(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221098541 1.5 (22)申请日 2022.08.17 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 王海　林生　张敏　成曦　周科学　 李松霖　赵少博　董优强　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 侯琼　王品华 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/762(2022.01) G06V 10/77(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06V 20/10(2022.01) G06T 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 融合鲁棒字典和双协同约束正则项的高光 谱异常检测方法 (57)摘要 本发明提出了一种融合鲁棒字典和双协同 约束正则项的高光谱异常检测方法， 用于解决字 典构造时鲁棒性较差以及信息利用不充分导致 检测结果欠佳的问题。 包括： 1)利用密度估计模 型和局部异常因子得到密度图， 并对其进行逐像 素相乘以及逐像素相加操作， 获取背景抑制图和 异常增强图； 2)对背景抑制图和异常增强图进行 二值化处理得到其索引图， 构造潜在异常字典和 背景字典； 3)构建基于双协同约束正则项的低秩 与稀疏表示模型并进行优化求解， 得到初始检测 结果； 4)利用背景抑制图和异常增强图对初始 检 测结果进行非线性变换， 获取最终检测结果。 本 发明增强了字典的鲁棒性， 且充分考虑全局特性 和局部特性， 从而有效提升了高光谱异常检测效 果。 权利要求书4页 说明书10页 附图2页 CN 115239694 A 2022.10.25 CN 115239694 A 1.一种融合鲁棒字典和双协同约束正则项的高光谱异常检测方法， 其特征在于， 包括 如下步骤： (1)输入高光谱图像 其中H、 W和d分别表示高光谱图像的高度、 宽度和波段 数； (2)分别利用密度估计模型和局部异常 因子评估高光谱图像 中所有像素的密度值， 得 到第一密度图Dm1和第二密度图Dm2； 并将Dm1和Dm2分别进行逐像素相乘以及逐像素相加操作， 获取背景抑制图D1和异常增强图D2； (3)利用密度估计模型对高光谱图像 进行聚类， 每个聚类均服从高斯分布， 记录聚类 的位置索引为 其中i∈[1,nM]表示聚类的索引， nM表示聚类总数； 在背景抑制图D1和异常增强图D2的Poi位置上， 利用3σ 原则分别对其进行二值化处理， 得到 第一索引图B1和第二索引图B2； (4)使用第一索引图B1和第二索引图B2构造潜在异常字典XA和背景字典XB； (5)首先， 将高光谱图像 转化为二维形式图像 其中， N＝H ×W； 其次， 根据潜 在异常字典XA和背景字典XB， 将二维形式图像X分解成低秩分量XBW、 稀疏分量XAS和噪声分 量E： X＝XBW+XAS+E， 其中， W和S分别表示低秩分量和稀疏分量的表示系数矩阵； (6)将步骤(5)中X的分解公式作为约束条件， 构建基于双协同约束正则项 的高光谱异 常检测优化目标函数： s.t.X＝XBW+XAS+E 其中， α、 β、 λ和γ分别表示第一、 第二、 第三和第四正则化系数， 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， 表示矩阵Froben ius范数的平方； (7)利用交替方向乘子法求解 目标函数， 得到W、 S、 E， 通过对XAS的每一列向量求解L2范 数， 并将其 转化为二维形式， 得到初始检测结果D3； (8)利用背景抑制图D1和异常增强图D2对初始检测结果D3进行非线性变换， 得到最终检 测结果DF： 其中， τ1和 τ2表示变换系数。 2.根据权利要求1所述的方法， 其特征在于： 步骤(2)中密度估计模型， 由3层全连接层 构成的神经网络模型， 对应的节点数为{d,128,nM}， 其中nM设为8， 前2层全连接层后采用 tanh激活函数进行非线性变换， 在激活函数后加上dropout层防止模型过拟合， 在最后1层 全连接层后采用softmax函数将输出归一 化到0与1之间。 3.根据权利要求1所述的方法， 其特征在于： 步骤(2)中第一密度图Dm1， 根据如下步骤得 到： (2a1)以高斯混合模型最大似然函数的相反数作为密度估计模型的损失函数， 以权　利　要　求　书 1/4 页 2 CN 115239694 A 2表示高斯分布的概率密度函数， 其中μ'和Σ'分别表 示均值 向量和协方差矩阵， | ·|表示行列式操作， 得到高斯混合模型的概 率密度函数fM(x)： 其中， nM表示混合高斯成分的数量， ωq表示混合高斯成分的加权系数， μ'q和Σ'q分别表 示第q个高斯成分对应的均值向量和协方差矩阵； (2a2)高斯混合模型的最大似然函数表示 为： 其中， N＝H·W表示高光谱图像中像素总数， xj表示X中第j个 像素； (2a3)密度估计模型的损失函数表示如下： 其中， οjq表示第j个样本送入 模型后输出的第q个分量； (2a4)设定超参数， 包括优化器、 学习率、 批量大小以及最大迭代次数， 对密度估计模型 进行训练， 得到训练好的密度估计模型； (2a5)将高光谱图像 送入训练好的密度估计模型中， 得到输出 利用 计算 中所有像素的密度值， 将其转化为二维形式， 得到第一密 度图Dm1。 4.根据权利要求1所述的方法， 其特征在于： 步骤(2)中第二密度图Dm2， 根据如下步骤得 到： (2b1)对于待测像素xt(t∈[1,N])， 以k ‑dist(xt)和Nk(xt)分别表示距离xt最近的第k个 像素和k个 像素的集 合； (2b2)对Nk(xt)中任一像素 将xt到 的可达距离 表示为： 权　利　要　求　书 2/4 页 3 CN 115239694 A 3