分成低秩背景部分和稀疏异常部分,主要针对高光谱图像的光谱信息展开研究,而忽略了其空间信息,导致检测精度不够高。针对此问题,提出基于空谱联合低秩稀疏矩阵分解(Spectral-spatial Low-rank and Sparse Matrix Decomposition,LS-SS)的高光谱异常目标检测算法,空间信息利用低秩部分且采用空间核协同表示算法,光谱信息则利用稀疏部分获得光谱稀疏差异指数,最后将两部分联合起来进行异常目标检测;之后,进一步利用深度学习理论,提出了基于LRaSMD和空谱联合栈式自编码器(Spectral-spatial Stacked Autoencoders based on Low-rank and Sparse Matrix Decomposition,LRaSMD-SSSAE)的高光谱异常目标检测算法,采用栈式自编码器对高光谱数据的低秩和稀疏矩阵分别求得深度空间特征和深度光谱特征,进而获得深度空谱联合特征,采用局部马氏距离求得最终的检测结果;通过实验数据验证了两种算法的有效性和优越性。3.基于低秩稀疏分解的检测算法主要在光谱维对高光谱图像进行分解,没有充分利用高光谱图像的空间信息,导致检测精度不够高。针对这一问题,鉴于高光谱三阶张量能平等地描述高光谱图像的空间信息和光谱信息,提出基于张量分解的稀疏差异指数(Sparsity Divergence Index based on Tensor Decomposition,SDI-TD)的异常目标检测算法,利用Tucker分解把高光谱三阶张量分解成一个核心张量和三个因子矩阵,其在张量三个方向上分别利用低秩稀疏分解求得稀疏差异指数,综合获得异常目标检测结果;之后,为了解决异常目标不够稀疏的情况下检测精度不高的问题,提出基于张量分解的局部马氏距离(Tensor Decomposition-based Local Mahalanobis Distance,TensorLMD)的异常目标检测算法,在张量分解的三个方向分别剔出表示异常和噪声的最小主成分获得较为纯净的背景信息,在原始高光谱数据和得到的背景数据上分别采用滑动双窗,进行局部马氏距离检测获得异常目标;最后,为了能充分挖掘高光谱图像的空谱特性,且不破坏空谱结构,提出基于张量的自适应子空间检测(Tensor-based Adaptive Subspace Detection,TBASD)的异常目标检测算法,分别在内窗和局部邻域窗之间以及整幅高光谱图像上选择与测试张量块相同尺寸的张量块,采用基于张量的自适应子空间检测器求得检测结果。本文提出的基于张量分析的算法充分利用了高光谱的空间特性和光谱特性,通过实验数据验证了算法的有效性和优越性。综上所述,本文主要研究基于空谱联合特性的高光谱图像异常目标检测算法,且通过仿真实验验证了所研究算法的有效性。