CN116777832B 空间-光谱联合遥感高光谱图像的异常检测方法 （哈尔滨工业大学）

空间-光谱联合遥感高光谱图像的异常检测空间光谱联合遥感高光谱图像的异常检测光谱数据作为输入，构建Transformer深度学习光谱联合方法对重建背景的图像与原始高光谱2S3、采用空间_光谱联合方法对重建背景的图像与原始高光谱图像之间的残差图像进2.根据权利要求1所述的空间_光谱联合遥感高光谱图像的异常检测方法，其特征在对高光谱图像Y进行归一化处理，然后除以高光谱数据能量值的最大值，然后采用reshape函数转变为维度{MXN,B}的矩阵；S1_2、对高光谱数据每隔τ个采样点进行一次采样处理，将33.根据权利要求2所述的空间一光谱联合遥感高光谱图像的异常检测方法，其特征在4.根据权利要求1所述的空间一光谱联合遥感高光谱图像的异常检测方法，其特征在S21、对波段分组后的高光谱数据进行一5.根据权利要求4所述的空间一光谱联合遥感高光谱图像的异常检测方法，其特征在所述多头自注意力层用于在不同的粒度级别上关注输入序列的不同所述位置逐元素前馈层用于对序列中的每个位置应用非线6.根据权利要求5所述的空间一光谱联合遥感高光谱图像的异常检测方法，其特征在在多头自注意力层，一个多头自注意力子层同时将输入转换为不同的查询矩阵hh的权重7.根据权利要求5所述的空间一光谱联合遥感高光谱图像的异常检测方法，其特征在8.根据权利要求1所述的空间一光谱联合遥感高光谱图像的异常检测方法，其特征在Dfinal=λDspatial+(1λ)Dsp45如何对算法的准确性和效率进行评估是一个具[0006]本发明目的是为了解决现有高光谱异常检测存在数据存在特征维度大、数据量6[0024]S2_2、对S2_1获得的改变通道数量的高光谱数据进行位置编码，然后输入到[0029]在多头自注意力层，一个多头自注意力子层同时将输入转换为不同的查询矩阵[0036]其中，head,=Attention(Q,w?,k,w",v,w"),i=1,2,…,h:headi表示经过缩放的点积注意力机制，点积注意力机制是将经过缩放的点积注意力机制headi计算H次，7[0042]在光谱域，采用Mahalanobis距离对残差图像进行处理，分离背景像素和异常像背景像素的数量比异常目标像素出现的概率更多的情况下，对高光谱图像的背景进行重建，再通过一种空间_光谱联合的方法对重建背景与原始高光谱图像之间的残差图进行处[0053]本发明提出的空间_光谱联合遥感高光谱图像的异常检测方法，能够提高遥感高8[0066]S3、采用空间_光谱联合方法对重建背景的图像与原始高光谱图像之间的残差图[0080]S2_2、对S2_1获得的改变通道数量的高光谱数据进行位置编码，然后输入到9[0085]在多头自注意力层，一个多头自注意力子层同时将输入转换为不同的查询矩阵[0092]其中，head,=Attention(Q,w?,k,w,",viH"),i=1,2,…,h:headi表示经过缩放的点积注意力机制，点积注意力机制是将经过缩放的点积注意力机制headi计算H次，[0098]在光谱域，采用Mahalanobis距离对残差图像进行处理，分离背景像素和异常像Transformer深度学习模型对序列的优秀建模能力学习高光谱图像的背景分布，更好的建谱角距离(spectralangledistance,SAD)。如果重建的光谱向量与相应像素的原始光谱和应用。M×N个B维的向量集合。高光谱波段分组策略是一种处理高光[0120]高光谱异常检测是识别高光谱图像中与背景或预期光谱特征显著不同的像素或器结构，本发明中的基于Transformer的神经网络运只用了Transformer中的编码器的结[0123]在自注意力层中，一个多头自注意力子层同时将输入转换为不同的查询矩阵力计算表达式为：[0127]其中，headi＝Attention(QWiQ,KWiK,VWiV)，如果重构的光谱向量在对应像素出与原始光谱向量从而促使模型生产更类似于输入光谱向量的重建的[0140]最后，将光谱域和空间域的异常检测结果进行线性组合即可得到最后的检测结[0146]使用评估指标ROC和AUC将本发明的实验结果与其他4种方法进行比