基于主动学习之高光谱遥感图像异样检测
第一章绪论
1.1研究背景及意义
遥感技术是上世纪60年代兴起的，它是一门综合性探测技术，自兴起以来得到了迅速发展和广泛应用。遥感是利用某种设备在直接接触目标的情况下对目标相关数据进行获取，然后再使用一定的方法对所获得数据进行分析从而得到所需目标信息的一种技术，整个过程主要包括四个环节：信息获取、传输、存储以及处理，这个过程中最重要的是信息获取环节，因此遥感系统中最重要的核心部分是传感器，遥感系统是一个能够全部完成上述四个环节的全套系统。按照传感器波段数目的不同，可以将光学遥感技术进行如下的分类：
1、多光谱遥感：光谱分辨率数量级为，比如法国的卫星及美国的陆地卫星等卫星上安装的就是这种传感器，这种遥感技术被现代航天遥感大量采用；
2、高光谱遥感：光谱分辨率数量级为，这种遥感具有很多波段，它的光谱分辨率能够达到纳米级别，从而使得波段数目在可见光至近红外光谱区能够达到数十乃至数百；
3、超高光谱遥感：当光谱分辨率达到数量级时，这种遥感便成为超尚光谱遥感。
20世纪80年代进入了遥感技术发展的新阶段，即出现了高光遥感图像成像光谱仪，它是由美国的喷气推进实验室研制成功的航空成像仪，这一突破对于遥感的发展具有重要意义，因为从此以后具有革命性影响的高光谱遥感技术登上历史舞台，由美国研制成功的对遥感领域影响显著，这种成像光谱仪使成像的波段数高达两百多个，使获得的地物图像包含了异常丰富的光谱信息，自从投入使用，这种成像光仪获得的遥感图像便在实际应用中受到广泛使用，美国的很多遥感研究机构都普遍采用此种数据进行目标检测的相关研究。
1.2高光谱遥感图像异常检测研究现状
根据高光谱遥感图像背景特征描述方式的不同，可以将晃常检测算法进行分类，大致分为两类其中一类是统计性异常检测，即基于背景统计特性的高光谱异常检测，这种方法是将不满足某一背景统计特性（如协方差矩阵、均值等特性）的像元判定为异常点。以Reed和Xiao Yu提出的RX检测器（RXD）为代表，基于广义似然比计算样本与总体均值向量间的马氏距离，作为判别某一像元是杏为异常目标的依据。RX异常检测器是目前使用较为广泛的异常检测方法之一，然而，其对高光谱图像进行处理吋得到的结果不尽理想，会产生比较高的虚警率，原因有两点，其一：RX算法采用的局部统计模型假设数据空间不相关，或者说数据是空间白化的，而且要求数据服从正态分布，但是真实的场景通常不满足此假设；其二：高光谱遥感图像的各波段间存在较强分块相关性，从而影响了算法性能。随后有学者在研究RX算法的基础上提出了一些改进算法，能够有效提升异常检测的效率。其他学者提出的与该算法类似的算法有约束能量最大化法、基于高斯马尔科夫随机场的检测方法等，还有人提出先抑制背景信息然后再利用进行异常检测的方法。
以上算法均建立于纯点模型基础之上，即认为像素要么属于目标，要么属于背景。事实上，高光谱图像普遍存在光谱混合现象，随着对高光谱遥感数据认识的小断加深，许多学者已经不满足于用纯点模型的思想对目标进行全像元检测，幵始追求利用线性光谱混合的模型对子像元进行检测但是这类算法在进行目标检测之前要对高光谱数据进行特征提取，这一过程很大程度上增加了算法的运行时间，而且其中的很多算法往往忽视了高光谱数据丰富的非线性信息。
随着统计学习理论的发展和不断完善，将核机器学习引进高光谱图像处理变成一种可能。因为具有点积形式的线性算法的非线性化可以用非线性核映射得到，因此可以把高光谱遥感数据通过核函数映射到高维特征空间中进行处理，从而使目标与背景间的分离性能得到提升。国外学者提出的基于核映射的小目标检测算法与传统方法相比，检测率得到了拷高，而同时降低了虚警率。将支持向量这一机器学」算法引入界常检测，提出了基于支持向量数据描述的异常目标检测算法，这一算法省去了计算协方差这一过程，因此降低了算法的计算复杂度。
第二章高光谱图像异常检测基本理论
本章介绍了高光谱遥感图像数据的相关知识以及异常检测的基本理论，说明了高光谱数据与全色和传统多光谱遥感相比所具有的优势，尤其是在遥感目标探测方面的优势。介绍了高光谱数据的几种描述方式，包括图像空间、光谱空间和特征空间，同时介绍了高光谱数据所具有的的一些特性，目的是为了对高光谱这种数据有一个清晰的认识。异常检测概念、异常检测算法的性能分析指标等高光谱异常检测的基本理论为下文做进一步的研究提供理论基础。
2.1高光谱遥感图像数据的描述方式
高光谱遥感是高光谱分辨率遥感的简称，它是建立于测谱学基础上，采用成像光谱仪获取感兴趣物体的数据，其具有波段数量大的特点，是由电磁波的紫外、可见光、近红外以及短波红外区域内的大量窄波段构成。图2-1为高光谱成像示意图。高光谱图像融合了空间、福射以及光谱三重信息于一体其丰富的光谱信息使得某些多光谱遥感探测不到的物质能够被探测出来，尤其是各种地物间的细微差异，因此被广泛应用于小目标检测中。
AVIRIS成像光谱仪获取的高光谱遥感图像得到广泛应用，波段数目为244个，数据量高达到上百兆，高光谱图像给图像处理提出了挑战，数据量大，数据维数高。
高光谱遥感实现了空间信息与光谱信息的图谱合一;，由于其在表述空间数据上的优越性，使得其自上世纪80年代兴起以来得到世界上许多国家的重视和积极发展，它越来越多地被应用于目标检测中。高光谱图像与多光谱图像的对比图，与传统的全色遥感和多光谱遥感相比，高光谱遥感具有如下的一些优势。
1、更多的光谱信息，目标探测能力得到很大提高，使遥感图像处理具有更好的数据基础。
2、波段数量大，包含更多有用信息，使光谱特征的选择更具有灵活性，具有更大的选择余地，增大了目标检测的应用范围。
2.2高光谱图像数据特性
与多光谱遥感图像相比，高光谱遥感图像不仅数据量大，而目光谱分辨率高，除此之夕卜，还有波段间相关性强和特征空间数据分布稀疏的特点。高光谱数据的三个特性。
1、分辨率高。相比于多光谱图像的几个离散波段，高光谱图像的波段数大大增加，能够以十分小的间隔连续获取地物在几百个波段上的图像，因此光谱分辨率很高，能够比较完整地记录地物的信息，特别是能够保留一些重要的特征。
2、波段间相关特性强。高光谱图像的光谱响应曲线接近连续，所以会造成相邻波段的光谱数据在各自相应空间位置具有光谱相似性，主要因为物质光谱反射属性产生的谱间相关性和传感器在相邻波段间的光谱灵敏度产生重叠。
3、特征空间数据分布特性。由于高光谱图像数据维数高，数据分布与传统二维数据的数据分布不同。相关文献表明，数据维数的增大使得高光谱数据超立方体的体积集中在顶端。
第三章基于主动学习的SVDD异常检测.........16
3.1SVDD异常检测算法......16
第四章结合邻域聚类分割的主动学习SVDD异常检测.......31
4.1邻域聚类分割..........31
4.2结合邻域聚类分割的主动学习SVDD异常检测算法........32
4.3实验及结果分析......33
第五章结束语.......37
5.1总结.......38
5.2创新点.....38
5.3展望............39
第四章结合邻域聚类分割的主动学习SVDD异常检测
为充分利用高光谱图像数据所具有的空间信息，在进行异常检测之前先对高光谱图像进行邻域聚类分割，得到潜在异常目标分布的区域，进行SVDD异常检测时能够节省算法运行所需时间。
为了进一步降低算法的运算复杂度，引进主动学习的样本选择策略，得出结合邻域聚类分割的主动学习SVDD异常检测算法，分别利用结合邻域聚类分割的算法和结合邻域聚类分割的主动学习SVDD算法进行仿真数据实验和真实的高光谱数据实验，结果得出，结合邻域聚类分割的主动学习SVDD算法能够进一步提高算法的运行速度。
首先介绍了邻域聚类分割的思想，其次给出结合邻域聚类分割的主动学习SVDD算法具体步骤及流程图，最后进行实验，并对结果进行对比分析。
4.1邻域聚类分割
用SVDD算法检测异常时，是用异常检测算法对整幅图像进行一次完整的遍历，然后得出异常检测分布图，由于异常像元在图像中所占比例较少，这样做显然进行了一些不必要的计算，比如某一较大区域内并无异常，再对该区域进行检测显然是没有必要的，基于此想法，寻找一种能够对异常存在的大概区域进行预测的方法，然后对这些存在潜在异常的区域进行检测，这样便能够减少运算量。另外，SVDD算法是对与局部背景存在差另的像元进行检测，这种异常表现为光谱异常，因此，可以按照光谱间的相似性对图像背景进行邻域聚类，这一过程完成对图像的分割，将较小的异常与背景划分在不同区域，将分割出的小区域当做潜在的异常，然后利用SVDD进行检测。
第五章结束语
5.1总结
本文主要进行基于主动学习的高光谱遥感图像处理，主要是进行异常检测。首先介绍了高光谱图像数据的相关知识，以及高光谱数据的描述方式以及数据特性等，为论文幵展异常检测的相关研究提供理论指导，还介绍了异常检测的理论知识，主要是围绕其概念及其与目标检测之间的差异进行，还给出了分析检测算法性能优劣的几种方法。第二章进入文章的主要研究工作，将主动学习引进异常检测算法，大致介绍了主动学习的思想，将其用于训练样本选择的过程，随后给出了基于主动学习SVDD异常检测算法，用仿真数据实验验证了此算法的性能与传统的SVDD算法进行对比，得出基于主动学习SVDD的异常检测算法大大降低了所需运算时间的结论。
论文还引进了邻域聚类分割，在进行异常检测前，用其对高光谱图像进行分割，充分挖掘图像所包含的空间信息，弥补大多数传统异常检测算法仅利用光谱倍息的不足，通过邻域聚类分割，估计出异常在图像上的潜在区域，然后分别用SVDD异常检测算法和基于主动学」的异常检测算法进行检测，用仿真数据进行的实验结果说明，结合邻域聚类分割的SVDD方法检测结果比较好，但是有漏警现象；而结合邻域聚类分割的主动学习异常点都被检测了出来，尽管有虚警现象，但虚警现象都在正确目标周围，结果可以使用，并且运行时间减少了一半多。用真实的AVIRIS遥感数据进行的实验表明，结合邻域聚类分割的SVDD方法存在漏警现象，而结合邻域聚类分割的主动学习SVDD检测效果较好，并且计算时间减少了66%。
5.2创新点
1、用主动学习的样本选择方法来改善SVDD异常检测算法中的样本选择过程，提高了算法的运行速度。
2、在异常检测之前先用邻域聚类分割对图像进行分割，结果得到图像中所含异常分布的潜在区域，得出结合邻域聚类分割的SVDD异常检测算法，减少了算法的运行时间，再将主动学习引入结合邻域聚类分割的SVDD算法中，用仿真数据和真实的高光谱数据进行的实验均说明了主动学能够使算法的运行时间大幅减少。
5.3展望
本文的研究工作虽然取得了一定的进展，但是也存在以下需要进一步研究的内容：
1、虽然用主动学使得支持向量数据的计算速度得到很大提高，由于背景样本的建模还不够精确，使得算法的检测效果没有达到理想的要求，还需要对背景建模进行进一步的深入研究。
2、在用邻域聚类分割对图像进行分割的过程中，光谱相似性阈值设定是根据大量统计实验得出，需要研究更好的确定合理阈值的方法。
参考文献（略）