(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 202211123551.8 (22)申请日 2022.09.15 (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　成曦　张敏　林生　周科学　 李松霖　赵少博　 (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. G06V 20/10(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/77(2022.01) G06V 10/762(2022.01)G06V 10/26(2022.01) (54)发明名称 基于超像素引导判别森林的高光谱异常检 测方法 (57)摘要 本发明提出了一种基于超像素引导判别森 林的高光谱异常检测方法， 主要解决现有方法中 局部异常目标检测性能不佳和高虚警率的问题。 方案包括： 1)通过主成分分析法提取高光谱图像 最主要的三个成分特征， 并利用该特征进行多个 不同尺度超像素分割， 以获取多尺度且含所有波 段的超像素特征； 2)构建基于多个波段增益准则 的判别森林模型对每个超像素块特征进行训练 和测试， 产生多个尺度的初始检测图； 3)通过基 于引导滤波的多尺度融合模型对所有初始检测 图融合优化， 获取最终检测结果。 本发明将基于 空间的超像素分割和基于多个光谱波段的判别 森林进行结合， 有效地挖掘高光谱图像的空间和 光谱信息， 增强模型对异常像素识别能力以提升 其检测性能。 权利要求书3页 说明书8页 附图1页 CN 115471750 A 2022.12.13 CN 115471750 A 1.基于超像素引导判别森林的高光谱异常检测方法， 其特 征在于， 包括以下步骤： (1)提取多尺度高光谱 超像素特征： (1.1)将高光谱 图像 转化为二维矩阵 其中h、 l和b分别表示图像的 高、 宽和波段； N 为像素个数且N ＝l×h； (1.2)将二维矩阵 输入到已公开的主成分分析模型PCA中， 利用模型获取最主 要的3个成分特 征 (1.3)将简单线性迭代聚类模型SLIC的尺度设置为r， 且每个尺度的超像素个数范围为 [1， 30]； 利用该SLIC模型将成分特征 切分为r个尺度的超像素分割图， 再利用超像 素分割空间信息， 通过索引产生r个尺度的高光谱超像素特征； 其中， 第r个尺度的高光谱超 像素特征是 表示在第r个尺度下的第w个 超像素块区域特 征， 表示 的特征像素个数； (2)构建判别森林模型， 并对其进行训练和 测试： (2.1)从超像素块区域特征 中随机抽取子样本X ′作为判别森林模型训练的输入样 本， 其中 将每一个输入样本的像素表示 为x＝{x1,…,xb}； (2.2)从X ′中随机选取q个波段的样本构建超平面f， 并将所选样本的每个像素映射到 超平面f中， 得到新属性 值集合Z； (2.3)基于集 合Z， 通过增益 准则Sgain获取最佳切分阈值S； (2.4)利用最佳切分阈值S将输入样本切分为两个子节点； (2.5)循环执行步骤(2.2) ‑(2.4)直到树的高度达到预设限制高度Hmax＝log2n或者子节 点的像素个数不超过2为止， 得到一颗树； 其中n表示X ′的像素个数； (2.6)重复步骤(2.1) ‑(2.5)t次， 得到t棵树并用其组成局部区域的判别森林； (2.7)利用每个超像素块区域的高光谱像素样本进行局部区域判别森林的构建和训 练， 所有局部区域判别森林组成第r个尺度下的高光谱图像判别森林模型； (2.8)将第r个尺度的高光谱超像素特征输入当前尺度下的判别 森林模型进行检测， 得 到该尺度的初始 异常检测图； (2.9)通过对每个尺度下的高光谱图像判别森林模型进行检测， 得到多尺度对应下的 初始异常检测图； (3)基于引导滤波， 使用初始异常检测图对判别森林模型进行优化， 并利用优化后模型 获取最终检测结果： (3.1)将每个尺度对应下的初始异常检测图进行像素级相乘融合， 得到第一融合结果 R1； (3.2)将融合结果R1输入到引导滤波网络中， 并将成分特征Y作为引导图像， 产生引导结 果O1； (3.3)将引导结果O1和融合结果R1进行像素级相加融合， 得到第二融合结果R2； (3.4)将两次融合结果R1和R2进行像素级相乘融合， 得到最终融合结果， 即异常检测图 R3。 2.根据权利要求1所述的方法， 其特征在于： 步骤(1.2)中成分特征 根据如下权　利　要　求　书 1/3 页 2 CN 115471750 A 2步骤得到： (1.2.1)将二维矩阵 输入到已公开的主成分 分析模型PCA中， 公式如下： 其中， 为投影矩阵； 表示单位矩阵； t r(·)表示矩阵的迹； (1.2.2)利用主成分 分析模型获取最主 要的3个成分特 征 其中， E(·)表示求均值函数。 3.根据权利要求1所述的方法， 其特征在于： 步骤(1.3)简单线性迭代聚类SLIC模型的 计算公式如下： 其中， dc表示颜色距离， 即为PCA获取的主要成分特征； ds表示空间距离； 表 示类内最大空间距离， M表示高光谱像素的个数， K表示超像素的个数； Nc表示最大颜色距 离； D′表示最终的距离度量。 4.根据权利要求1所述的方法， 其特征在于： 步骤(2.2)中将所选样本的每个像素映射 到超平面f中， 是根据如下公式实现： 其中， Q表示将 随机选取的q波段作为属性索引； cj表示从[‑1,1]中随机选取的系数； μ (·)和σ(·)分别表示求均值函数和求标准差函数； X ′j是来自样本X ′中第j波段的属性值； xj表示单个 像素x的第j波段属性 值； j表示q波段中的一个波段。 5.根据权利要 求4所述的方法， 其特征在于： 步骤(2.3)中通过增益准则Sgain获取最佳切 分阈值S， 具体公式如下： 其中， Zl∪Zr＝Z， Zl和Zr分别表示左节点和右节点的像素； nZ表示Z中像素的个数， 当增 益准则Sgain获得最小值时， 可 得到最佳切分阈值S。 6.根据权利要求1所述的方法， 其特征在于： 步骤(2.9)中每个尺度对应下的初始异常 检测图， 按照如下方式得到： 每一个测试像素在当前超像素块区域的异常值大小由t棵树的 路径长度平均值确定， 而每一棵树的路径长度是 由根部到外部节点的路径长度决定， 其路 径长度包含两个部分， 即参与构建树的路径长度和未能参与树构建的路径长度； 通过这种 方式可以得到所有像素 的异常值， 即产生一幅高光谱图像的初始异常检测图； 将超像素分 割产生的r个不同尺度高光谱超像素特征输入该尺度下 的判别森林模型进行检测， 得到多权　利　要　求　书 2/3 页 3 CN 115471750 A 3