(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 202210203988.6 (22)申请日 2022.03.02 (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号 (72)发明人 冯收　吴丹　丰瑞　樊元泽　 赵春晖　闫奕名　宿南　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 张换男 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) (54)发明名称 基于全变差低秩张量分解的高光谱图像异 常目标检测方法 (57)摘要 基于全变差低秩张量分解的高光谱图像异 常目标检测方法， 属于高光谱遥感图像异常目标 检测技术领域。 本发明为了解决目前的异常检测 方法存在无法很好地分离背景和异常的问题。 本 发明采用全变差正则化低秩张量分解模型将高 光谱图像分解为低秩数据部分和混合信息部分； 然后利用l2,1范数和域变换递归滤波器， 对混合 信息部分进行异常检测； 并利用协同表示检测器 提取嵌入低秩背景数据部分的异常信息； 融合低 秩数据和混合信息部分的初始 检测结果， 得到最 终的检测结果。 主要用于高光谱图像的异常目标 检测。 权利要求书3页 说明书7页 附图4页 CN 114565850 A 2022.05.31 CN 114565850 A 1.基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 包括以下 步骤： 采用全变差正则化低秩张量分解模型将高光谱图像分解为低秩数据部分 和混合信 息部分M； 然后利用l2,1范数和域变换递归 滤波器， 对混合信息部 分进行异常检测； 并利用协 同表示检测器提取嵌入低秩背 景数据部 分的异常信息； 融合低秩数据和混合信息部 分的初 始检测结果， 得到最终的检测结果。 2.根据权利要求1所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 所述采用全变差正则化低秩张量分解模型将高光谱图像分解为低秩数据部分 和混合信息 部分的过程包括以下步骤： 首先利用全变差正则化低秩张量分解模型对高光谱图像进行分解； 然后基于增广拉格 朗日乘子方法， 将正则化低秩张量分解模型转化为最小化增广拉格朗日函数， 从而将低秩 数据部分 表示为 将混合信息 部分M表示 为 全变差正则化低秩张量分解模型中， 是低秩数据部分， 是稀疏项， 是高斯项。 3.根据权利要求2所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 所述全变差正则化低秩张量分解模型如下： 其中， 表示原始的高光谱图像， C ×1U1×2U2×3U3是核心张量为C和秩为ri的因子矩阵 Ui的塔克分解， U1、 U2、 U3是三个模态下的因子矩阵， I是单位矩阵； τ, λ1, β 是全变差正则化低 秩张量分解模型中的辅助参数； 为SSTV范数项。 4.根据权利要求2或3所述的基于全变差低秩张量分解的高光谱图像异常目标检测方 法， 其特征在于， 将正则化低秩张量分解模型转化为最小化增广拉格朗日函数过程中的最 小化增广拉格朗日函数如下： 其中， 为中间变量， 分别表示 和 Dw(·)＝[w1×Dh(·)； w2×Dv(·)； w3 ×Dt(·)]是加权三维差分算子， Dh,Dv,Dt是关于高光谱图像立方体三个不同方向的一阶差 分算子； Γi′是拉格朗日乘数， i ′＝1,2,3； < •>表示内积运算， τ, λ1, β 是全变差正则化低秩张 量分解模型中的辅助参数。 5.根据权利要求4所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 所述对混合信息部 分进行异常检测的过程中， 采用l2,1范数正则化对混合信息 部分进行初始检测， 再利用域变换递归滤波器对初始检测结果进行平 滑处理。 6.根据权利要求5所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法，权　利　要　求　书 1/3 页 2 CN 114565850 A 2其特征在于， 所述混合信息 部分的初始检测结果表示 为： 其中， D表示高光谱数据的光谱带数， H和W分别表示高光谱图像的长度和宽度， 是混 合信息部分M中的元 素。 7.根据权利要求6所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 所述的域变换递归滤波器表示 为： γ1＝DTRF(I,G, δs, δr)   (6) 其中， I是利用l2,1范数正则化计算出来的混合信息部分的检测结果图， G表示引导图 像， δs和 δr是域变换递归滤波器的两个平 滑参数。 8.根据权利要求7所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 所述的引导图像如下： 其中， μ是原 始高光谱图像 中所有像素的光谱平均值构成的矩阵。 9.根据权利要求5所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 所述利用协同表示检测器提取嵌入低秩背景数据部分的异常信息的具体过程 包括以下步骤： 将低秩数据部分 转化为二维矩阵 D表示高光谱数据的光谱带数， N是是样 本总数； 利用协同表示检测器提取低秩数据部分 中的异常信 息， x是中心像素， 外窗的尺 寸大小是Wout×Wout， 内窗的尺寸大小是Win×Win， s＝Wout×Wout‑Win×Win； 对于一个 像素x， 其目标函数表示 为： 其中， λ2表示拉格朗日乘子， 矩阵Xs为外窗和内窗之间的像素构成的背景集， 是权重向 量； 利用矩阵Xs和权向量 重构像素x： 其中， 是元素x的重构元 素； 与元素x之间的剩余 误差计算 为： 如果γ2大于给定的阈值σ， 则 被检测为异常。 10.根据权利要求9所述的基于全变差低秩张量分解的高光谱图像异常目标检测方法， 其特征在于， 所述融合低秩数据和混合信息 部分的初始检测结果的过程包括以下步骤： 通过将初始检测结果γ1和γ2融合， 得到最终检测结果图； 最终融合的过程表示如下：权　利　要　求　书 2/3 页 3 CN 114565850 A 3