1 常州工学院计算机信息工程学院, 江苏 常州 213000
2 大庆师范学院机电工程学院, 黑龙江 大庆 163000
3 哈尔滨工程大学信息与通信工程学院, 哈尔滨 150000
异常目标检测是当前高光谱图像处理中的一个研究热点。针对当前异常目标检测算法存在的问题, 从解决高光谱图像中含有的背景、异常目标和噪声等相关量出发, 利用高光谱图像的空间谱和光谱特性, 提出了联合低秩张量分解和稀疏表示的新的高光谱图像异常目标检测算法。该算法首先利用低秩张量分解模型对高光谱进行图像恢复, 使图像质量得到提升, 从而使得异常目标变得突出, 易于进行目标检测; 然后, 再利用稀疏差异指数进行异常目标检测, 得到需要的异常检测结果; 最后, 利用真实的高光谱图像进行仿真实验, 结果表明, 新的异常目标检测算法具有检测精度高、虚警率低和鲁棒性好的特点。
高光谱图像 异常目标检测 张量分解 稀疏表示 hyperspectral imagery anomaly target detection tensor decomposition sparse representation
1 大庆师范学院 机电工程学院, 黑龙江 大庆 163712
2 大庆师范学院 计算机科学与信息技术学院, 黑龙江 大庆 163712
经典的RX异常检测算子假设背景数据信息符合高斯分布, 但是由于高光谱图像混有大量的加性噪声, 使得图像产生退化, 背景信息并不完全符合这类分布。针对这一问题, 提出了基于低秩张量分解的高光谱图像RX异常目标检测算法。该方法首先利用高光谱图像的张量数据结构和低秩数据特性, 引入低秩张量分解方法对高光谱图像进行数据恢复, 使得异常目标信息相比于复杂背景信息变得突出; 再利用RX异常检测算子对恢复之后的高光谱图像进行异常目标检测; 最后得到异常目标检测结果。通过仿真实验对比, 提出的新的异常目标检测方法具有检测精度高、虚警率低和鲁棒性好的特点。
高光谱图像 异常目标检测 低秩张量分解 RX异常检测算子 hyperspectral imagery anomaly target detection low-rank tensor decomposition RX anomaly detection operator
1 大庆师范学院机电工程学院, 黑龙江 大庆 163712
2 哈尔滨工程大学信息与通信工程学院,哈尔滨 150001
高光谱图像在****和民用领域都有大量的应用, 特别是异常目标检测不需要任何先验信息, 使其成为高光谱图像处理和信息提取的关键技术和研究热点之一。通过系统的梳理、分析和研究, 对现有的异常目标检测算法进行了深入的归纳和总结, 并对高光谱图像异常目标检测涉及到的关键问题、未来的技术发展方向(如稀疏表示、张量分解和深度学习等)以及算法存在的问题进行了分析评价, 提出了一些具有创新性的观点并预测了未来的研究趋势。
高光谱图像 异常目标检测 稀疏表示 张量分解 hyperspectral imagery anomaly target detection sparse representation tensor decomposition
陆军工程大学石家庄校区电子与光学工程系, 河北 石家庄 050003
随着高光谱图像技术的不断发展, 光谱分辨率和空间分辨率不断提高, 相比于其他遥感图像, 能够获得更为精细的光谱特征。 这为地物的高精度分类、 解混和目标检测等研究领域提供了理论平台, 其中由于高光谱异常目标检测技术不需要地物的先验信息, 更符合实际应用的需求。 针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异, 而忽略两者空间信息的差异, 导致检测精度不高的问题, 提出了一种基于空谱联合异常度的高光谱异常目标检测算法。 该算法不需要假设图像的背景模型, 建立在滑动双窗口的基础上, 提出了光谱异常度和空间异常度两个概念。 在光谱异常度计算中, 考虑了波段间的非线性特征, 采用光谱角匹配的核函数方法进行检测, 基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度; 在空间异常度的计算中, 由于物质在空间方面的聚类特性, 通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量, 同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度; 最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度, 基于滑动双窗口模型对整幅图像的像元进行逐个检测, 即可得到图像的异常检测结果。 采用AVIRIS的三组真实高光谱数据对所提算法进行仿真实验, 并与传统的RX算法、 LRX算法和KRX算法进行对比研究, 结果表明本文算法具有较好的检测效果, 与KRX算法相比, 运行速度具有较大幅度的提升。
高光谱图像 异常目标检测 光谱异常度 核光谱角 空间异常度 图像块灰度向量 Hyperspectral Anomaly target detection Spectral anomaly degree Kernelspectral angle Spatial anomaly degree Image block gray vector 光谱学与光谱分析
2020, 40(6): 1902
1 陆军工程大学石家庄校区 电子与光学工程系, 石家庄 050003
2 解放军31681部队, 甘肃 天水 741000
3 解放军68129部队, 兰州 730000
针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息, 导致检测精度低的问题, 提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号, 并与图像自身的稀疏性相结合, 对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进, 该算法以待测像元为中心构建一定大小的空间窗, 计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值, 通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵; 最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵, 将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度, 设置阈值, 得到检测结果。为验证所提算法的检测性能, 采用了真实的高光谱数据进行仿真实验, 并与现有算法进行对比, 结果表明该算法能够得到更高的检测精度。
高光谱图像 异常目标检测 低秩稀疏矩阵分解 稀疏矩阵 残差矩阵 hyperspectral image anomaly target detection low rank sparse matrix decomposition sparse matrix residual matrix
大庆师范学院 机电工程学院, 黑龙江 大庆 163712
针对KRX方法对高光谱图像进行异常目标检测时存在检测效率低和虚警率高的问题, 在充分分析高光谱图像数据特征基础上, 本文提出一种最优波段子空间方法的高光谱图像异常目标检测算法。该算法首先利用双边滤波方法对高光谱图像进行全局滤波, 充分利用双边滤波的优点, 使得高光谱图像背景信息得到抑制; 然后采用经典的自动子空间方法对高光谱图像进行波段子集划分; 再利用联合偏度-峰度指标, 在每个波段子集内选出最优波段; 最后利用这些最优波段构成新的波段最优子空间, 在此基础上, 在最优波段子空间中利用Kernel RX算法进行异常目标检测, 从而得到异常检测结果。本文利用真实的高光谱图像进行仿真验证, 获得异常目标、检测的虚警数和ROC等检测结果。结果表明, 该算法具有鲁棒性强、虚警率低和检测精度高等优点。
高光谱遥感图像 异常目标检测 双边滤波 波段子空间 hyperspectral remote sensing imagery anomaly target detection bilateral filtering bands subspace
陆军工程大学石家庄校区 电子与光学工程系, 石家庄 050003
针对协同表示的高光谱异常目标检测算法的异常点敏感问题, 提出了一种基于背景纯化的改进协同表示的高光谱异常目标检测算法。利用扩展数学形态学的膨胀操作消除局部背景模型中可能存在的异常点, 从而得到更为纯净的背景字典, 能够有效地消除检测过程中异常点对检测效果的负面影响, 从而提高检测精度。采用该算法对高光谱数据进行仿真实验, 并与现有算法进行对比, 结果表明该算法具有更好的检测效果。
高光谱 异常目标检测 异常点 扩展数学形态学 背景字典 hyperspectral anomaly target detection anomaly points extended mathematical morphology backedground dictionary
1 杭州电子科技大学 计算机学院, 杭州 310018
2 大连海事大学 信息科学技术学院, 辽宁 大连 116026
3 中国科学院光谱成像技术重点实验室, 西安 710119
4 浙江大学 电气工程学院, 杭州 310027
为了有效缓解海量高光谱数据存储与传输压力并快速精确检测异常目标, 提出一种以滑动阵列窗像元为局部背景的高光谱图像非因果实时RXD异常检测方法.利用随数据逐像元接收而滑动的阵列窗确定局部背景像元, 运用Woodbury引理, 通过矩阵与向量的乘法和矩阵的加减实现局部背景协方差矩阵的求逆运算, 在逐像元接收数据的同时实现阵列窗口中心像元的异常检测.模拟和真实高光谱图像实验结果表明, 与现有实时检测方法相比, 所提方法在检测性能或运行效率上有所提升; 相比非实时的滑动阵列RXD异常检测, 所提方法时间复杂度更低, 处理大小为200×200含189波段的图像, 其加速比达到近26倍.实验结果验证了该方法能在不降低检测精度的同时满足低运算量和低存储空间的实时性要求.
高光谱异常目标检测 实时算法 递归计算 协方差矩阵 滑动阵列 Hyperspectral anomaly target detection Real-time algorithm Recursive calculation Covariance matrix Sliding array
哈尔滨工程大学信息与通信工程学院, 黑龙江 哈尔滨 150001
实时处理可以缓解海量高光谱数据在存储及下行传输方面带来的巨大压力, 在高光谱异常检测领域引起了研究人员的广泛关注。高光谱成像传感器通过推扫获取数据的方式已成为主流, 因此, 提出了一种基于逐行处理框架的高光谱实时异常目标检测算法。将局部因果窗模型引入Reed-Xiaoli异常检测算法中, 通过滑动局部因果窗来检测异常目标, 保证了实时处理的因果性。针对矩阵求逆过程复杂度过大的问题, 在卡尔曼滤波器递归思想的基础上, 利用Woodbury求逆引理, 由前一时刻数据状态信息迭代更新当前数据的状态信息, 避免了大矩阵的求逆运算, 减少了算法的计算量。利用模拟和真实高光谱数据进行实验, 结果表明, 在保持检测精度不变的前提下, 提出的实时算法的运算效率相比于原始算法得到显著提高。
遥感 高光谱异常目标检测 实时算法 逐行处理 局部因果窗
哈尔滨工程大学 信息与通信工程学院,哈尔滨 150001
针对高光谱图像异常目标检测中图像邻近像元光谱相似易对检测结果产生干扰的现象,将聚类算法引入到异常目标检测领域,提出一种采用主成分量化和密度估计期望最大聚类的高光谱图像异常目标检测算法.在高维空间中,使用期望最大聚类算法对像元光谱向量进行聚类,将邻近像元的空间相关性转化为类内或类间像元的关系,根据异常像元分布在类别边缘的原理,以类为单位检测异常目标,有效地避免异常点的信息被淹没;另外,针对期望最大聚类算法对初始化过程要求敏感的问题,提出了根据图像的第一主成分信息,分别利用向量量化和密度估计的方法对期望最大聚类算法进行初始化,进一步提高算法的检测效果和计算效率.用合成和真实的AVIRIS高光谱数据进行仿真实验,仿真结果表明使用基于主成分量化和密度估计期望最大聚类算法的高光谱图像异常目标检测算法明显优于传统的异常检测算法.
高光谱图像 异常检测 主成分量化 密度估计 期望最大聚类 Hyperspectral image Anomaly target detection Principal component quantization Density estimation Expectation maximization clustering