哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨 150001
提出了一种基于LKRX检测器的实时异常检测算法.利用局部因果滑动阵列窗, 使检测系统保持因果性.根据卡尔曼滤波器的递归思想, 利用Hermitian矩阵分块求逆引理和Woodbury引理, 将LKRX算法中核协方差矩阵以及其逆矩阵以递归方式更新, 避免了数据的重复计算和逆矩阵的求解, 大大降低了算法复杂度.通过真实数据进行实验, 结果表明, 与LKRX算法相比, 实时LKRX算法在保持相同检测精度的同时, 消耗更少的计算时间; 而与实时RX算法相比, 实时LKRX算法能够检测到更多的异常目标.
高光谱图像处理 多项式KRX算法 实时异常检测 Hermitian矩阵分块求逆引理 Woodbury引理 hyperspectral image processing polynomial KRX algorithm real-time anomaly detection Hermitian lemma Woodbury’s identity
1 哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨 150001
2 德州理工大学, 计算机科学系, 拉伯克 德克萨斯州 79409
高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数, 当训练样本较少时, 高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理, 然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性, 计算高光谱图像的最优降维特征数, 并与相关向量机结合, 对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始未降维数据, 降维后的高光谱图像分类精度有较大幅度的提高.
高光谱图像处理 蒙特卡罗特征降维算法 相关向量机 最优降维波段数 hyperspectral image processing Mote Carlo feature reduction method relevance vector machine optimal feature reduction number
1 杭州电子科技大学计算机应用技术研究所, 浙江 杭州 310018
2 浙江大学电气工程学院, 浙江 杭州 310027
针对非线性混合的高光谱图像目标检测问题，在核信号空间正交投影法（KSSP）的基础上，提出了一种光谱和空间信息结合的组合核信号空间正交投影方法（CKSSP）。分别基于边缘序和像元距离为序尺度函数的导出序将灰度形态变换扩展到多值图像空间中的形态变换，利用多结构元素组合的扩展数学形态学方法提取高光谱图像的空间信息。根据核函数定义，结合光谱信息和空间信息构造出组合核函数并加以证明，通过组合核信号空间正交投影实现目标检测。该方法在充分利用光谱信息的同时，合理利用了空间信息。仿真数据实验结果表明CKSSP的均方根误差比KSSP小0.03，真实高光谱图像数据实验和ROC曲线均表明CKSSP目标检测结果优于KSSP。
遥感 高光谱图像处理 数学形态学 核信号空间正交投影 目标检测 光学学报
2011, 31(12): 1228003
1 华南理工大学自动化科学与工程学院, 广州 510641
2 西北工业大学自动化学院, 西安 710072
针对背景和目标的先验光谱特征未知的条件,给出一种基于单似然检验的高光谱图像小目标检测器。小目标相对于背景的低概率性使得高光谱图像数据对目标光谱信号的矩特征几乎不施加约束,可在最大熵条件下将广义似然比检验简化为对背景似然的单似然检验;利用全部数据样本建立无参估计模型以充分利用样本信息,从而得到基于单似然检验的高光谱图像小目标检测器。该检测器避免了统计模型误差和不明确物理含义特征对实际高光谱图像数据检测带来的影响。使用可见光/近红外波段机载I型实用型模块化成像光谱仪(OMIS-I)高光谱图像进行了实验,实验结果及相应理论分析表明该算法可有效检测高光谱图像中的空间低概率目标。
信息处理技术 高光谱图像处理 目标检测 单似然检验
高光谱图像分析中,对未知环境下伪装目标的检测识别具有较大难度,因为缺乏背景与目标的先验光谱信息.针对这一问题,提出一种高光谱图像异常检测算法.将高光谱图像分成波段子集进行特征提取,利用对图像中噪声程度及目标、背景之间可分性敏感的特征样本高阶统计量构造基本置信指派函数,通过D-S证据推理实现特征层智能融合异常检测.理论分析及仿真实验结果表明了算法的有效性.
高光谱图像处理 目标检测 特征融合 证据推理 波段子集 Hyperspectral imagery processing Target detection Feature fusion Evidence reasoning Band subsets
