CN115471750B 基于超像素引导判别森林的高光谱异常检测方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115471750B(45)授权公告日2025.07.01

(21)申请号202211123551.8

(22)申请日2022.09.15

(65)同一申请的已公布的文献号申请公布号CN115471750A

(43)申请公布日2022.12.13

(73)专利权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.CI.

GO6V20/10(2022.01)

GO6V10/80(2022.01)

GO6V10/774(2022.01)

GO6V10/77(2022.01)

GO6V10/762(2022.01)

GO6V10/26(2022.01)

(56)对比文件

CN114758226A,2022.07.15

CN110796038A,2020.02.14审查员李邵飞

权利要求书3页说明书8页附图1页

(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

CN115471750B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

CN115471750B

判别真忽

努

CN115471750B权利要求书1/3页

2

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X∈Rhxb转化为二维矩阵X∈R×,其中h、1和b分别表示图像的高、宽和波段；N为像素个数且N=1×h;

(1.2)将二维矩阵X∈R×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Y∈R×3;

(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Y∈RN×3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,X表示在第r个尺度下的第w个超像素块区域特征，N表示X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X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X=R×cX,将每一个输入样本的像素表示为x={x?,…,x};

(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Hax=log?n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)