本发明涉及图像异常目标检测，特别是涉及基于超像素盲点网络的图像异常目标检测方法及系统。
背景技术：
1、高光谱图像是一种包含两个空间维度和一个光谱维度的三维立方体数据结构，涵盖数百个连续的窄带光谱通道，覆盖可见光、近红外、短波红外、中红外和紫外波段。通过捕捉地面物体的细微光谱差异，高光谱图像在目标检测中具有独特优势。
2、高光谱成像中的异常检测问题属于二分类问题，其目标是将图像划分为背景和感兴趣的异常目标。异常目标通常具有稀有性、发生概率低、面积小、与背景光谱差异显著等特征。作为一种无监督的目标检测方法，高光谱图像异常检测面临异常目标类型多样化、异常与背景区分难度大，以及检测精度易受场景影响等挑战。这些问题在多个应用领域中具有重要的研究价值。
3、现有的高光谱异常检测方法大致可分为三大类：基于统计的方法、基于表征学习的方法和基于深度学习的方法。传统的异常检测算法主要关注高光谱图像的光谱异常，通常难以准确拟合真实的背景分布。在计算背景的均值向量和协方差矩阵时，算法容易受到异常像素的干扰。而深度学习方法因其出色的泛化性能，近年来受到了广泛关注和应用。
4、许多重建模型在学习高光谱图像时，容易产生恒等映射问题，即部分异常像素可能不可避免地出现在重建后的图像中，导致难以有效分离异常与背景，从而降低模型性能。原始盲点网络通过将感受野分为内外两个窗口，仅利用外窗口的像素来预测中心像素，因此网络无法获取感受野中心像素的光谱信息。当中心像素为异常像素时（即显著不同于其周围像素），盲点网络难以准确预测/重建中心像素，从而产生较大的重建误差。由于网络对盲点的预测仅依赖于邻近像素信息，排除了自我信息，从而避免了恒等映射的发生。然而，原有的盲点网络在识别大尺寸异常目标时表现出不足。这是因为在预测中心异常像素时，网络会受到包含目标光谱信息的相邻像素的影响，导致大尺寸异常目标呈现出较低的重建误差。为解决这一问题，超像素分割技术能够根据相似纹理、颜色和亮度等特征，将相邻像素划分为具有视觉意义的不规则像素块，其自适应大小能够有效契合异常目标检测任务。
技术实现思路
1、为了在没有先验光谱知识的情况下，对高光谱遥感图像异常目标进行检测，本发明提供了基于超像素盲点网络的图像异常目标检测方法及系统，实现了较高的准确率。
2、一方面，提供了基于超像素盲点网络的图像异常目标检测方法，包括：获取高光谱图像，对高光谱图像进行超像素分割，得到若干个超像素块；基于每个超像素块的中心，从高光谱图像中裁剪出设定尺寸的超像素图像；在裁剪出的每一幅超像素图像中，将超像素块内部的像素替换为随机选取的外部像素，将超像素块外部的像素设置为背景像素，得到重建图像；在裁剪出的超像素图像中，将超像素块内部的像素的位置标记为真实位置，得到掩码图像；至此，得到重建图像和掩码图像一一对应的图像对；对裁剪出的所有超像素图像均按照前一步的步骤进行处理，得到若干个图像对；将所有的图像对，作为训练集；将训练集，输入超像素盲点网络中，对网络进行训练；训练时，将重建图像作为网络的输入值，将掩码图像作为真实值，通过损失函数计算真实值与网络预测值之间的差异，当损失函数值不再下降时，停止训练，得到训练后的超像素盲点网络；基于超像素盲点网络，对待检测的高光谱图像进行检测，得到异常目标的检测结果。
3、另一方面，提供了基于超像素盲点网络的图像异常目标检测系统，包括：获取模块，其被配置为：获取高光谱图像，对高光谱图像进行超像素分割，得到若干个超像素块；基于每个超像素块的中心，从高光谱图像中裁剪出设定尺寸的超像素图像；构建模块，其被配置为：在裁剪出的每一幅超像素图像中，将超像素块内部的像素替换为随机选取的外部像素，将超像素块外部的像素设置为背景像素，得到重建图像；在裁剪出的超像素图像中，将超像素块内部的像素的位置标记为真实位置，得到掩码图像；至此，得到重建图像和掩码图像一一对应的图像对；训练模块，其被配置为：对裁剪出的所有超像素图像均按照前一步的步骤进行处理，得到若干个图像对；将所有的图像对，作为训练集；将训练集，输入超像素盲点网络中，对网络进行训练；训练时，将重建图像作为网络的输入值，将掩码图像作为真实值，通过损失函数计算真实值与网络预测值之间的差异，当损失函数值不再下降时，停止训练，得到训练后的超像素盲点网络；检测模块，其被配置为：基于超像素盲点网络，对待检测的高光谱图像进行检测，得到异常目标的检测结果。
4、上述技术方案具有如下优点或有益效果：提供了一种基于超像素盲点网络，并结合自适应权重机制的高光谱遥感图像异常检测方法。该方法在一定程度上弥补了现有深度学习方法在多光谱遥感图像增强任务中的不足。通过超像素分割与盲点网络的结合，不仅能够避免恒等映射问题，还能在处理大尺寸异常目标时表现出优越的检测效果。此外，训练过程中的自适应权重机制有效降低了异常像素的干扰，显著提升了背景图像的重建精度。
1.基于超像素盲点网络的图像异常目标检测方法，其特征是，包括：
2.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，所述获取高光谱图像之后，所述对高光谱图像进行超像素分割之前，还包括：对高光谱图像进行归一化处理，将图像中的所有像素值减去最小值，得到修正后的像素值，使得图像中修正后的像素值的最小值为0，然后，将修正后的每个像素值除以修正后像素值的最大值，得到归一化后的像素值，归一化后的像素值范围是0到1。
3.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，对高光谱图像进行超像素分割，得到若干个超像素块，是采用超像素算法对高光谱图像进行超像素分割。
4.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，基于每个超像素块的中心，从高光谱图像中裁剪出设定尺寸的超像素图像，具体包括：
5.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，在裁剪出的每一幅超像素图像中，将超像素块内部的像素替换为随机选取的外部像素，将超像素块外部的像素设置为背景像素，得到重建图像，包括：在裁剪出的每一幅超像素图像中，以超像素块边缘为界，将超像素块边缘以内的区域称之为超像素块内部，将超像素块边缘以外的区域称之为超像素块外部；将超像素块内部的每一个像素，均随机替换为超像素块外部的一个像素，将超像素块外部的像素设置为背景像素，得到重建图像；
6.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，将训练集，输入超像素盲点网络中，对网络进行训练，其中，超像素盲点网络，包括：依次连接的编码器和解码器；所述编码器，包括：依次连接的第一卷积块、第一池化层、第二卷积块、第二池化层和第三卷积块；所述解码器，包括：依次连接的第一上采样层、第四卷积块、第二上采样层、第五卷积块、第三上采样层和第六卷积块；所述第三卷积块的输出端与第一上采样层的输入端连接；所述第一卷积块的输出端与第六卷积块的输入端跳跃连接；所述第二卷积块的输出端与第五卷积块的输入端跳跃连接；所述第三卷积块的输出端与第四卷积块的输入端跳跃连接；
7.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，将训练集，输入超像素盲点网络中，对网络进行训练，其中，超像素盲点网络的训练过程包括：
8.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，训练时，将重建图像作为网络的输入值，将掩码图像作为真实值，通过损失函数计算真实值与网络预测值之间的差异，当损失函数值不再下降时，停止训练，得到训练后的超像素盲点网络；其中，损失函数的具体表达式为：
9.如权利要求1所述的基于超像素盲点网络的图像异常目标检测方法，其特征是，基于超像素盲点网络，对待检测的高光谱图像进行检测，得到异常目标的检测结果，具体包括：
10.基于超像素盲点网络的图像异常目标检测系统，其特征是，包括：
