基于高光谱图像的近距离显著性目标检测

显著性目标检测是计算机视觉中一项重要的任务.基于彩色图像的显著性目标检测已经取得了很好的成果,但是在复杂场景中,基于彩色图像的目标检测方法会失效,例如当目标物体与周围环境有着相似的颜色、轮廓、纹理时.与彩色图像不同,高光谱图像同时记录目标的二维空间信息和一维光谱相应信息,可以刻画目标的材质特性,是处理这类问题的重要方式...     

基于带野值的SVDD的高光谱图像异常检测

基于支持向量数据描述(SVDD)的高光谱图像异常检测算法常常会因为背景样本中混入异常像元(野值)而导致检测概率下降.针对此问题,提出一种基于带野值的支持向量描述的检测算法,引入原点和少量已检测出来的异常像元作为异常样本,以改善算法对异常和背景数据的描述能力;同时为抑制错误样本的影响,将异常和背景样本偏离背景样本均值的距离映射作为各样本的加权系数.结果表明,新算法在低虚警概率下较之SVDD模型有更高的检测概率.利用真实数据进行实验证明了算法的有效性.     

固体颗粒混合物光谱解混模型的影响因子分析

为分析固体颗粒混合物光谱的解混模型的影响因子,验证混凝土水化产物光谱解混的可行性.本研究选取类似混凝土水化产物的氢氧化钙与硫酸钙作为研究对象,进行固体颗粒混合物高光谱解混实验.从混合物光谱叠加、混合比例及搅拌时间3个方面分析了固体颗粒混合物光谱的影响因子.研究结果表明:硫酸钙粉末与氢氧化钙粉末的混合物实测光谱曲线与理论光谱叠加模型曲线的总体趋势一致;固体颗粒物质混合时的混合比例、搅拌时间会影响固体颗粒混合物实测光谱特征.运用光谱比值导数法对混凝土水化6～16 h产物的氢氧化钙进行光谱解混,其比值导数处理结果的丰度表明,6～16 h水泥水化的过程中氢氧化钙的含量逐渐增加,验证了光谱解混模型对混凝土水化产物光谱检测的有效性.     

一种新的高光谱图像波段选择方法

提出了一种新的高光谱图像波段选择方法-波段最大筛选法(Maximum Band Screening,MBS),它将每个波段的像元光谱分量看成一条波段向量,利用光谱相似性度量比较波段与已选波段的不相似性,从而从原始波段中选择信息量既大、又有区别性的波段.为了验证MBS的有效性,将其用于高光谱图像异常探测,设计了异常探测算法.该算法首先从高光谱图像中提取异常目标光谱,噪声白化后,进行MBS波段选择,最后将选出的波段用于自适应余弦估计(Adaptive Coherence Estimator,ACE)目标探测.采用AVIRIS高光谱图像将MBS与另外两种波段选择算法进行比较分析,实验结果表明,在MBS选出的仅占全部波段8%的波段上,ACE算子具有较高的探测性能.     

基于矩阵模式的高光谱波段选择方法

去除冗余信息,进行特征提取是当前高光谱数据处理的一个重要课题。本文根据波段选择的基本准则,结合离散系数和相关系数对高光谱影像空间维和光谱维的可分性及相关性进行分析,提出了基于矩阵模式的高光谱波段选择方法-BSMM,并且定义了一个矩阵因子。在计算空间信息量时比较了标准差和离散系数的量化结果,除此之外,采用区间映射有效地消除了离散系数和相关系数变换区间不一致的情况。最后利用AVIRIS高光谱数据,通过与最佳指数因子的比较验证了该方法的有效性。     

基于CEM的高光谱图像小目标检测算法

针对高光谱图像中小目标检测问题,提出了一种基于约束能量最小化(Constrained Energy Minimization,CEM)的目标检测算法.该算法首先对原始图像进行背景信息抑制从而抑制背景地物、突出低概率的小目标,用迭代误差分析的自动端元提取算法找出目标的端元光谱,然后把目标端元光谱代入CEM滤波器得到该目标的检测结果图.用高光谱数据进行了实验研究,并与CEM滤波器进行了比较.结果表明,其检测性能与直接采用CEM方法的检测性能相当,但是相对于CEM方法,该算法不需要目标的先验光谱信息,更具有实用性.     

基于谱聚类波段选择的高光谱图像分类

高光谱图像在地物观测领域得到了广泛的应用。由于高光谱图像具有数据量大、波段间相关度高等特性,波段选择技术成为降低地物识别计算复杂度的重要方法。根据不同波段数据之间的非线性关系,提出了基于谱聚类(SC)的波段选择技术。该方法首先以波段图像为样本点生成近邻图和相似度矩阵,然后借助谱聚类方法将所有数据样本分成 k类,从中选择 k个代表波段参与后继的分类识别任务。实验数据表明,新方法减小了计算复杂度,提高了地物识别的精度。     

高光谱图像技术检测柑橘果锈

高光谱图像技术作为农产品无损检测的新技术,探讨了其在柑橘外部品质检测的可行性.以检测柑橘果锈为目的,首先对经预处理的高光谱图像数据进行主成分分析,优选出571 nm、652 nm和741 nm三个特征波长组成新的图像块;再进行第二步主成分分析,得到的第三主成分图像为最适宜检测柑橘果锈的图像;最后对该图像进行中值滤波、平方根变换,阈值分割和数字形态学运算完成特征提取.试验结果表明,此算法对柑橘果锈检测的正确率可达到90%.研究表明,利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的.     

基于高光谱成像技术的药用胶囊铬含量快速检测方法研究

研究了基于高光谱成像技术快速检测药用胶囊铬含量的方法。首先应用传统的原子吸收分光法对药用明胶空心硬胶囊分析结果作为对照组,再对1048个胶囊（含正常和含有重金属铬）样本的高光谱数据进行降维和定性分析,最后选择偏最小二乘判别分析方法对光谱数据进行处理。当用4个偏最小二乘算子（LV）作为偏最小二乘法模型中的输入特征,分类准确率可达100%,2种样本的交叉验证和样本预测相关系数分别为0.923和0.972;敏感度与特异度均为100%。     

高光谱、多光谱图像在作物生长监测中的研究现状与展望

本文分别阐述了作物生长监测中高、多光谱图像的获取方法,介绍了农作物生长状况监测中高、多光谱图像技术的应用现状;并展望了高、多光谱图像在作物生长监测中的应用前景。     

航拍高光谱图像中基于投影的自动目标检测算法

针对未知环境条件下的高光谱图像目标检测问题进行了研究,提出了一种基于投影的自动目标检测算法。该算法通过构造正交投影算子预先对部分干扰物信息进行削弱,再以无监督的自动目标搜寻方法找到场景中可能的目标物,将图像数据向可能目标物所张成的子空间投影以增强目标物的信息,然后用匹配的方法完成检测。有效减弱了干扰物对目标检测的影响,缩小了目标搜索的范围。应用此算法对实验采集数据进行处理,取得了较好的结果。     

Long Short Term Memory Networks Based Anomaly Detection for KPIs

In real-world many internet-based service companies need to closely monitor large amounts of data in order to ensure stable operation of their business. However, anomaly detection for these data with various patterns and data quality has been a great challenge, especially without labels. In this paper, we adopt an anomaly detection algorithm based on Long Short-Term Memory (LSTM) Network in terms of reconstructing KPIs and predicting KPIs. They use the reconstruction error and prediction error respectively as the criteria for judging anomalies, and we test our method with real data from a company in the insurance industry and achieved good performance.     

基于BP网络的苹果硬度高光谱无损检测

目的为了实现基于高光谱成像以及误差反向传播(BP)网络模型的苹果硬度快速无损检测。方法利用高光谱成像采集系统采集采后"富士"苹果的高光谱图像,然后提取整个苹果样本区域的平均反射光谱;利用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)实现对标准正态变换预处理后光谱数据的降维;研究基于全光谱以及特征光谱的预测苹果硬度BP网络模型。结果采用SPA和CARS分别从256个全光谱中提取了18个和16个特征波长,明显提升了预测模型的运行效率,且SPA+BP网络模型具有相对较好的苹果硬度预测能力(rp=0.728,RPm=0.282 kg/cm2)。结论研究表明基于高光谱成像技术和BP网络建立的预测模型可快速无损预测苹果的硬度。     

Unsupervised Log Anomaly Detection Method Based on Multi-Feature

Log anomaly detection is an important paradigm for system troubleshooting. Existing log anomaly detection based on Long Short-Term Memory (LSTM) networks is time-consuming to handle long sequences. Transformer model is introduced to promote efficiency. However, most existing Transformer-based log anomaly detection methods convert unstructured log messages into structured templates by log parsing, which introduces parsing errors. They only extract simple semantic feature, which ignores other features, and are generally supervised, relying on the amount of labeled data. To overcome the limitations of existing methods, this paper proposes a novel unsupervised log anomaly detection method based on multi-feature (UMFLog). UMFLog includes two sub-models to consider two kinds of features: semantic feature and statistical feature, respectively. UMFLog applies the log original content with detailed parameters instead of templates or template IDs to avoid log parsing errors. In the first sub-model, UMFLog uses Bidirectional Encoder Representations from Transformers (BERT) instead of random initialization to extract effective semantic feature, and an unsupervised hypersphere-based Transformer model to learn compact log sequence representations and obtain anomaly candidates. In the second sub-model, UMFLog exploits a statistical feature-based Variational Autoencoder (VAE) about word occurrence times to identify the final anomaly from anomaly candidates. Extensive experiments and evaluations are conducted on three real public log datasets. The results show that UMFLog significantly improves F1-scores compared to the state-of-the-art (SOTA) methods because of the multi-feature.     

基于逻辑回归模型的流量异常检测方法研究

网络流量作为异常检测的基本数据源,其行为特征的准确描述,是网络异常行为实时检测的重要依据.本文针对流量异常检测问题,提出了一种基于逻辑回归模型的网络流量异常检测方法.通过分析源IP、目的 IP等多个网络流量基本特征,构造了网络异常行为和正常行为的训练机,并且在此基础上采用逻辑回归建立起网络异常流量挖掘模型.利用实验室所采集的真实网络流量对所构建的模型进行检测,以验证该模型的有效性.实验结果表明本文所建立的网络模型在异常流量挖掘方面准确度高、实时性好.     

光谱探测背景辐射测量分析(英文)

在白天进行空间微弱目标光谱探测研究中,除了知道目标的光谱特性外,必须知道天光背景光谱辐射特性。本文以Lowtran软件为基础详细分析了天光背景光谱辐射,在此基础上研制了天空背景测量仪对西部某区域天光背景进行实际测试,给出了该地区天光背景的实验测试结果,为后续光谱探测研究奠定了基础。