技术领域
[0001] 本
发明涉及异常检测技术领域，尤其涉及一种高光谱图像的异常检测方法及装置。
背景技术
[0002] 异常检测是高光谱领域的一个热点问题。异常目标是指人们感兴趣的地物。它有两大特点，其一，有明显的光谱差异，其二，在图像中出现的概率较低。
[0003]
现有技术中，通常使用RX
算法实现异常检测。RX算法假设图像背景服从多元正态分布，通过计算背景像元集的均值向量和协方差矩阵来描述背景信息。
发明人在实现本发明创造的过程中发现：RX算法无法准确估计背景信息，导致检测结果具有较高的虚警率。
发明内容
[0004] 有鉴于此，本发明提供了一种高光谱图像的异常检测方法及装置，用以解决现有技术中RX算法无法准确估计背景信息，导致检测结果具有较高的虚警率的问题，其技术方案如下：
[0005] 一方面，一种高光谱图像的异常检测方法，包括：
[0006] 获取待检测的高光谱图像；
[0007] 采用RX算法对所述待检测的高光谱图像进行异常检测，获得异常检测结果；
[0008] 对所述异常检测结果进行
阈值分割，获得目标像元集和背景像元集；
[0009] 计算所述目标像元集的均值向量和协方差矩阵，以及所述背景像元集的均值向量和协方差矩阵；
[0010] 对于所述高光谱图像中的每个待检测像元，通过所述背景像元集的均值向量和协方差矩阵计算所述待检测像元与背景像元的距离，通过所述目标像元集的均值向量和协方差矩阵计算所述待检测像元与目标像元的距离，用所述待检测像元与背景像元的距离减去所述待检测像元与目标像元的距离，得到异常检测结果。
[0011] 其中，使用RX算法对所述待检测的高光谱图像进行异常检测，获得异常检测结果矩阵，包括：
[0012] 利用所述待检测的高光谱图像背景的均值向量和协方差矩阵，通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到所述异常检测结果矩阵，其中，A(i,j)为所述异常检测结果矩阵，r(i,j)为所述待检测的高光谱图像中在
位置(i,j)的像元，μ为所述待检测的高光谱图像中背景的均值向量，Σ为所述待检测的高光谱图像中背景的协方差矩阵。
[0013] 其中，对所述异常检测结果进行阈值分割，获得目标像元集和背景像元集，包括：
[0014] 获取置信系数γLower和γUpper，以及所述异常检测结果的灰度直方图；
[0015] 通过所述异常检测结果的灰度直方图确定与所述置信系数γLower对应的灰度阈值THLower，以及与所述置信系数γUpper对应的灰度阈值THUpper；
[0016] 从区间[THLower,THUpper]中确定最佳灰度阈值THBest；
[0017] 将所述异常检测结果中大于所述最佳灰度阈值THBest的像元确定为目标像元，得到所述目标像元集，将除确定出的目标像元外的像元确定为背景像元，得到所述背景像元集。
[0018] 其中，所述从区间[THLower,THUpper]中确定最佳灰度阈值THBest，包括：
[0019] 将所述区间[THLower,THUpper]划分为多个等长区间；
[0020] 确定所述异常检测结果中落入各个区间的异常检测结果值的数量；
[0021] 通过确定出的落入各个区间的异常检测结果值的数量，按预设规则确定所述最佳灰度阈值THBest；
[0022] 其中，所述预设规则为： Ti为落入第i个区间的异常检测结果值的数量，Ti+1为落入第i+1个区间的异常检测结果值的数量。
[0023] 其中，通过所述背景像元集的均值向量和协方差矩阵计算所述待检测像元是背景像元的距离，包括：
[0024] 利用所述背景像元集的均值向量和协方差矩阵，通过计算得到所述待检测像元与背景像元的距离，其中，μ0为所述背景像元集的均值向量，Σ0为所述背景像元集的协方差矩阵，D0(i,j)为所述待检测像元r(i,j)与背景像元的距离；
[0025] 通过所述目标像元集的均值向量和协方差矩阵计算所述待检测像元是目标像元的距离包括：
[0026] 利用所述目标像元集的均值向量和协方差矩阵，通过计算得到所述待检测像元与目标像元的距离，其中，r(i,j)为待检测像元，μ1为所述目标像元集的均值向量，Σ1为所述目标像元集的协方差矩阵，D1(i,j)为所述待检测像元r(i,j)与目标像元的距离。
[0027] 一种高光谱图像的异常检测装置，包括：
[0028] 图像获取模
块，用于获取待检测的高光谱图像；
[0029] 第一检测模块，用于采用RX算法对所述待检测的高光谱图像进行异常检测，获得异常检测结果；
[0030] 阈值分割模块，用于对所述异常检测结果进行阈值分割，获得目标像元集和背景像元集；
[0031] 计算模块，用于计算所述目标像元集的均值向量和协方差矩阵，以及所述背景像元集的均值向量和协方差矩阵；
[0032] 第二检测模块，用于针对所述高光谱图像中的每个待检测像元，通过所述背景像元集的均值向量和协方差矩阵计算所述待检测像元与背景像元的距离，通过所述目标像元集的均值向量和协方差矩阵计算所述待检测像元与目标像元的距离，用所述待检测像元与背景像元的距离减去所述待检测像元与目标像元的距离，得到异常检测结果。
[0033] 其中，所述第一检测模块包括：
[0034] 第一计算子模块，用于利用所述待检测的高光谱图像背景的均值向量和协方差矩阵，通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到所述异常检测结果矩阵，其中，A(i,j)为所述异常检测结果矩阵，r(i,j)为所述待检测的高光谱图像中在位置(i,j)的像元，μ为所述待检测的高光谱图像中背景的均值向量，Σ为所述待检测的高光谱图像中背景的协方差矩阵。
[0035] 其中，所述阈值分割模块包括：
[0036] 获取子模块，用于获取置信系数γLower和γUpper，以及，所述异常检测结果的灰度直方图；
[0037] 第一确
定子模块，用于通过所述异常检测结果的灰度直方图确定与所述置信系数γLower对应的灰度阈值THLower，以及与所述置信系数γUpper对应的灰度阈值THUpper；
[0038] 第二确定子模块，用于从区间[THLower,THUpper]中确定最佳灰度阈值THBest；
[0039] 第三确定子模块，用于将所述异常检测结果中大于所述最佳灰度阈值THBest的像元确定为目标像元，得到所述目标像元集，将除确定出的目标像元外的像元确定为背景像元，得到所述背景像元集。
[0040] 其中，所述第二确定子模块包括：
[0041] 区间划分单元，用于将所述区间[THLower,THUpper]划分为多个等长区间；
[0042] 第一确定单元，用于确定所述异常检测结果中落入各个区间的异常检测结果值的数量；
[0043] 第二确定单元，用于通过确定出的落入各个区间的异常检测结果值的数量，按预设规则确定所述最佳灰度阈值THBest；
[0044] 其中，所述预设规则为： Ti为落入第i个区间的异常检测结果值的数量，Ti+1为落入第i+1个区间的异常检测结果值的数量。
[0045] 其中，所述第二检测模块包括：
[0046] 第二计算子模块，用于利用所述背景像元集的均值向量和协方差矩阵，通过计算得到所述待检测像元是与背景像元的距离，其中，μ0为所述背景像元集的均值向量，Σ0为所述背景像元集的协方差矩阵，D0(i,j)为所述待检测像元r(i,j)与背景像元的距离；
[0047] 第三计算子模块，用于利用所述目标像元集的均值向量和协方差矩阵，通过计算得到所述待检测像元与目标像元的距离，其中，r(i,j)为待检测像元，μ1为所述目标像元集的均值向量，Σ1为所述目标像元集的协方差矩阵，D1(i,j)为所述待检测像元r(i,j)与目标像元的距离。
[0048] 上述技术方案具有如下有益效果：
[0049] 本发明提供的高光谱图像的异常检测方法及装置，在获取到待检测的高光谱图像后，首先采用RX算法对待检测的高光谱图像进行异常检测，然后对异常检测结果进行阈值分割，得到目标像元集和背景像元集，最后针对每个待检测像元，通过目标像元集和背景像元集确定待检测像元与目标像元的距离，以及待检测像元与背景像元的距离，利用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到该待检测像元的异常检测结果值，从而得到待检测的高光谱图像的异常检测结果。本发明提供的高光谱图像的异常检测方法及装置，利用待检测的高光谱图像中蕴含的背景信息和目标信息指导后续的异常检测工作，该方法能够更准确的估计背景信息，从而使背景信息满足RX算法对背景信息的假设，进而提高异常目标检出率、降低虚警率。
附图说明
[0050] 为了更清楚地说明本发明
实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0051] 图1为本发明实施例提供的一种高光谱图像的异常检测方法的流程示意图；
[0052] 图2为本发明实施例提供的另一种高光谱图像的异常检测方法的流程示意图；
[0053] 图3为本发明实施例提供的一种高光谱图像的异常检测装置的结构示意图；
[0054] 图4为本发明实施例提供的另一种高光谱图像的异常检测装置的结构示意图。
具体实施方式
[0055] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056] 请参阅图1，为本发明实施例提供的一种高光谱图像的异常检测方法的流程示意图，该方法可以包括：
[0057] 步骤S101：获取待检测的高光谱图像。
[0058] 其中，高光谱图像为一个三维数组，具体的，为M行、N列、L个波段的图像，高光谱图像集图像信息与光谱信息于一身。高光谱图像由M×N个像元组成，每个像元r(i，j)均为一个L维列向量，由高光谱图像在(i，j)位置的L个波段的数值构成。
[0059] 步骤S102：采用RX算法对待检测的高光谱图像进行异常检测，获得异常检测结果。
[0060] 步骤S103：对异常检测结果进行阈值分割，获得目标像元集和背景像元集。
[0061] 图像阈值分割是一种传统的最常用的
图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。
[0062] 由于现有技术中的异常检测是一个未知目标信息和背景信息的盲检测过程，RX算法缺少可利用的信息对背景信息做出准确估计，不准确的背景估计导致检测结果具有较高的虚警率。有鉴于此，本发明实施例通过阈值分割获取待检测的高光谱图像中蕴含的背景信息和目标信息，获取的背景信息和目标信息用于辅助后续的异常检测，通过背景信息和目标信息能够对背景做出准确估计，从而提高后续异常检测的检出率、降低虚警率。
[0063] 步骤S104：计算目标像元集的均值向量和协方差矩阵，以及，背景像元集的均值向量和协方差矩阵。
[0064] 步骤S105：对于高光谱图像中的每个待检测像元，通过背景像元集的均值向量和协方差矩阵计算待检测像元与背景像元的距离，通过目标像元集的均值向量和协方差矩阵计算待检测像元与目标像元的距离，用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到异常检测结果。
[0065] 本发明实施例提供的高光谱图像的异常检测方法，在获取到待检测的高光谱图像后，首先采用RX算法对待检测的高光谱图像进行异常检测，然后对异常检测结果进行阈值分割，得到目标像元集和背景像元集，最后针对每个待检测像元，通过目标像元集和背景像元集确定待检测像元与目标像元的距离，以及待检测像元与背景像元的距离，用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到该待检测像元的异常检测结果值，从而得到待检测的高光谱图像的异常检测结果。本发明实施例提供的高光谱图像的异常检测方法，利用待检测的高光谱图像中蕴含的背景信息和目标信息指导后续的异常检测工作，该方法能够更准确的估计背景信息，从而使背景信息满足RX算法对背景信息的假设，进而提高异常目标检出率、降低虚警率。
[0066] 请参阅图2，为本发明实施例提供的另一种高光谱图像的异常检测方法的流程示意图，该方法可以包括：
[0067] 步骤S201：获取待检测的高光谱图像R。
[0068] 其中，高光谱图像R为一个三维数组，具体的，为M行、N列、L个波段的图像，高光谱图像集图像信息与光谱信息于一身。高光谱图像由M×N个像元组成，每个像元r(i，j)均为一个L维列向量，由高光谱图像在(i，j)位置的L个波段的数值构成。
[0069] 步骤S202：计算待检测的高光谱图像R中背景的均值向量μ。
[0070] 其中，待检测的高光谱图像R中背景的均值向量μ可通过式(1)计算：
[0071]
[0072] 步骤S203：利用背景的均值向量μ计算待检测的高光谱图像R中背景的协方差矩阵Σ。
[0073] 其中，待检测的高光谱图像R中背景的协方差矩阵Σ可通过式(2)计算：
[0074]
[0075] 步骤S204：利用待检测的高光谱图像R中背景的均值向量μ和协方差矩阵Σ，采用RX算法对待检测的高光谱图像R进行异常检测，获得异常检测结果矩阵A。
[0076] 其中，异常检测结果矩阵A为M行、N列、1波段的灰度图像。
[0077] 采用RX算法对待检测的高光谱图像R进行异常检测具体为：可通过式(3)计算得到检测结果矩阵A：
[0078] A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ] (3)
[0079] 步骤S205：获取置信系数γLower和γUpper，以及异常检测结果的灰度直方图，通过异常检测结果的灰度直方图确定与置信系数γLower对应的灰度阈值THLower，以及与置信系数γUpper对应的灰度阈值THUpper。
[0080] 其中，置信系数表示图像中背景出现的概率。具体的，置信系数γLower表示图像中背景出现的最小概率，置信系数γUpper表示图像中背景出现的最大概率。
[0081] 步骤S206：从区间[THLower,THUpper]中确定最佳灰度阈值THBest。
[0082] 在一种可能的实现方式中，从区间[THLower,THUpper]中确定最佳灰度阈值THBest可以包括：将区间[THLower,THUpper]划分为多个等长区间；确定异常检测结果中落入各个区间的异常检测结果值的数量；通过确定出的落入各个区间的异常检测结果值的数量，按预设规则确定最佳灰度阈值THBest。其中，预设规则可以为： Ti为落入第i个区间的异常检测结果值的数量，Ti+1为落入第i+1个区间的异常检测结果值的数量，i和为大于等于1的整数。
[0083] 步骤S207：将异常检测结果中大于最佳灰度阈值THBest的像元确定为目标像元，得到目标像元集H1，将除确定出的目标像元外的像元确定为背景像元，得到背景像元集H0。
[0084] 图像阈值分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。
[0085] 由于现有技术中的异常检测是一个未知目标信息和背景信息的盲检测过程，RX算法缺少可利用的信息对背景信息做出准确估计，不准确的背景估计导致检测结果具有较高的虚警率。有鉴于此，本发明实施例通过阈值分割获取待检测的高光谱图像中蕴含的背景信息和目标信息，获取的背景信息和目标信息用于辅助后续的异常检测。一方面，获取背景信息和目标信息作为先验知识，用与背景更相似的像元估计背景，能够抑制异常目标和噪声干扰，使背景更好的满足算法假设，另一方面，背景信息和目标信息的引入能够突显目标，从而提高异常目标检出率、降低虚警率。
[0086] 步骤S208：计算目标像元集H1的均值向量μ1和协方差矩阵Σ1，以及，背景像元集H0的均值向量μ0和协方差矩阵Σ0。
[0087] 步骤S209：对于待检测的高光谱图像R中的每个待检测像元，通过背景像元集H0的均值向量μ0和协方差矩阵Σ0计算待检测像元与背景像元的距离，通过目标像元集H1的均值向量μ1和协方差矩阵Σ1计算待检测像元与目标像元的距离，用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到异常检测结果。
[0088] 对于待检测像元r(i,j)，通过背景像元集H0的均值向量μ0和协方差矩阵Σ0计算待检测像元r(i,j)与背景像元的距离具体为：利用背景像元集H0的均值向量μ0和协方差矩阵Σ0通过式(4)计算待检测像元r(i,j)与背景像元的距离D0(i,j)：
[0089]
[0090] 同样的，对于待检测像元r(i,j)，通过目标像元集H1的均值向量μ1和协方差矩阵Σ1计算待检测像元r(i,j)与目标像元的距离具体为：利用目标像元集H1的均值向量μ1和协方差矩阵Σ1，通过式(5)计算待检测像元r(i,j)与目标像元的距离D1(i,j)：
[0091]
[0092] 在计算得到待检测像元r(i,j)与背景像元的距离P0(i,j)，以及待检测像元r(i,j)与目标像元的距离P1(i,j)后，通过式(6)计算像元r(i,j)的异常检测结果值ΔD0-1(i,j)：
[0093] ΔD0-1(i,j)=D0(i,j)-D1(i,j) (6)
[0094] 对于待检测的高光谱图像中的每个像元都执行上述操作，便得到待检测的高光谱图像的异常检测结果ΔD0-1。
[0095] 本发明实施例提供的高光谱图像的异常检测方法，在获取到待检测的高光谱图像后，首先采用RX算法对待检测的高光谱图像进行异常检测，然后对异常检测结果进行阈值分割，得到目标像元集和背景像元集，最后针对每个待检测像元，通过目标像元集和背景像元集确定待检测像元与目标像元的距离，以及待检测像元与背景像元的距离，利用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到该待检测像元的异常检测结果值，从而得到待检测的高光谱图像的异常检测结果。本发明实施例提供的高光谱图像的异常检测方法，利用待检测的高光谱图像中蕴含的背景信息和目标信息指导后续的异常检测工作，该方法能够更准确的估计背景信息，从而使背景信息满足RX算法对背景信息的假设，进而提高异常目标检出率、降低虚警率。
[0096] 请参阅图3，为本发明实施例提供的一种高光谱图像的异常检测装置的结构示意图，该装置可以包括：图像获取模块301、第一检测模块302、阈值分割模块303、计算模块304、第二检测模块305。其中：
[0097] 图像获取模块301，用于获取待检测的高光谱图像。
[0098] 第一检测模块302，用于采用RX算法对待检测的高光谱图像进行异常检测，获得异常检测结果。
[0099] 阈值分割模块303，用于对异常检测结果进行阈值分割，获得目标像元集和背景像元集。
[0100] 计算模块304，用于计算目标像元集的均值向量和协方差矩阵，以及背景像元集的均值向量和协方差矩阵。
[0101] 第二检测模块305，用于针对待检测的高光谱图像中的每个待检测像元，通过背景像元集的均值向量和协方差矩阵计算待检测像元与背景像元的距离，通过目标像元集的均值向量和协方差矩阵计算待检测像元与目标像元的距离，用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到异常检测结果。
[0102] 本发明实施例提供的高光谱图像的异常检测装置，在获取到待检测的高光谱图像后，首先采用RX算法对待检测的高光谱图像进行异常检测，然后对异常检测结果进行阈值分割，得到目标像元集和背景像元集，最后针对每个待检测像元，通过目标像元集和背景像元集确定待检测像元与目标像元的距离，以及待检测像元与背景像元的距离，利用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到该待检测像元的异常检测结果值，从而得到待检测的高光谱图像的异常检测结果。本发明实施例提供的高光谱图像的异常检测装置，利用待检测的高光谱图像中蕴含的背景信息和目标信息指导后续的异常检测工作，能够更准确的估计背景信息，从而使背景信息满足RX算法对背景信息的假设，进而提高异常目标检出率、降低虚警率。
[0103] 请参阅图4，为本发明实施例提供的另一种高光谱图像的异常检测装置的结构示意图，该装置可以包括：图像获取模块401、第一检测模块402、阈值分割模块403、计算模块404、第二检测模块405。其中：
[0104] 图像获取模块401，用于获取待检测的高光谱图像。
[0105] 第一检测模块402，用于采用RX算法对待检测的高光谱图像进行异常检测，获得异常检测结果。
[0106] 进一步的，第一检测模块包括402：第一计算子模块4021。
[0107] 第一计算子模块，用于利用待检测的高光谱图像背景的均值向量和协方差矩阵，通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到异常检测结果矩阵，其中，A(i,j)为异常检测结果矩阵，r(i,j)为待检测的高光谱图像中在位置(i,j)的像元，μ为待检测的高光谱图像中背景的均值向量，Σ为待检测的高光谱图像中背景的协方差矩阵。
[0108] 阈值分割模块403，用于对异常检测结果进行阈值分割，获得目标像元集和背景像元集。
[0109] 进一步的，阈值分割模块403可以包括：获取子模块4031、第一确定子模块4032、第二确定子模块4033和第三确定子模块4034。其中：
[0110] 获取子模块4031，用于获取置信系数γLower和γUpper，以及异常检测结果的灰度直方图。
[0111] 第一确定子模块4032，用于通过异常检测结果的灰度直方图确定与置信系数γLower对应的灰度阈值THLower，以及与置信系数γUpper对应的灰度阈值THUpper。
[0112] 第二确定子模块4033，用于从区间[THLower,THUpper]中确定最佳灰度阈值THBest。
[0113] 第三确定子模块4034，用于将异常检测结果中大于最佳灰度阈值THBest的像元确定为目标像元，得到目标像元集，将除确定出的目标像元外的像元确定为背景像元，得到背景像元集。
[0114] 更进一步的，第二确定子模块4033可以包括：区间划分单元、第一确定单元和第二确定单元。其中，区间划分单元，用于将所述区间[THLower,THUpper]划分为多个等长区间；第一确定单元，用于确定所述异常检测结果中落入各个区间的异常检测结果值的数量；第二确定单元，用于通过确定出的落入各个区间的异常检测结果值的数量，按预设规则确定所述最佳灰度阈值THBest，预设规则可以为： Ti为落入第i个区间的异常检测结果值的数量，Ti+1为落入第i+1个区间的异常检测结果值的数量。
[0115] 计算模块404，用于计算目标像元集的均值向量和协方差矩阵，以及背景像元集的均值向量和协方差矩阵。
[0116] 第二检测模块405，用于针对待检测的高光谱图像中的每个待检测像元，通过背景像元集的均值向量和协方差矩阵计算待检测像元与背景像元的距离，通过目标像元集的均值向量和协方差矩阵计算待检测像元与目标像元的距离，用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到异常检测结果。
[0117] 进一步的，第二检测模块405包括：第二计算子模块4051和第三计算子模块4052。其中：
[0118] 第二计算子模块4051，用于利用背景像元集的均值向量和协方差矩阵，通过计算得到待检测像元与背景像元的距离，其中，μ0为背景像元集的均值向量，Σ0为背景像元集的协方差矩阵，P0(i,j)为待检测像元r(i,j)与背景像元的距离。
[0119] 第三计算子模块4052，用于利用背景像元集的均值向量和协方差矩阵，通过计算得到待检测像元与目标像元的距离，其中，r(i,j)为待检测像元，μ1为目标像元集的均值向量，Σ1为目标像元集的协方差矩阵，D1(i,j)为待检测像元r(i,j)与目标像元的距离。
[0120] 本发明实施例提供的高光谱图像的异常检测装置，在获取到待检测的高光谱图像后，首先采用RX算法对待检测的高光谱图像进行异常检测，然后对异常检测结果进行阈值分割，得到目标像元集和背景像元集，最后针对每个待检测像元，通过目标像元集和背景像元集确定待检测像元与目标像元的距离，以及待检测像元与背景像元的距离，利用待检测像元与背景像元的距离减去待检测像元与目标像元的距离，得到该待检测像元的异常检测结果值，从而得到待检测的高光谱图像的异常检测结果。本发明实施例提供的高光谱图像的异常检测装置，利用待检测的高光谱图像中蕴含的背景信息和目标信息指导后续的异常检测工作，能够更准确的估计背景信息，从而使背景信息满足RX算法对背景信息的假设，进而提高异常目标检出率、降低虚警率。
[0121] 需要说明的是，本
说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0122] 还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0123] 结合本文中所公开的实施例描述的方法或算法的步骤可以直接用
硬件、处理器执行的
软件模块，或者二者的结合来实施。
软件模块可以置于随机
存储器（RAM）、内存、
只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、
硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
[0124] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种
修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
