基于样本分割的快速高光谱图像异常检测支持向量数据描述方法

高光谱图像异常检测支持向量数据描述方法性能优越但存在计算量巨大的问题。提出快速高光谱图像异常检测支持向量数据描述方法,该算法通过样本分割有效降低求取支持向量的计算量。建立了求取支持向量的计算量与样本分割子集数量的数学模型,并给出样本分割子集数量的最优选取方法;提出目标窗与背景窗尺寸相同的优化分割方法,该方法目标窗每次移动只需更新50%的训练样本,有效地减少图像遍历时求取支持向量的计算量。对HYMAP图像的仿真结果表明：本文算法对不同尺寸的高光谱图像进行异常检测的计算时间均小于SVDD算法计算时间的10%.     

基于低概率检测的高光谱图像有损压缩方法研究

高光谱图像海量数据的不断增加迫切需要实现大比例的有损压缩。现有方法往往不能满足重要信息准确保留的要求。文中提出结合区域分割和低概率异常检测（LPD）算法的数据有损压缩方法,用空间聚类实现区域分割从而提取大块区域包含的背景光谱。LPD算法用于检测场景中低概率出现的奇异目标,接着对背景光谱和奇异目标光谱进行无损压缩,最后对整个数据立方体进行大比例有损压缩。AVIRIS高光谱图像的仿真结果表明．压缩比得到大幅度提高。同时准确保留了重要和主要信息。     

高光谱异常检测中背景抑制方法的研究进展

为解决目前高光谱图像的空间分辨率较低的缺点,分析和总结了高光谱异常检测中背景抑制算法。对背景抑制方法进行了分类,按照类别分别对背景抑制方法进行了分析介绍,并针对目前背景抑制方法所存在的问题,提出了未来高光谱图像异常检测中背景抑制方法的研究方向。该研究对弱小信号的检测具有一定的参考作用。     

一种新的空谱联合稀疏高光谱目标检测方法

目标检测是高光谱数据处理的重要应用之一,高光谱图像中空间和光谱信息的充分利用对于目标检测率的有效提升非常关键。提出一种新的联合稀疏表示的目标检测方法,将混合范数理论和算法应用于高光谱目标检测,在联合高光谱图像空间和光谱信息的基础上,建立了基于联合稀疏性约束的混合范数正则化数学模型,并利用交替方向乘子法对模型进行了优化求解。仿真实验结果表明,该方法能有效提高高光谱目标检测的准确性,降低虚警率。     

一种基于SOFM神经网络的高光谱图像快速分类方法

高光谱图像的快速准确分类是遥感图像处理的关键技术之一。本文提出了区域特征光谱(RFS)的概念,并采用空间邻域聚类方法提取区域特征光谱;提出了以区域特征光谱作为SOFM神经网络输入的RFS-SOFM高光谱图像快速分类方法,该方法通过区域特征光谱代替单个像元光谱实现神经网络运算量的降低和对图像噪声的抑制。对AVIRIS图像数据的仿真结果表明：RFS-SOFM分类精度高于SOFM神经网络和K-均值算法,计算量约为K-均值的163.6%,SOFM神经网络的5.9%．     

网络异常流量检测方法

针对网络环境中可能导致网络流量异常的问题,归纳了当前主流的网络异常流量检测方法。通过阐明网络异常流量检测过程中的关键问题和核心技术,重点探讨了固定阈值、特征检测、统计分析、数据挖掘、云计算方法的原理和适用范围,对网络流量中异常流量的定义和分类进行了总结,介绍相关的研究进展,并分析异常流量检测的当前现状和发展前景。该分析结果为异常网络流量检测研究提供了参考依据,也为网络安全研究提供了支持。     

基于高光谱图像探测与感知的伪装效果评估方法

为解决高光谱侦察过程中目标的伪装评估问题,提出一种联合探测与感知的高光谱伪装效果评估方法。利用局部异常检测算子提取每个像元与周围背景的差异性指标,结合空间密度聚类和领域融合算法,分割潜在目标区域;建立反映光谱差异性和整体伪装特征的显著性指标,基于有限时间搜索策略进行高光谱伪装评估,从伪装评估指标和时间-评价分数多重角度得到伪装评估结果。仿真实验表明,该方法克服了传统基于多特征描述的评估方法评价指标单一的问题,能够较为客观和准确地给出评估结论,为目标伪装效果评估提供可靠的参考依据。     

基于改进残差网络的高光谱图像分类算法研究

针对高光谱图像在训练样本较少时无法构建有效的深度学习分类模型的问题,对传统的残差块(residual block)模型进行改进,提出一种“金字塔”残差块分类算法。设计一种包含数十个卷积层的深度学习网络,与传统残差模型相比大大减少了参数量,且可以充分提取高光谱图像的深层空间-光谱特征;在2种开源数据集Indian Pines和University of Pavia上进行实验,同时选取了3种经典的分类方法作为对比。实验结果表明：该算法表现效果最佳,可以有效提高高光谱图像的分类精度。     

CUDA架构下高光谱图像光谱匹配的快速实现

针对高光谱图像数据量大,光谱匹配计算耗时长的缺点,提出一种CUDA架构下的高光谱图像光谱匹配快速实现方法。首先,在分析高光谱图像特点的基础上,介绍高光谱图像光谱匹配的一般方法;其次,介绍CUDA架构及其特点,依据CUDA架构的特点,将通常的高光谱图像存储格式进行重新组织,并将参考光谱存储在共享内存中,以达到快速访问的目...     

无人工选择训练样本的高光谱图像神经网络分类方法研究

文中针对在无人工选择训练样本条件下高光谱图像中奇异点及噪声对SOFM神经网络分类效果的影响．提出应先对高光谱图像进行奇异点检测处理以消除其对网络分类的干扰和提取区域特征光谱以抑制噪声,并给出了相似度阈值的选取方法;在此基础上提出了基于区域特征光谱的高光谱图像无人工选择训练样本分类方法,通过对高光谱数据进行仿真．结果表明：文中提出的方法显著抑制了噪声的影响．分类结果更加合理。     

基于改进的OCSVM 算法的工控网络异常检测算法

为提高工控系统异常流量检测能力,设计一种结合孤立森林(isolation forest,iForest)和单类支持向量机 (one-class support vector machine,OCSVM)的混合算法。采用孤立森林算法检测训练数据中的离群点,将离群点剔 除以降低其对单类支持向量机决策函数的影响;基于正常数据训练单类支持向量机模型,结合特征选取和参数优化 进一步提高异常检测模型的检测率。实验结果表明：在燃气管道数据集上,该算法模型的检测率提高至92.51%,特 别是对异常行为的召回率和查准率上升,优化了异常检测模型的性能,满足可靠性要求。     

基于改进codebook算法的运动目标检测

为解决运动目标检测算法鲁棒性和实时性差的问题,在原始codebook算法的基础上提出一种改进的codebook算法.在匹配码字时将最近更新的码字调整至码本列表的最前端,加快码字匹配的速度;以适应光照变化且运算简单的局部二值模式(local binary patterns,LBP)直方图向量代替原有的RGB向量,采用码本记录局部区域的纹理特性,并通过实验比较原始的codebook、混合高斯算法及改进后的codebook.结果表明:改进后的codebook算法较其他2种算法具有更快的处理速度和更好的检测效果,且增强对场景中光照变化的适应力.     

基于特征地图的改进回环检测算法

为提高移动机器人回环检测模块的准确率和实时性,提出一种基于特征地图的改进回环检测算法。在传 统模型的基础上,对关键帧的特征点进行筛选,选取高效特征点构建特征地图,利用视觉字典树对特征地图和关键 帧进行场景描述;对词袋模型进行改进,将场景分割用在图像信息的提取和特征聚类上;建立基于分层K++均值的 视觉字典树,得到改进的基于分层金字塔TF-IDF(term frequency–inverse document frequency)的匹配方法。实验结果 证明：相比FAB-MAP(fast appearance-based mapping)和RGB-D SLAM v2,改进算法在特征点规模、实时性、召回 率方面性能更优。     

基于改进YOLO 的不规范佩戴安全帽检测

为改善现有变电站巡检人员不规范佩戴安全帽检测时效率、精度低的问题,提出一种基于改进YOLO 的 轻量化变电站人员不规范行为检测模型。该模型由特征提取网络、ECA-SPP 和ECA-PANet 网络以及预测网络组成; 特征提取网络中使用MobileNetV3;提取4 个尺度的特征图并将其输入到SPP 和PANet 网络中,并基于注意力机制 进行优化;以建立的变电站人员不规范佩戴安全帽检测数据集为例,验证所提模型有效性。实验结果表明：所提模 型mAP 为0.824 4,FPS 为38.06,明显优于Faster RCNN、YOLOv4、YOLOx 等模型,具有较高精度和更快的检测 速度,可为变电站人员不规范佩戴安全帽的实时检测提供参考。