本发明属于遥感影像技术领域，具体涉及一种基于张量分解的高光谱遥感影像由粗到精异常检测方法。
背景技术：
高光谱成像仪作为当前深空探测中的核心载荷之一，能同时获取地物的光谱信息和空间信息，形成一个三维的影像立方体数据。其中在不同波长的电磁波波谱范围内所构成的连续地物光谱曲线，可以用于反演地物的物质成分，从而实现对地物的检测、识别以及定量化属性分析等应用。
高光谱遥感影像的光谱分辨率往往小于10nm，能够精细地描述当前地物的光谱特性，这也使得高光谱目标检测技术在军事和民用方面都具有广泛的使用价值。根据是否可获取目标的光谱先验信息，检测又分为有监督的目标检测和无监督的异常检测。在实际应用当中，地物目标的真实光谱信息往往很难获得，这使得无需利用地物的光谱先验信息的异常检测更具实用性。因此，高光谱遥感影像的异常检测正逐渐受到业界的广泛关注。高光谱影像同时包含有地物的空间信息和光谱信息，可以由一个三阶张量直观地进行表示。根据张量的相关知识，即使一个张量中的部分元素是缺失的，依然通过对张量进行分解，获得当前张量在子空间的描述以及对应的权重向量，构建缺失元素与已知元素之间的联系，并由分解结果重建出一个完整的张量。因此，通过选取部分背景元素，重构背景地物的三阶张量表示，并与同时包含背景与地物的原始高光谱影像进行比对，可以实现异常像元的有效检测。
现有发明主要关注异常本身，通过构建背景模型，并逐个像素地判断当前像素是否为异常。由于在高光谱遥感影像中，只存在少量的异常像元，其所占的比例往往不到0.5％。因此，选取异常像元的技术难度很高，且精度有限。针对由机载可见光近红外成像光谱仪(airbornevisible/infraredimagingspectrometer,aviris)传感器获取的urban高光谱影像数据集，经典的reed-xiaoli检测器(rxd),局部rxd(lrx)，协同表示检测方法(crd)分别达到0.9789、0.9269、0.9524的检测精度，现有发明的检测精度仍然有可提升的空间。
技术实现要素：
要解决的技术问题
为了避免现有技术的不足之处，本发明采用逆向思维，从高光谱影像中的大量背景像元着手，提出了一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，更好地提高了高光谱遥感影像异常检测的精度。
技术方案
一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，其特征在于步骤如下：
步骤1：对输入的原始高光谱遥感影像进行背景像元粗选：
步骤1.1：利用任意一种已有的高光谱异常检测方法，进行检测得到每个像素点的响应值；
步骤1.2：对所有响应值进行从弱到强的排序；
步骤1.3：从弱到强，选出总像元数*k个像元；记录这些像元的坐标位置；
步骤2：根据步骤1粗选得到的像元，重构完整的三维背景地物描述：
步骤2.1：构造一个和原始高光谱影像大小一致的三阶张量，将该张量第三维上每一个剖面的步骤1.3所记录位置填上相应的值，该值为原始高光谱影像上该坐标处的值；
步骤2.2：对经步骤2.1所构造的部分元素缺失的三阶张量进行cp分解，求解其最优的矩阵因子和对应的权重向量；
步骤2.3：利用步骤2.2分解得到的矩阵因子和权重向量重构得到一个元素完整的三阶张量；
步骤3：通过将步骤2重构得到的完整背景描述与原始的高光谱影像进行区分，精选得到异常像元：
步骤3.1：用输入的原始高光谱遥感影像减去步骤2.3重构得到的三阶张量，得到一个新的三阶张量差；
步骤3.2：对步骤3.1得到的三阶张量差空间上每个位置求1范数，得到一张二维的响应图，即为最终的检测结果图。
所述步骤1.1中已有的高光谱异常检测方法为rxd方法、lrx方法和crd方法。
所述步骤1.3中k以0.05为间隔遍历0.5至0.95。
有益效果
本发明提出的一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，区别于现有的异常检测方法均基于异常本身。由于在高光谱遥感影像中，异常所占的比例往往不到0.5％，即存在大量的背景像元。因此，选取部分背景像元的技术难度很低，且精度高。本发明从背景像元着手，进行异常像元的检测。本发明首先从原始高光谱影像中选取一些背景像元，通过将这些背景像元构建成一个元素缺失的三阶张量，并通过张量分解技术重构张量中的缺失元素，得到一个对于当前地物背景描述的新三阶张量。通过对这个纯粹由背景重构的三阶张量与原始高光谱遥感影像之间进行区分，从而检测异常。
附图说明
图1是本发明一种基于张量分解的高光谱遥感影像由粗到精异常检测方法流程图；
图2是针对urban数据库中的urban-5这一高光谱影像，本发明性能与参数k和r之间的关系图；
图3是针对urban这一数据库中的5幅高光谱影像，本发明与对比方法的检测效果目视图；
图4是针对urban这一数据库中的5幅高光谱影像，本发明与对比方法的检测效果roc曲线对比图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
为了验证本发明对于高光谱遥感影像进行异常检测的有效性，通过仿真实验给出的对比实验。实验平台采用处理器为intelcorei5@2.8ghz、内存为16.0gb的windows上的matlab(r2015b)。采用的对比算法有经典的reed-xiaoli检测方法(rxd)，局部rxd方法(lrx)以及协同表示检测方法(crd)。与此同时，本发明分别采用了这三个方法(rxd,lrx和crd)作为粗选过程的方法，进行性能对比，以验证本发明中由粗到精这一思路的有效性。另外，通过在粗选过程应用不同方法，可以有效地验证本发明的泛化性。
实验所选择的urban数据集是从aviris官网下载得到的大图里手动提取的100*100的小图。这个数据集中总共包含5幅高光谱遥感影像，均由aviris传感器所获取。这5幅高光谱遥感影像的空间分辨率分别是17.2m，17.2m，3.5m，7.1m，7.1m。不同空间分辨率的影像中异常的尺度也不一样，可以有效验证本发明的有效性。
所采用的客观评级指标有：roc(receiveroperatingcharacteristic)曲线和auc(areaundercurve)值。其中roc来源于雷达中的接收器的操作特性。通过将最终的检测结果图归一化0到1之间，然后设置一个步长，将检测的阈值按照步长从0逐渐增至1，计算每个阈值下的虚警率fp和检测率tp，最终将所有的虚警率和检测率用于构建roc曲线。其中虚警率fp和检测率tp的计算公式分别为：
auc值指的是roc曲线下的面积。auc的值越大，则表明算法的检测性能越好，auc的理想值为1。其中auc的计算公式为：
其中α表示阈值。
另外，本发明还将检测结果的目视效果图进行了展示，对异常检测器的性能进行定性评价。通过对目视效果图进行观察，可以看出不同异常检测器对影像中背景地物与异常目标的区分程度。
(1)高光谱遥感影像异常检测实验：
表1是针对urban这一高光谱遥感影像数据库中的5幅影像分别采用经典的rxd、lrx和crd检测方法以及本发明所提出的由粗到精的基于张量分解的异常检测算法进行检测所得到的auc值。ctf_r表示本发明在粗选过程中应用rxd方法。ctf_l和ctf_c分别表示本发明在粗选过程中应用lrx和crd方法。
由表1中的实验结果可知，相比传统的异常检测方法，本发明从背景像元着手，通过选取部分背景像元，构建当前地物背景的三维描述，并对三维的背景描述与原始影像进行区分，从而获得了异常检测性能的提升。
表1本发明与其他算法在urban-5数据库上的auc值对比
本发明一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，可以有效提高高光谱遥感影像的异常检测性能。与此同时，本发明中所采用的张量分解和异常精选模块，可以直接应用于其他的异常检测算法，从而获得该算法检测性能的提升。
(1)检测过程中的参数敏感度实验
图2展示了本发明在实验过程中，检测结果的auc值随着粗选过程中的阈值k以及张量分解过程中r的变化曲线图。这里k按照0.05的间隔从0.5直至0.95，r则按照间隔1从5遍历到20。可以看出，当k小于0.8时，auc的值随着k的增大整体逐渐增加。这是因为随着阈值k的增加，更多的像元被用于重建，使得重建过程的难度变小，从而带来性能的增加。但当k大于0.8时，随着k的增加，性能的增长逐渐变小，当k大于0.9时，性能整体甚至表现出下降的趋势。这是因为绝大多数的异常都聚集在粗选过程中的相应图的上部分，随着阈值的增加，更多的像元被用于重建，但这些像元中引入了越来越多的异常，干扰了背景张量重建过程。同时，从图中也可以看出，当k＝0.95相较于k＝0.9的性能下降是大于k＝0.9相较于k＝0.85的性能下降的。这是因为k＝0.95相比k＝0.9，与k＝0.9相比k＝0.85，多引入的总像元数是一样的，但前者累积了更多的异常，性能下降的也就越大。
(2)本发明与普通张量分解方法之间性能对比
为了验证本发明中粗选模块的有效性，本发明同时对比了去除粗选模块，所有像元均用于张量分解过程，并采用同样的方式进行精选这一操作方式(简称tda)。表2列出了针对urban-5这一数据库中的5幅高光谱影像，均采用tda方式进行检测所得到的auc值。从表中可以看出，本发明在采用rxd，lrx和crd方法用作粗选情况下，均能获得优于tda方法的性能，从而证明了本发明中粗选模块的必要性。
表2tda方法在urban-5数据库上的auc值列表
1.一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，其特征在于步骤如下：
步骤1：对输入的原始高光谱遥感影像进行背景像元粗选：
步骤1.1：利用任意一种已有的高光谱异常检测方法，进行检测得到每个像素点的响应值；
步骤1.2：对所有响应值进行从弱到强的排序；
步骤1.3：从弱到强，选出总像元数*k个像元；记录这些像元的坐标位置；
步骤2：根据步骤1粗选得到的像元，重构完整的三维背景地物描述：
步骤2.1：构造一个和原始高光谱影像大小一致的三阶张量，将该张量第三维上每一个剖面的步骤1.3所记录位置填上相应的值，该值为原始高光谱影像上该坐标处的值；
步骤2.2：对经步骤2.1所构造的部分元素缺失的三阶张量进行cp分解，求解其最优的矩阵因子和对应的权重向量；
步骤2.3：利用步骤2.2分解得到的矩阵因子和权重向量重构得到一个元素完整的三阶张量；
步骤3：通过将步骤2重构得到的完整背景描述与原始的高光谱影像进行区分，精选得到异常像元：
步骤3.1：用输入的原始高光谱遥感影像减去步骤2.3重构得到的三阶张量，得到一个新的三阶张量差；
步骤3.2：对步骤3.1得到的三阶张量差空间上每个位置求1范数，得到一张二维的响应图，即为最终的检测结果图。
2.根据权利要求1所述的一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，其特征在于所述步骤1.1中已有的高光谱异常检测方法为rxd方法、lrx方法和crd方法。
3.根据权利要求1所述的一种基于张量分解的高光谱遥感影像由粗到精异常检测方法，其特征在于所述步骤1.3中k以0.05为间隔遍历0.5至0.95。
技术总结