基于主成分建模的SVDD高光谱图像异常检测

针对SVDD背景建模时混入异常点造成的检测率下降的问题,提出了基于主成分建模的SVDD方法并应用于高光谱图像异常检测。利用高光谱图像的光谱特征提取背景的主要成分,并分别对不同成分构建超球体,形成单种背景成分SVDD模型,最后利用综合决策函数对单个SVDD背景模型进行综合判断待检测像元,从而实现高光谱图像异常像元的检测。用仿真数据和真实数据对算法的性能进行验证,并将其与SVDD方法进行性能比较。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,实验结果证明了算法的有效性。     

改进协同表示的高光谱图像异常检测算法

针对协同表示的高光谱图像异常检测算法中双窗口中心为异常像元同时背景字典存在同种异常像元的情况,中心像元的输出较小难以与背景区分的问题,提出一种改进协同表示的高光谱图像异常检测算法。为了减小背景字典中异常像元的权重,使用背景字典原子与均值的距离调整原子的权重,从而增大上述情况下中心像元的输出。实验结果表明,提出的算法在不同双窗口下都取得了较好的检测效果,验证了算法的有效性。     

基于逐像素递归处理的高光谱实时亚像元目标检测

亚像元目标检测是高光谱图像应用的关键技术。由于高光谱数据的高维度增加了存储空间和数据处理的复杂度,实时处理成为了目标检测面临的重要问题。自适应匹配滤波算法(AMF)是一种有效的亚像元目标检测算法。在基于Woodbury引理实现以逐像素排列格式传输和存储的高光谱数据协方差矩阵实时求逆的基础上,以AMF为高光谱图像亚像元目标检测算法,推导出了基于逐像素递归处理的高光谱图像实时AMF目标检测流程。通过仿真数据和真实高光谱图像实验证明,相比于非实时AMF,实时AMF只需少量的存储空间便可得到同样甚至更高的检测精度 。     

一种改进PCA与IHS融合的高光谱图像异常检测算法

高光谱图像空间分辨率不足容易导致异常检测虚警率过高,针对此提出了一种新的异常检测算法。算法首先利用主成分分析PCA对低分辨率高光谱图像进行主成分提取,然后对所提取的主成分和高分辨率图像分别进行IHS变换,分别得到各自的强度分量。运用IHS变换的可逆性,将高光谱数据新的强度分量与原色度分量H和饱和度分量S进行IHS逆变换,得到空间信息增强的高光谱图像数据,最后使用改进的KwRX算法对空间信息增强的高光谱图像数据进行异常检测。仿真实验表明,与KRX算法、PCA-KRX算法相比,本算法在检测目标像素数和虚警个数上都有较大的改善,说明了本算法的的有效性和可行性。     

基于异常探测的高光谱端元提取方法研究

端元提取是高光谱影像分析重要且具有挑战性的任务,是解决高光谱图像混合像元分解关键的步骤。现行的高光谱端元提取算法在端元提取过程中,异常像元同时加入到端元数组中,如何有效区分异常与端元,成为高光谱遥感端元提取的瓶颈,也是提高高光谱图像混合像元分解精度的关键因素。提出一种基于异常探测的高光谱端元提取方法,首先利用RX算法对原始影像进行异常探测,根据异常探测的结果剔除一定数量的像元,将剔除的像元用原始图像均值向量替代,再对影像进行正交子空间投影(OSP)提取端元。实验表明,该方法能够有效区分异常与端元,抑制异常像元参与端元提取,同时处理后的图像端元提取的结果受异常处理的影响很小,证明了去除异常信息后提取端元的可行性。     

基于改进RX算法的高光谱异常检测

针对RX算法中局部背景协方差矩阵估计的局限性,提出一种改进的RX (I-RX)异常检测算法。基于奇异值分解(SVD),将高光谱图像投影到背景的正交子空间上,获得仅包含噪声和异常的残留图像。在此基础上,通过计算各样本的空间秩深度将残留图像划分为噪声背景和潜在异常两个样本集,利用噪声背景集估计整幅图像的背景协方差矩阵,并将潜在异常集作为测试样本进行异常检测。对模拟数据和真实高光谱数据进行了实验仿真,ROC曲线表明,在相同的虚警概率下,I-RX算法的检测概率相较于RX平均提高了2倍左右。     

局部投影可分离的高光谱图像异常检测

针对高光谱异常检测中临近异常像素相互干扰和背景地物复杂的问题,提出基于局部投影可分离的高光谱图像异常检测算法.在归一化的数据中,将待测像素光谱作为参考光谱,构造目标子空间,然后把邻域背景像素投影到该子空间,用投影后向量模值构造异常度计算式.最后将检测到的异常与全局主要背景地物进行比对,肖除部分虚警.利用HyMap高光谱数据进行仿真实验结果表明,本文算法具有克服背景复杂性和干扰点的影响,尤其对异类干扰点的抑制效果更佳.     

基于显著图的红外弱小目标动态规划检测前跟踪算法

针对低信噪比复杂背景红外图像弱小目标检测虚警率高的问题,提出一种基于显著图的红外弱小目标动态规划检测前跟踪算法.该算法采用改进的局部区域差分算子提取显著图,根据注意力转移机制设计搜索策略,利用目标移动速度实时更新搜索范围,对多帧连续的显著图进行滤波跟踪,实现对红外图像弱小目标检测.实验结果表明,文中算法在对弱小目标进行有效检测的同时降低虚警率,提高了图像的检测效率.     

粗定位和协同表示的高光谱图像异常检测

目的 由于在军事和民用应用中的重要作用,高光谱遥感影像异常检测在过去的20~30年里一直都是备受关注的研究热点。然而,考虑到异常点往往藏匿于大量的背景像元之中,且只占据很少的数量,给精确检测带来了不小的挑战。针对此问题,基于异常点往往表现在高频的细节区域这一前提,本文提出了一种基于异常点粗定位和协同表示的高光谱遥感影像异常检测算法。方法 对输入的原始高光谱遥感影像进行空间维的降质操作;通过衡量降质后影像与原始影像在空间维的差异,粗略定位可能的异常点位置;将粗定位的异常点位置用于指导像元间的协同表示以重构像元;通过衡量重构像元与原始像元的差异,从而进一步优化异常检测结果。结果 在4个数据集上与6种方法进行了实验对比。对于San Diego数据集,次优算法和本文算法分别取得的AUC （area under curve）值为0.978 6和0.994 0;对于HYDICE （hyperspectral digital image collection equipment）数据集,次优算法和本文算法的AUC值为0.993 6和0.998 5;对于Honghu数据集,次优算法和本文方法的AUC值分别为0.999 2和0.999 3;对Grand Isle数据集而言,尽管本文方法以0.001的差距略低于性能第1的算法,但从目视结果图中可见,本文方法所产生的虚警目标远少于性能第1的算法。结论 本文所提出的粗定位和协同表示的高光谱异常检测算法,综合考虑了高光谱遥感影像的谱间特性,同时还利用了其空间特性以及空间信息的先验分布,从而获得异常检测结果的提升。     

结合孪生网络和像素配对的高光谱图像异常检测

目的 高光谱遥感中,通常利用像素的光谱特征来区分背景地物和异常目标,即通过二者之间的光谱差异来寻找图像中的异常像元。但传统的异常检测算法并未有效挖掘光谱的深层特征,高光谱图像中丰富的光谱信息没有被充分利用。针对这一问题,本文提出结合孪生神经网络和像素配对策略的高光谱图像异常检测方法,利用深度学习技术提取高光谱图像的深层非线性特征,提高异常检测精度。方法 采用像素配对的思想构建训练样本,与原始数据集相比,配对得到的新数据集数量呈指数增长,从而满足深度网络对数据集数量的需求。搭建含有特征提取模块和特征处理模块的孪生网络模型,其中,特征处理模块中的卷积层可以专注于提取像素对之间的差异特征,随后利用新的训练像素对数据集进行训练,并将训练好的分类模型固定参数,迁移至检测过程。用滑动双窗口策略对测试集进行配对处理,将测试像素对数据集送入网络模型,得到每个像素相较于周围背景像素的差异性分数,从而识别测试场景中的异常地物。结果 在异常检测的实验结果中,本文提出的孪生网络模型在San Diego数据集的两幅场景和ABU-Airport数据集的一幅场景上,得到的AUC （area under the curve）值分别为0.993 51、0.981 21和0.984 38,在3个测试集上的表现较传统方法和基于卷积神经网络的异常检测算法具有明显优势。结论 本文方法可以提取输入像素对的深层光谱特征,并根据其特征的差异性,让网络学习到二者的区分度,从而更好地赋予待测像素相对于周围背景的异常分数。本文方法相对于卷积神经网络的异常检测方法可以有效地降低虚警,与传统方法相比能够更加明显地突出异常目标,提高了检测率,同时也具有较强的鲁棒性。     

基于最小噪声分离变换的高光谱异常检测方法研究

RX算法和核RX算法能很好地分离目标和背景,是较为广泛使用的异常检测算法,但是高光谱图像数据量大且存在冗余信息和噪声,直接进行RX及核RX异常探测运算量大且容易受噪声影响.针对此问题,提出一种基于最小噪声分离变换的高光谱图像异常检测方法,首先采用残差分析法估计噪声协方差矩阵以改进最小噪声分离变换,然后利用改进后的最小噪声分离变换来有效地降低高光谱图像数据的维数并分离出噪声,最后对低维降噪后的数据进行RX及核RX异常检测,避免了随机噪声对RX及核RX异常检测结果的影响并提高了异常检测率.对真实的AVIRIS数据测试表明,该算法优于传统的相应的RX、核RX异常检测算法.     

Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法

目的 红外弱小目标检测是红外图像处理领域中难度大且实际意义相当重要的一项研究热点问题,其在侦察预警系统、飞行器跟踪系统与导弹制导系统中都扮演了十分重要的角色。自然背景下的红外图像一般具有较低信噪比,其中背景占据着绝大部分面积,而目标尺寸很小且不具有明显形状和纹理信息,这为红外图像中弱小目标的检测增加了难度。本文提出一种将Facet方向导数特征与稀疏表示相结合的红外弱小目标检测算法。方法 首先利用Facet模型提取原红外图像在0°、90°、45°和-45° 4个方向上的一阶导数特征,然后通过稀疏表示方法,在方向导数信息基础上对图像进行分块逐一处理,利用求解出的稀疏系数和导数图像块的重建残差构建检测数值图,最后分割出小目标所在具体位置。结果 通过对4组不同红外图像序列进行实验验证,绘制了检测率与虚警率ROC曲线图。从结果可以看出,本文算法相较于对比算法在小目标检测中具有较高检测率。结论 本文算法将Facet方向导数特征与稀疏表示相结合,在红外弱小目标检测上具有较高检测精度和较强抗噪声干扰能力,相比于传统检测算法具有一定优势,同时可根据不同检测背景训练出相应背景字典,从而得到较好检测效果,在实际工程应用中具有良好针对性。     

迭代分析相对密度的高光谱异常检测

目的 针对复杂高光谱数据在不同地物规模和光谱特征上的差异,致使背景特征难以准确描述,导致异常检测算法检测效果不理想的问题,提出一种基于相对密度分析建立背景模型的高光谱遥感异常检测算法。方法 该算法借助最大相对密度分析的思想,通过统计与待测像元相似像元的数目作为其相对相似性分布密度,在像元光谱特征相似性分布密度的驱动下,自动搜索聚类中心并实现自适应聚类。为了避免不同背景地物受类别规模差异的影响,设计迭代筛选方法不断提取具有相对最大分布密度的类作为背景地物类别。当迭代终止时即可获得关于背景地物的统计模型,最后采用经典的马氏距离实现异常检测。结果 仿真实验采用两组常用的数据HyMap和HYDICE,与经典算法如基于聚类分析的异常检测算法（CBAD）、局部RX算法（LRX）和基于空间边缘特征变化的异常检测算法（2DCAD）等进行比较,并采用受试者工作特性曲线（ROC）和ROC曲线下面积（AUC）作为评价标准对实验结果进行分析。从实验数据中可以看到,本文算法在ROC曲线整体上表现优于其他算法,在HyMap下AUC值比同类算法至少高出5.6%,HYDICE下AUC值比同类算法至少高出13.6%。另外,对于不同数据,本文算法最终表现较为稳定,鲁棒性较好。结论 实验结果表明该算法无需构建分类面以及设定类别数目,在每次迭代中根据数据本身特征自适应地获取当前规模下背景显著性强的像元。另外,本文建立背景模型的方法适用于不同复杂场景下的高光谱数据,可以获得对背景的准确描述,有助于改善高光谱数据异常检测中对异常目标显著性衡量的准确性。     

Small target detection using cross product based on temporal profile in infrared image sequences

This paper presents a new small target detection method using cross product of temporal pixels based on temporal profiles in infrared (IR) image sequences. Temporal characteristics of small targets and various backgrounds are different. A new algorithm classifies target pixels and background pixels through hypothesis testing using the cross product of pixels on temporal profile and predicts the temporal backgrounds based on the results. Small target pixels are detected by subtracting the predicted temporal background profile from the original temporal profile. For performance comparison between the proposed method and the conventional methods, the receiver operating characteristics (ROC) curves were computed experimentally. Experimental results show that the proposed algorithm has better discrimination of target and clutter pixels and lower false alarm rates than conventional methods.     

空域协同自编码器的高光谱异常检测

目的 自编码器作为一种无监督的特征提取算法,可以在无标签的条件下学习到样本的高阶、稠密特征。然而当训练集含噪声或异常时,会迫使自编码器学习这些异常样本的特征,导致性能下降。同时,自编码器应用于高光谱图像处理时,往往会忽略掉空域信息,进一步限制了自编码器的探测性能。针对上述问题,本文提出一种基于空域协同自编码器的高光谱异常检测算法。方法 利用块图模型优良的背景抑制能力从空域角度筛选用于自编码器训练的背景样本集。自编码器采用经预筛选的训练样本集进行网络参数更新,在提升对背景样本表达能力的同时避免异常样本对探测性能的影响。为进一步将空域信息融入探测结果,利用块图模型得到的异常响应构建权重,起到突出目标并抑制背景的作用。结果 实验在3组不同尺寸的高光谱数据集上与5种代表性的高光谱异常检测算法进行比较。本文方法在3组数据集上的AUC(area under the curve)值分别为0.990 4、0.988 8和0.997 0,均高于其他算法。同时,对比了不同的训练集选择策略,与随机选取和使用全部样本进行对比。结果表明,本文基于空域响应的样本筛选方法相较对比方法具有较明显的优势。结论 提出的基...