科研之友
微信
新浪微博
Facebook
分享链接
摘要
高光谱图像的异常检测在军事、农业、勘探、防火等领域具有重要的应用价值。传统的高光谱图像异常检测算法未能有效地挖掘图像光谱的深层特征，而深度学习方法具有良好的提取深层特征信息的能力。由于异常检测问题一般无法获取地物先验信息，因此无监督网络相比于监督网络要更为适用。而现有的基于自编码器的异常检测算法没有对局部信息进行有效利用，导致检测效果受限。针对这一问题，本文提出一种基于稀疏表示约束的自编码器深度特征提取方法。首先通过栈式自编码器得到深层次语义信息；然后利用稀疏表示作为约束与编码器进行有效结合，挖掘了潜在隐藏空间中的特征元素的局部表示特性；最后采用分数傅里叶变换，通过空间-频率表示获得原始光谱与其傅里叶变换的中间域中的特征，进一步增强了背景和异常的光谱区分度，且能有效去除噪声的影响。在Hymap、AVIRIS、ROSIS、HYDICE这4种光谱仪采集的5幅高光谱遥感影像上进行了性能验证，得到的曲线下覆盖面积(area under curve, AUC)分别为0.990 5、0.998 3、0.999 0、0.992 8和0.911 0,相比于对比算法都有了不同程度的效果提升。结果表明本文方法具有更好的检测精度。
- 单位
