本发明涉及一种基于配准的高光谱异常检测方法，属于高光谱图像异常检测。
背景技术：
1、与传统的遥感技术不同，高光谱成像技术能够同时提供地物的辐射、几何和光谱信息。高光谱图像具有几乎连续的光谱信息，能够细致区分地物的光谱差异，因此在各个领域得到了广泛应用。目标检测作为高光谱图像处理中的一个重要研究方向，根据是否需要先验信息，可分为光谱匹配检测和异常检测。光谱匹配检测依赖于目标光谱信号的先验信息，而异常检测则不需要任何关于目标的先验信息，基于光谱差异发现异常目标。在实际应用中，获取目标光谱的先验信息常常具有挑战性。因此，异常检测因其实用性已成为高光谱图像处理中的一项重要工作。
2、高光谱图像中的“异常”通常指具有不同于周围像元光谱特征的小目标。识别这类目标的一种直接方法是计算背景的均值，并将离均值最远的像素定义为异常。这种方法基于统计学，依赖于对背景数据分布的严格假设。然而，由于高光谱图像的复杂性和非线性，这些假设往往不成立。为了解决这个问题，一些方法致力于构建与真实数据分布尽可能一致的背景统计模型，而另一些方法则利用机器学习技术进行异常检测，无需对背景分布进行具体假设。然而，这些方法主要依赖于像素的特征向量，忽略了像素之间的结构关系。此外，高光谱图像的光谱变异性使得特征空间不可靠，难以保证异常与背景的有效分离。在高光谱图像中，像素在结构上相互关联，更有效的检测技术应将这种结构信息考虑在内。因此，需要提出一种考虑像素的结构特征，从而提高高光谱异常目标检测精度的新方法。
技术实现思路
1、本发明所要解决的技术问题是：提供一种基于配准的高光谱异常检测方法，能够提高异常检测精度，并降低相应的虚警率。
2、本发明为解决上述技术问题采用以下技术方案：
3、一种基于配准的高光谱异常检测方法，包括如下步骤：
4、步骤1，对原始高光谱图像进行数据增强，得到增强后的高光谱图像；
5、步骤2，提取增强后的高光谱图像中每个像素点的特征矩阵，包括局部源矩阵、全局源矩阵以及目标矩阵；
6、步骤3，将每个像素点的局部源矩阵、全局源矩阵分别与目标矩阵进行一阶空间点云配准操作，得到局部像素点相似度值和全局像素点相似度值；增强后的高光谱图像中所有像素点的局部像素点相似度值组成局部像素点相似度矩阵，所有像素点的全局像素点相似度值组成全局像素点相似度矩阵；
7、步骤4，利用局部像素点相似度矩阵、全局像素点相似度矩阵分别对原始高光谱图像进行异常检测，得到局部检测结果图和全局检测结果图，将局部检测结果图和全局检测结果图进行融合，得到最终异常检测结果。
8、作为本发明的一种优选方案，所述步骤1中的数据增强是对原始高光谱图像进行镜像翻转操作，具体过程如下：
9、步骤1.1，设定原始高光谱图像的大小为a×b×c，其中，a、b和c分别为原始高光谱图像的高、宽和维度，设定零矩阵data，data的大小为3a×3b×c，将原始高光谱图像复制到data的中心区域，即将原始高光谱图像复制到data的第a+1行到第2a行，第b+1列到第2b列；
10、步骤1.2，将中心区域数据水平翻转至data的左半部分，即将中心区域数据翻转至data的第a+1行到第2a行，第1列到第b列；
11、步骤1.3，在步骤1.2的基础上，将中心区域数据水平翻转至data的右半部分，即将中心区域数据翻转至data的第a+1行到第2a行，第2b+1列到第3b列；
12、步骤1.4，将步骤1.3得到的矩阵的第a+1行到第2a行向上垂直翻转，即将步骤1.3得到的矩阵的第a+1行到第2a行复制至从第a行到第1行，所有列和深度不变；
13、步骤1.5，将步骤1.3得到的矩阵的第a+1行到第2a行向下垂直翻转，即将步骤1.3得到的矩阵的第a+1行到第2a行复制至从第3a行到第2a+1行，所有列和深度不变；
14、步骤1.6，对经过步骤1.4和1.5得到的矩阵，将其第a行、第2a+1行、第b列以及第2b+1列删除，得到增强后的高光谱图像。
15、作为本发明的一种优选方案，所述步骤2中，提取增强后的高光谱图像中每个像素点的特征矩阵的具体过程如下：
16、步骤2.1，提取局部源矩阵
17、步骤2.1.1，以待提取特征矩阵的像素点为中心，设定窗口大小为a，选取大小为a×a×c的多通道矩阵；
18、步骤2.1.2，将步骤2.1.1选取的多通道矩阵的外边界像素点元素重新排列成大小为的新多通道矩阵；
19、步骤2.1.3，将待提取特征矩阵的像素点添加到步骤2.1.2得到的新多通道矩阵最后一行，组成大小的多通道矩阵，即局部源矩阵；
20、步骤2.2，提取全局源矩阵
21、步骤2.2.1，利用rx异常点检测算法对原始高光谱图像进行背景选取，选取异常值最低的个像素点作为背景，形成大小的多通道矩阵；
22、步骤2.2.2，将待提取特征矩阵的像素点添加到步骤2.2.1形成的多通道矩阵最后一行，组成大小的多通道矩阵，即全局源矩阵；
23、步骤2.3，提取目标矩阵
24、步骤2.3.1，以待提取特征矩阵的像素点为中心，窗口大小为a，选取大小为a×a×c的多通道矩阵；
25、步骤2.3.2，设定一个大小为w的窗口，以步骤2.3.1选取的多通道矩阵外边界每个像素点为中心，计算中心周围w×w×c范围内所有像素点的均值，组成大小的多通道矩阵；
26、步骤2.3.3，以待提取特征矩阵的像素点为中心，计算其周围w×w×c范围内所有像素点的均值，将均值添加到步骤2.3.2组成的多通道矩阵最后一行，组成大小的多通道矩阵，即目标矩阵。
27、作为本发明的一种优选方案，所述步骤3中，将每个像素点的局部源矩阵、全局源矩阵分别与目标矩阵进行一阶空间点云配准操作，得到局部像素点相似度值和全局像素点相似度值，具体过程如下：
28、步骤3.1，设定局部源矩阵或全局源矩阵为，目标矩阵为；
29、步骤3.2，计算矩阵两两通道之间的欧式距离，得到对角线为零的对称矩阵；计算矩阵两两通道之间的欧式距离，得到对角线为零的对称矩阵；
30、步骤3.3，计算对称矩阵与对称矩阵中处于相同位置的两个元素之差的绝对值，得到对称矩阵，即对称矩阵的元素为：
31、，
32、其中，表示对称矩阵第 i行第 j列的元素，表示矩阵s通道与之间的欧式距离，表示矩阵t中通道与之间的欧式距离；
33、步骤3.4，使用高斯函数对对称矩阵的元素进行加权，得到新矩阵，并计算中的所有元素之和，即：
34、，
35、其中， sum表示中的所有元素之和，即局部像素点相似度值或全局像素点相似度值；表示高斯函数。
36、作为本发明的一种优选方案，所述步骤4的具体过程如下：
37、步骤4.1，对局部像素点相似度矩阵和全局像素点相似度矩阵分别进行归一化处理，得到归一化后的局部像素点相似度矩阵r1和归一化后的全局像素点相似度矩阵r2；
38、步骤4.2，计算r1和r2的差，得到误差矩阵r3；
39、步骤4.3，去除误差矩阵r3中大于等于零的元素，保留负数元素，得到矩阵r4，计算r2和r4的和，得到修正后的矩阵r5；
40、步骤4.4，计算r1和r5的和，得到融合后的结果矩阵r6；
41、步骤4.5，将矩阵r6归一化，再利用归一化后的矩阵进行异常检测，得到最终异常检测结果。
42、一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于配准的高光谱异常检测方法的步骤。
43、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于配准的高光谱异常检测方法的步骤。
44、本发明采用以上技术方案与现有技术相比，具有以下技术效果：
45、1、本发明将图像配准的思想运用至高光谱异常检测之中，主要核心思想是将两个像素点视作两张图片，将两个像素点进行配准操作，同时考虑高光谱图像的空间和光谱结构信息，也通过将图像的整体信息和像素点的局部信息进行融合，为高光谱异常检测提供了新的思路。
46、2、本发明通过将配准与高光谱异常检测结合，不仅规避了关于高光谱数据分布的高斯假设，而且还减轻了异常引起的背景统计的污染，同时还考虑到了高光谱数据空间上的联系，能够有效提高异常检测精度，降低虚警率。
1.一种基于配准的高光谱异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于配准的高光谱异常检测方法，其特征在于，所述步骤1中的数据增强是对原始高光谱图像进行镜像翻转操作，具体过程如下：
3.根据权利要求1所述的基于配准的高光谱异常检测方法，其特征在于，所述步骤2中，提取增强后的高光谱图像中每个像素点的特征矩阵的具体过程如下：
4.根据权利要求1所述的基于配准的高光谱异常检测方法，其特征在于，所述步骤3中，将每个像素点的局部源矩阵、全局源矩阵分别与目标矩阵进行一阶空间点云配准操作，得到局部像素点相似度值和全局像素点相似度值，具体过程如下：
5.根据权利要求1所述的基于配准的高光谱异常检测方法，其特征在于，所述步骤4的具体过程如下：
6.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于配准的高光谱异常检测方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于配准的高光谱异常检测方法的步骤。
