CN115239694B 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 （西安电子科技大学）

融合鲁棒字典和双协同约束正则项的高光本发明提出了一种融合鲁棒字典和双协同典构造时鲁棒性较差以及信息利用不充分导致2的位置索引为po,poy…,po,…,po,,⃞,其中i∈[1,nM]表示聚类的索引，nM表示聚类总数；(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AS的每一列向量求解L2范和τ2表示变换系数。全连接层后采用softmax函数将输出归一(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3jq表示第j个样本送入模型后输出的第q个分量；(2a5)将高光谱图像送入训练好的密度估计模型中，得到输出oeR,利用4k5.根据权利要求1所述的方法，其特征在于：步骤(4.3)利用简单线性迭代聚类算法对X,进行超像素分割，得到超像素块集合字典XB。8.根据权利要求1所述的方法，其特征在于：步骤(56[0002]高光谱异常检测旨在找出高光谱图像中与邻近背景像素存在显著光谱差异的像Licheng.Hyperspectralanomalydetectionviabackgroundandpotentialanomalydictionariesconstruction[J].IEEETransactionsonGeoscienceandRemoteSensing,2018,57(4):2263_2276]是该领域的经典工作，该方法首先将高光谱图像分解成[0007](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聚类的位置索引为(po,poy,…,po,…,po.,⃞,其中i∈[1,nM]表示聚类的索引，nM表示聚类7[0013](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2,1表示矩阵的L2,1范数，表示矩阵Frobenius范数的平方；[0018]D,-D;(1-e""X1-e"),和τ2表示变换系数。[0025]图3为本发明中使用的不同数据集示意图；其中(a)表示Pavia数据集的伪彩图及8(c)分别表示本发明方法与主流方法在Pavia、(c)分别表示本发明方法与主流方法在Pavia、HYDICE和Gulfport数据集上横坐标为τ纵坐[0033]步骤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1层全连接层后采用softmax函数将输出归一化[0035](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9[0049](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[0052](2b2)对Nk(xt)中任一像素将xt到的可达距离reach-distr(x,x')表示为：记录聚类的位置索引为fpo,po,…,po,…,po.,⃞,其中i∈[1,nM]表示聚类的索引，nM表示处理，得到第一索引图B1和第二索引图B2。上述利用密度估计模型对高光谱图像进行聚0[0065](4.3)利用简单线性迭代聚类算法对X,进行超像素分割，得到超像素块集合2,1表示矩阵的L2,1范数，表示矩阵Frobenius范数的平方；[0082]在训练阶段，密度估计模型以高斯混合模型最大似然函数的相反数作为损失函rQ变量EeR的列索引；和ηmax分别为10_4，[0137]本实验以3个不同传感器获取高光谱图像作为数据集，该数据集包括Pavia(ROSIS_03传感器下获取)、HYDICE(HYDICE传感器下获取)和Gulfport(AVIRIS传感器下获两种ROC曲线)和定量(包括两种AUC值)两[0138]其中主流方法主要包括RX[论文：Adaptivemultiple_bandCFARdetectionofrepresentationforhyperspectralanomalydetection]、LRASR[论文：Anomalydetectioninhyperspectralimagesbasedonlow_rankandsparserepresentation]、LSMAD[论文：Alow_rankandsparsematrixdecompositHyperspectralanomalydetectionviabackgroundandpotentialanomalydictionariesconstruction]、LSDM_MoG[论文：Low_rankandsparsedecompositionwithmixtureofGaussianforhyperspectralanomalydetection]和KIFD[论文：