基于多尺度分解的超光谱图像异常检测

提出了一种基于多尺度分解的超光谱图像异常检测算法。在目标和背景均未知的前提下,利用光谱和空间两种信息完成对异常目标信号的定位,从而实现超光谱遥感数据中异常目标检测。首先利用非下采样塔式变换对超光谱图像进行分解,将其划分为不同尺度子块;然后依据超光谱图像同一波段不同尺度空间内相邻系数的相关性,采用不同波段各个尺度空间的反锐化掩模方法优化背景数据分布,从而抑制异常数据对背景的干扰;最后利用设计的核RX算子得到异常目标检测结果。为验证方法的有效性,利用真实和模拟的AVIRIS数据进行了实验,并与经典RX算法相比较,实验结果表明,基于非下采样塔式分解的异常检测方法具有更好的检测性能和较低的虚警。     

拉普拉斯约束低秩表示的高光谱图像异常检测

伴随高光谱图像的广泛使用,高光谱图像技术得到长足的发展,其中高光谱图像异常检测技术越发受到重视。为了解决传统高光谱图像异常检测技术的实用性和检测效果不佳的问题,提出一种新颖的低秩表示检测算法。对于高光谱图像,大部分背景像元均可以被少量主要的背景像元组合近似地表示,且它们的表示系数将会位于低秩的空间中。在剩下无法被主要背景像元表示的稀疏部分中存在着异常像元,则可以被检测算法提取出来。在低秩表示中,背景像元字典的构建将会影响高光谱图像中背景像元的表示。如直接从现有高光谱图像中提取背景像元构建字典,会导致异常像元对背景像元字典的污染。而利用待检测高光谱图像观测数据和由光谱组成原理可合成的潜在未观测数据来构建背景像元字典,提取出背景像元的主要特征,有利于更好地分离出稀疏异常像元的信息。并且高光谱图像数据存在高维几何结构特点,通过引入拉普拉斯矩阵来约束空间中局部相似的像元对于待检测像元的表示作用,获得更接近于真实的表示系数。实验结果分别在仿真数据和真实数据上验证,与传统方法相比,提出的方法通过有效地突出异常像元提高了检出率和抑制了背景像元,降低了误检率。     

高光谱图像中基于端元提取的小目标检测算法

针对高光谱图像中小目标检测问题,提出了一种基于端元提取的目标检测算法。该算法利用主成分分析的变换矩阵来构造投影算子,把原始图像投影到该算子构成的正交子空间后,大概率的背景信息得到抑制,从而突出了小概率的目标;在完成背景信息抑制的基础上,利用迭代误差分析方法进行端元的自动提取;根据所提取出的目标端元的光谱,结合光谱角度匹配技术完成目标物的检测。为了验证新方法的有效性,利用高光谱数据进行了实验研究,并与经典的RX算法的检测结果相比较。实验结果表明提出的基于端元提取的算法不需要目标的任何先验知识就能达到比较好的目标探测效果,对RX算法检测效果不太理想的小目标也能准确识别。     

基于扩展数学形态学的高光谱图像异常检测

提出了一种新型的基于扩展数学形态和光谱相似度测量的高光谱图像异常榆测方法.在日标与背景未知的情况下.同时利用光谱和空间信息实现日标的定位与检测,实现离光谱遥感数据的日标检测.通过扩展的膨胀和腐蚀操作实现目标特征提取;通过正交投影散度计算扩展形态学操作的累加距离确定排序关系并利用其融合特征提取结果实现特征提取结果的融合.算法性能通过合成的OMIS数据进行评价.与经典异常检测RX算法进行比较.并应用于具有相似光谱特征目标的区分.实验证明,本文提出的算法性能优于RX算法.具有低虚警率的异常目标检测结果,并且能够较好地区分了相似光谱特征的异常日标.     

基于3D卷积自编解码器和低秩表示的高光谱异常检测

针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题,提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先,通过3D卷积自编解码器提取高光谱影像的空谱特征,并针对高光谱图像的局部区域强相关性,设计了一种新的损失函数来约束中心像素和周围像素,以提取判别性较强的特征图;然后,针对所提取的特征图,通过基于密度的空间聚类算法构建背景字典,并利用低秩表示分离出异常区域;最后,融合由3D卷积自编解码器得到的重构误差和异常区域检测结果,得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性,在两个真实的机场高光谱数据集上进行飞机等目标检测实验,ROC、AUC量化指标和主观分析等实验结果表明,与其它6种异常检测算法相比,本文算法具有更高的异常目标检测精度。     

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。     

基于近似后验信息的高光谱异常检测

高光谱遥感技术通过成像光谱仪记录带有地物光谱信息的辐射信号,获得包含光谱信息和空间信息的三维高光谱图像,在光谱解混、图像分类、目标检测等方面取得了广泛的应用。近年来,随着遥感技术的发展及人们对获取目标准确位置的需求逐渐加大,目标检测取得了较快的发展。根据是否提前掌握目标光谱作为先验信息,目标检测分为光谱匹配检测和异常检测。光谱匹配检测需要目标光谱作为先验信息,通常检测精度较高、效果较好。而异常检测不需要先验信息,应用范围更广,但是检测精度通常低于光谱匹配检测。由于实际应用中缺少完备且实用的光谱库,先验信息的获取较为困难,不需要先验信息的异常检测成为研究的热点。针对异常检测与光谱匹配检测相比精度较低的问题,提出一种基于近似后验信息的高光谱异常检测算法。首先利用矩阵分解算法对原始高光谱图像数据进行矩阵分解,得到纯净的背景矩阵与包含噪声的异常矩阵。舍弃异常矩阵,将得到的背景矩阵作为近似背景信息。然后计算图像所有像元光谱向量与背景矩阵中均值向量的马氏距离对图像进行初始异常检测,得到初始异常像元,将初始异常像元光谱取均值作为近似目标信息。最后将近似背景信息与近似目标信息作为先验信息,进行正交子空间投影得到最终的异常检测算法。将本算法作用于图像中所有像元,得到对整幅图像的异常检测结果。为证明本算法的优良效果,采用一组仿真数据和一组AVIRIS真实高光谱数据进行实验,并与RX, LRX和LSMAD算法进行对比。实验表明,无论是从定性的角度还是定量的角度来看,该算法能够有效抑制噪声,在信噪比较低的情况下仍然可以有效地检测出图像中的异常目标,检测精度较高并且对检测效率的影响不大,取得了较好的检测效果。     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

一种背景误差累积的高光谱图像异常检测算法

针对背景信息对高光谱图像异常检测的强干扰问题,提出了一种背景误差累积的异常检测算法.该算法通过构造背景子空间,利用各像素到该子空间的正交投影,得到有效抑制背景并突显目标的背景误差数据,用于后续的异常目标检测.最后用真实的高光谱数据进行仿真实验,理论分析比较和实验结果表明该算法具有较好的检测效果.     

一种背景误差累积的高光谱图像异常检测算法

针对背景信息对高光谱图像异常检测的强干扰问题,提出了一种背景误差累积的异常检测算法.该算法通过构造背景子空间,利用各像素到该子空间的正交投影,得到有效抑制背景并突显目标的背景误差数据,用于后续的异常目标检测.最后用真实的高光谱数据进行仿真实验,理论分析比较和实验结果表明该算法具有较好的检测效果.     

一种基于单似然检验的高光谱图像小目标检测器

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。     

高光谱RX异常检测的多DSP并行化处理技术

为达到高光谱图像数据RX异常检测处理的高速、实时、海量存储等要求,本文提出了一种基于 CPCI Express 标准总线架构的多DSP高光谱图像并行处理系统的解决方案。系统采用4片DSP共享数据总线和存储器的紧耦合与Link口互联相结合的硬件拓扑架构。在该硬件平台上,针对光谱RX异常检测算法以及光谱图像三维数据的特点,分配各DSP并行处理任务,提出了一种利用图像空间分块计算并求整个图像的均值矩阵与协方差矩阵的4DSP并行处理技术。结果表明,在保证同等探测效果的条件下,采用本文的RX异常检测算法4DSP并行处理技术,可以达到单DSP处理4倍的时间效率,解决了DSP内存容量对大数据量图像处理的限制,并较好的完成了光谱数据的实时处理要求。     

基于自适应参数支持向量机的高光谱遥感图像小目标检测

针对高光谱遥感图像的小目标检测问题,提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维,降低数据冗余度;之后通过无监督检测方法对小目标进行快速、粗糙定位,并将该定位结果作为后验信息输入到SVM中;依据后验信息与核空间散度准则自适应确定SVM中核函数的参数,并使用SVM在核空间中寻找分离目标和背景的最佳超平面;利用该超平面将像元重新分类为背景和目标,并且迭代上述操作,得到精确且稳定的目标检测结果。大量实验结果表明,与经典RX方法、核RX方法、支持向量数据描述(SVDD)方法相比,该方法可以更有效、精确地检测出高光谱遥感图像中的小目标。     

联合空间预处理与谱聚类的协同稀疏高光谱异常检测

针对利用稀疏表示进行高光谱图像异常目标检测效率不高的问题,基于高光谱图像成像原理和图像结构,充分利用高光谱图像的空间特性和光谱特性,并在它们之间建立协同处理机制,提出了联合空间预处理与谱聚类的协同稀疏高光谱图像异常目标检测算法。该算法首先对高光谱图像空间特性进行分析,并结合光谱特性进行空间预处理,使得处理后的高光谱图像更易于异常目标的检测;利用建立在谱图划分思想基础上的谱聚类方法进行波段子集划分,谱聚类方法具有收敛于全局最优解、聚类速度快的特点;利用提出的新的空间和光谱协同稀疏差异指数方法对每个子集进行异常目标检测,该协同稀疏方式充分考虑了高光谱图像的空间特性和光谱特性,通过对每个波段子集检测结果进行叠加,得到最终异常检测结果。利用真实的AVIRIS高光谱图像和合成的高光谱图像对算法进行仿真实验和结果分析,结果表明该算法具有稳健性,同时检测精度高,虚警率低。     

基于波段子集特征融合的高光谱图像异常检测

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.     

高光谱图像自适应核联合表示异常检测

针对高光谱图像目标检测问题,提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性,基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献,并且系数求解更加简单直接;在基于向量2-范数极小化问题求解联合表示系数时,引入相似性正则化矩阵与和为1的条件对系数进行约束,以增强算法的稳定性和分辨力;进而将联合表示检测算法扩展到核空间,利用高光谱图像的局部统计特性进行核参数自适应选取,增强了核参数的局部适应性。为验证该方法的有效性,采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验,并与传统异常检测方法的检测结果进行对比分析,结果表明该方法具有较传统异常检测方法更出色的检测效果。     

基于光谱角累加的高光谱图像异常检测算法

针对传统方法中用作背景的像素中存在干扰像素的问题,提出一种基于光谱角累加的高光谱图像异常检测算法。通过计算测试区域待测像素光谱向量与其他光谱向量之间的夹角,并将其累加,得到图像中每个像素的异常程度;然后使用波段选择预处理方法进一步提高检测性能。HyMap高光谱数据验证表明,在虚警概率设为0.008时,检测概率达到0.73,即在提高异常检测可靠度的同时,降低了虚警概率。     

一种基于核特征空间的鲁棒性高光谱异常探测方法

传统高光谱异常探测器的背景统计信息易受异常目标干扰,鲁棒性较差,且难以探测非线性混合的异常目标.针对此问题,运用核特征投影理论,在异常探测器的背景信息构建中引入鲁棒性分析方法,提出了一种在核特征空间中具有鲁棒性的异常探测方法.该方法可以在不需要确定具体的非线性映射函数下,将高光谱数据从低维空间映射到高维特征空间,背景和目标在特征空间中可以用线性模型表示,并在特征空间中构造鲁棒性的探测器.该方法揭示了地物光谱间的高阶特性,可以较好地反映地物分布复杂的目标光谱特性.通过高光谱真实影像和模拟数据的实验证明:1)本文提出的异常探测方法具有更优的受试者工作特征曲线和曲线下面积统计值,目标和背景的分离度更大;2)在核特征空间内,排除异常目标对背景统计信息的干扰,有助于进一步提高探测准确度;3)特征提取可以更好地利用目标和背景的光谱区分性,是异常探测的重要步骤.     

基于稳健背景子空间的高光谱图像异常检测

在RX算法中,局部背景协方差矩阵估计会由于背景受到异常像元的“污染”而不能准确反映背景分布,从而导致检测性能下降.针对这一问题,提出一种基于稳健背景子空间的异常检测算法.利用空间秩深度度量背景中每个样本相对于整个背景样本分布空间的位置,将“游离”于背景分布空间之外的样本看作是潜在的异常样本,并将其映射到背景分布空间之内.在此基础上,通过估计背景的协方差矩阵,利用主成分分析构造能更精确地刻画背景的子空间,在该子空间进行了基于马氏距离的检测异常.模拟和真实数据验证了该算法的有效性.     

基于空间密度聚类的改进KRX高光谱异常检测

高光谱遥感影像包含了丰富的光谱信息,对于地物具有极强的分辨能力,从而促进了不需任何先验信息的高光谱异常目标探测技术的发展。KRX（Kernel RX）异常探测算法巧妙地利用核函数将RX算法映射至高维特征空间,加强了光谱中非线性信息的运用,具有较强的可分辨性,显著改善了低维空间的光谱不可分问题。然而,也暴露了KRX算法中病态Gram矩阵求逆误差大,异常检测效率低等缺点。为实现理论上KRX算法的强探测性能,提出一种基于新型聚类方法的改进KRX探测算法（DC-KRX）。（1）由于空间邻域像元具有较强的光谱相似性,会造成Gram矩阵病态,严重影响了异常探测效果,因此背景虚检现象严重。针对病态Gram矩阵的求逆误差问题,算法改进了KRX算子,对Gram矩阵进行奇异值分解,选取特征值较大的主成分,保证了Gram矩阵的求逆精度,待测像元的探测结果采用l-2范数表示,检测效果提高明显;（2）在改进KRX的基础上,提出了空间聚类KRX算法。空间像元之间具有光谱强相关性,既造成了Gram矩阵的病态,数据的冗余也影响了探测效率。实验发现,通过聚类算法可以合并像元于聚类中心,减少空间维度,提高计算效率;同时,聚类中心按照聚类大小被赋予不同的权重,保证了探测精度;（3）另一方面,选用合适的聚类算法是一个难点。聚类KRX算法对于聚类算法的精度和实时性要求较高,比较发现,一种基于密度峰值快速搜索（DC）的新型聚类算法具有较好的聚类性能。算法采用欧式距离计算任意像元的相似度,利用局部密度和邻域距离作为聚类中心的联合判断准则,对结果进行排序得到聚类中心。实验发现,该聚类算法计算速度快,且能够对任意形状的分布进行聚类,非常适合于维度较高,成分复杂的高光谱图像,且适用于较高次数的重复聚类。DC-KRX算法提供了一种空间聚类预处理的高光谱异常探测新思路,最后,与国际主流探测算法对比发现,该算法表现了较好的探测性能。同时,时效性对比分析发现,聚类前后算法的检测效率提高了30%以上,有效改善了KRX算法的实时性。