文摘

高光谱遥感图像异常目标检测是图像研究的热点之一。图像噪声检测过程中生成的下降将导致高光谱遥感图像的质量。针对这一点,本文提出了一种不正常的高光谱遥感图像目标检测方法基于卷积神经网络。首先,深层残留学习网络模型被用来消除高光谱遥感图像中的噪声。其次,高光谱遥感图像的空间和光谱特性被用来优化聚类词典,然后包含目标信息的图像分割完成。最后,图像被输入到深卷积神经网络有双重分类器,和网络异常检测目标图像中。这个算法的测试结果表明,去噪图像的结构相似度大于0.86,这表明,该方法具有良好的降噪性能,图像细节不会损坏,分割效果好,可以获得高清晰度目标图像信息,图像中准确地检测异常目标。

1。介绍

遥感图像,也称为遥感图像,包括航拍照片和卫星照片。因此,遥感图像的成像方法包括航空摄影、扫描、微波雷达扫描(1]。随着遥感技术的不断发展,要求遥感图像的成像效果和质量逐渐提高,从基本的监视应用程序异常通过遥感图像目标的检测。因此,遥感图像的分辨率需要达到一定的标准。在此基础上,应用高光谱遥感领域,结合遥感技术获取高光谱遥感图像有更好的分辨率(2]。高光谱图像是指10 - 2的决议λ数量级的图像和光谱传感器部署在不同空间平台图像目标区域(3),可获得其表面图像和光谱图像的同时,实现频谱和遥感的结合。卷积神经网络是一种网络卷积计算和表示学习的能力。广泛应用于图像和对象识别、姿态估计,自然语言处理,等等。此外,在处理几何网络有很好的效果,质地,和遥感图像的空间分布特征,可以识别遥感图像的目标对象。为了实现异常目标检测的高光谱遥感图像(4后),相关研究文献中5]和[6),相关检测方法基于空间谱联合异常程度和光谱差异提出了均衡区间筛选。在检测过程中,上述方法没有分割效果,不能准确地获得目标区域信息。因此,有一定的误差的检测结果上面的方法。因此,本文提出了一种不正常的高光谱遥感图像目标检测方法基于卷积神经网络。首先,研究了高频层与噪声信息在多尺度空间中剩余的网络,和残余遥感图像所产生的残余映射。最后,完成去噪的结果是通过跳连接。字典学习模型是用于获得亮度分量和彩色图像的稀疏表示的遥感图像,重建和赔偿丢失的高频信息的遥感图像,保留图像的高分辨率,并保留光谱信息和空间遥感图像的细节信息。最后,卷积神经网络用于细分后的高光谱遥感图像提取特征,最后完成图像异常目标检测。

2。异常的高光谱遥感图像的目标检测

2.1。高光谱遥感图像的去噪基于残余深度学习

过程中成像获取高光谱遥感图像,在环境的影响下,设备,和其他因素,获得的图像会有噪音,会影响检测结果(7]。因此,为了确保异常目标检测的准确性高光谱遥感图像,本文使用残留深度学习去噪图像。

深残余学习深度网络模型包括剩余模块,这是由剩余单位。之间存在映射关系高光谱遥感图像降噪前后,这是非线性的。映射关系实现了输入图像中的高频频带噪声数据到剩余模块技术。多个数据节点连接的跳,每个模块可以有效地连接,以保留更多的边缘信息的语义信息特征不同。的核心网络连接的残余深度(快捷键连接),引入分支机构来确保网络数据传输,避免在装配引起的梯度和退化消失。

2.1.1。输入层

原来的高光谱遥感影像y(x)作为模型的输入和输入的输入层。

2.1.2。特征提取层

这一层完成高光谱遥感图像的特征提取的图像块。在这个过程中,特征提取,以确保降噪后的图像特征不会改变。地图图像块原本位于图像的空间特征空间,完成图像的学习特性,以功能为一个过滤器来参与卷积操作的原始高光谱遥感图像。它的目的是获取激活价值,属于原始图像的不同位置和特性。这一层的激活函数,卷积内核用于提取图像块的特征值,和获得的神经元被传输到剩余模块。

2.1.3。剩余模块

它主要完成剩余学习整个模型的输入和输出之间。为了确保图像细节信息的完整性在学习过程中,介绍了当地学习和递归块残余和调整剩余模块的输入身份分支和残余分支在两种状态模型和递归。前者是不同,后者是相同的。用这种方法,递归块的输入和输出之间的路径是多路径,可有效避免过度拟合的现象。改善学习性能模型的公式(1剩余的单位如下: 在哪里对应的功能,剩余单位;F_W代表剩余函数;和两个H⁰和H^u代表输出。前者卷积对应于第一层,后者对应于剩余单位;是输入单元;u对应数量、剩余单位。最初的期望映射跳过一个或多个层的网络结构和实现身份映射。与网络深度的增加,卷积层是不断更新的重量,和重量值迭代梯度下降的方向。

2.1.4。网络重建层

学习后,剩余单位输出图像的特征映射块并将其传输到该层形成一个高光谱图像的映射,和它的数量是一样的原始图像。通过卷积计算融合处理后,形成一个完整的高光谱遥感影像。该层可以完成预测和消除图像中的噪声组件(8),以获取高光谱遥感图像去噪。然后,计算公式如下: 在哪里x代表了降噪后图像;X_x代表剩余学习后的残留噪声图像。网络学习从噪声图像映射到噪声分布。利用神经网络的特点和全球跳连接,x中减去以获得一个完整的,去噪图像和乘法噪声被间接的减法。

2.2。高光谱遥感图像的特征提取

在异常高光谱遥感图像的目标检测,有必要准确地提取图像中的目标信息。因此,本文保证遥感图像的定义的基础上,降噪,然后进行功能细分x去除图像中的背景和保留特征信息。本文使用集群字典学习方法结合剩余网络模型来完成图像像素分割。

确定集群中心,使用字典表示,确定类别属性,和完整的字典学习,完成根据稀疏表示和集群中的元素,分别。为了更好地描述图像的特征(9),描述的字典原子是基于区域的图像块。字典是优化相结合的两个特点宽频带范围和high-spectral高光谱遥感图像的分辨率,和分割完成通过使用优化的字典(10]。

聚类的目的是实现集群分工,这是根据图像的相似性,完成这样的元素增加相似性都位于相同的集群,如以下公式所示: 在哪里K代表集群的数量;x_我代表了我集群,代表其群集中心;R代表的是高光谱遥感图像的输入, 对应的距离,之间的距离x_我和 。距离越小,相似度越高。

x_j分类根据V_我。在此基础上,得到一个新的聚类中心和聚类完成后通过循环迭代处理他们之间完全融合。

确定中心点并由任何像素表示x_j。为了获得列向量集和包含n元素,附近的图像转换、处理和集合作为输入信号。方法的目标函数公式所示(1): 在哪里k代表了限制;J表示稀疏向量的值;C_j表示数量的原子;D_j代表字典,对应C_j;米_j代表原子的数量,对应D_j;代表稀疏向量,对应于任何信号x_我;T对应的极限,稀疏;R(D_j)代表了函数,用于判断的一致性D_j;δ意味着设置上下阈值。值越小,一致性越高的原子字典。

在完成建设D_j,每个对应的像素在不同集群字典。因此,前者可以确定根据图像信号对应于后者。如果你得到最小的D_j,这表明之间的相似性D_j和x_我高,你可以将后者为前者。

在图像分割(11),每个像素的邻域信息的高光谱遥感图像的处理转换,形成一个一维向量x_我。为了获得输入信号设置X,所有的信号都是集成的获得x_我,它属于光谱遥感图像。在稀疏表示的X由稀疏编码完成,X_我由聚类分割。为了确保字典和信号之间的匹配程度,字典更新需要完成,完成后根据集群中的信号。实现融合后的能量函数值J根据循环交互迭代,高光谱遥感图像的聚类分割完成后,和分割图像包含目标信息。

2.3。基于深卷积神经网络异常目标检测

图像聚类和分割后,本文使用深卷积神经网络(DCNN)模型来完成最终的高光谱遥感图像目标检测异常。模型采用二元分类器。分类器是一种机器学习方法基于二次曲面和一个通用的异常目标线性分类方法。因此,最后的异常目标检测完成后,和模型结构如图1。

取作为模型的输入,和卷积层提取的特点 。通过卷积运算,可以增强图像的特征信号,和图像的边缘检测可以磨和模糊12]。卷积操作过程的公式所示 在哪里一个_j,我对应的激活值,输出图像特征j,属于层l;k_我,j,我表示内核,它是用来连接两个特征图,这是位于层l和层l分别为- 1;b_j,我表示除了偏差,它对应于特征图像的输出j,属于层l;代表Relu功能;米_j代表特征图j和是线性的。

池层可以实现二次抽样处理,属于图像特性,需要根据当地相关的图片,这样可以保留图像中有价值的信息最大程度(13]。这一层的计算公式 在哪里对应的函数,二次抽样;和代表乘法偏见,相应的输出特征图像,属于层l。

当高光谱遥感图像中的异常目标检测(14),有明显的定量类之间的差异。因此,为了确保检测结果的准确性,介绍了重量限制每个类的形象,大体重添加小类,和较小的重量被添加到较大的类;然后,如以下公式所示, 在哪里代表了体重,用于不同类型的约束;l代表了变形的标准;z_我对应的数量,选择的高光谱遥感图像采样点; ,米,n是常数;W表示矩阵的权重;和代表所选图像的特征值和特征近似,分别。

二元分类器模型是一个两层的堆栈。第一层是用作训练集的第二层高光谱遥感图像的特征重建完成后(15]。二元分类器有能力融合光谱遥感图像的特性,可以把原始的特性和图像中提取的新特性,和过程熔融特性通过标准化和规范化,提高异常检测精度的目标。

3所示。实验分析

为了测试该方法的应用程序的性能和效果的异常高光谱遥感图像的目标检测,该方法用于检测遥感图像土地资源管理的一个省。检测的目的是确定异常的非法建筑或非法占用耕地的基于高光谱遥感图像和配合相关部门完成土地资源管理。高光谱遥感图像检测是用来收集异常信息。过程中实时异常目标检测,图像需要收集,所以双向刀片服务器作为图像服务器。考虑到运行时间,一个磁盘阵列容量8 t将会被选择收集的数据的数量,以保证安全的异常在高光谱遥感图像目标检测。

3.1。去噪测试

为了测试该方法的干燥性能,结构相似 ,图像信息熵H,平均相关系数作为评价指标,结构相似度指的是测量的大分子结构相似;图像信息熵是指位的平均数量在高光谱遥感图像的灰度组;平均相关系数指的是数量异常目标检测变量之间线性相关的高光谱遥感图像,这通常代表一个不确定的关系。测试的结果三个索引图像去噪后不同的噪音水平,如图2- - - - - -4。这三个指标的计算公式如下: 在哪里x和y代表两个高光谱遥感图像,它们的平均值为代表和 ,分别。它们之间的协方差 ;P(我)表示概率密度函数,对应的灰度值我。 表示相关系数,它属于前后光谱向量降噪和对应的像素(我,j高光谱遥感图像的);米,n代表高光谱数据的行和列的数量,分别。三个指数的值越大的结果,该方法的降噪性能越好,越可以去噪图像的细节和质量得到保证。预期的标准是,三大股指均高于0.86的结果。

根据测试数据的结果2- - - - - -4不同的图像大小下,逐渐增加的噪声,该方法的三项指标显示相应的微分变化,但变化的结果达到预期的标准要求,即使图像大小为80×80,当噪声20 dB,结果三个指数是0.91,0.90,和0.88,分别。因此,该方法具有良好的降噪性能。

为了衡量这种方法的降噪效果,遥感图像的土地资源管理是降噪的随机选择,获得的图像降噪前后的结果来判断该方法的降噪效果,如图5。

3.2。图像分类和评价

在遥感图像分类的实验,本文使用2 dcnn 3 dcnn ResNet比较和分析印度古典别针的遥感数据集,以进一步验证的培训优势残余网络。如表所示1OA的遥感图像分类完成重置模型如下:该值为0.966385;AA的价值是0.967972;和k的值是0.960746。

图6显示印度别针的分类混淆矩阵的公共数据集。发现每个测量的位置像素显示更好的准确性而实际的图像的相应位置。图7显示了迭代的损失值,准确性,val_loss val_loss,进一步表明,该方法有很好的影响多波段遥感图像的分类后噪声去除。

根据测试结果数据5- - - - - -7,可以看出有噪音影响在图像降噪,还有模糊的图像。降噪后图像的清晰度和亮度明显改善。结果直观地显示该方法的降噪效果很好,和噪声去除图像中可以在保证质量的前提下完成图像的细节。

为了测试方法的图像分割效果,灰色的均值和Jaccard相似度作为评价指标,及其计算公式(11)- (12)如下: 在哪里x_ij代表降噪后图像的灰度值,对应像素点(我,j);一个,B代表两个不同的组。平均灰度可以反映图像的灰度,即图像的亮度,预期的标准是在0.4和0.6之间。江淮相似性越接近1,分割图像的质量越好。本文预期的标准是超过0.85。

本文方法的图像分割结果得到根据公式(9)和(10),如图8和9。

根据测试数据的结果8和9数量的逐渐增加,高光谱遥感图像的分割,灰色的结果意味着在标准范围内波动。结果表明,即使分割的数量很大,可以保证图像质量的基础。因此,它也间接显示。这种方法的分割效果仍然是对具有复杂背景的图像。此外,与图像中聚类中心的逐渐增加,江淮的结果相似不规则波动,但变化范围约为0.9。因此,该方法的图像分割效果好,可以获得目标与高清晰度图像信息。

3.3。目标监测结果

为了测试异常的高光谱遥感图像目标检测方法,该方法用于检测异常图去噪图像的目标5。在这张照片中,有异常的非法建筑。这种方法得到的检测结果,如图10。

根据测试结果图10,这个方法可以完成异常目标检测的高光谱遥感图像和图像获得异常的非法建筑。确认后,检测结果与实际结果一致。因此,这种方法的效果异常在高光谱遥感图像目标检测,检测结果具有良好的可靠性。

4所示。结论

高光谱遥感图像在越来越多的领域使用。这是一个重要的检测方法来完成异常基于遥感图像的目标检测。为了确保可靠性的高光谱遥感图像目标检测异常,异常高光谱遥感图像目标检测方法提出了基于卷积神经网络。卷积神经网络用于分类的图像获取high-spectrum遥感图像目标特征,与双引入卷积神经网络分类器来检测它。结果表明,异常的高光谱遥感图像目标检测方法基于卷积神经网络具有良好的降噪性能,可以完成图像中的噪声处理的情况下确保图像质量和细粒度水平。与此同时,它还可以更好的完成目标区域的分类,和各种指标的显示效果是好的。分割后,高光谱遥感图像的质量是完好无损,扮演着一个重要的角色在图像中准确地检测异常目标。

数据可用性

在这项研究中生成的数据集是包含在这篇文章。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的关键安徽省自然科学研究项目(KJ2019A0681)。