CN102592280B - 采用多窗口特征分析的高光谱图像异常检测方法 - Google Patents
采用多窗口特征分析的高光谱图像异常检测方法 Download PDFInfo
- Publication number
- CN102592280B CN102592280B CN201210010904.3A CN201210010904A CN102592280B CN 102592280 B CN102592280 B CN 102592280B CN 201210010904 A CN201210010904 A CN 201210010904A CN 102592280 B CN102592280 B CN 102592280B
- Authority
- CN
- China
- Prior art keywords
- window
- layer window
- detection
- middle level
- operator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的是一种采用多窗口特征分析的高光谱图像异常检测方法。首先确定检测窗口尺寸,包括内层窗、中层窗和外层窗;在外层窗口中运算OSP算子,消除内层窗口和中层窗口的背景干扰,有效的去除白噪声;在中层窗口进行背景像元选取;在内层窗口中运算KRX算子,对的待测像元进行异常检测;最后输出检测结果。本发明巧妙运用了三层窗口的检测模式,利用了两层局部背景像素窗,对高光谱数据先去除噪声干扰再进行异常检测。在外层窗口中利用OSP算子,消除内窗口和中层窗口中不感兴趣的信号源发出的干扰或白噪声,从而降低了虚警概率,具有较好的检测效果。用AVIRIS高光谱数据进行了仿真实验,本发明提出方法的检测性能明显地优于传统算法,降低了虚警概率,具有较好的检测效果。
Description
技术领域
本发明涉及的是一种高光谱异常检测方法。具体地说是一种采用多窗口特征分析的高光谱异常检测方法。
背景技术
目标检测作为高光谱数据的一个重要应用引起了研究学者的广泛关注。它是指在高光谱图像立方体中搜索已知或者未知目标光谱形状的稀疏像素。依据检测理论,高光谱图像目标检测技术主要分为两大类:已知目标光谱特性的目标检测技术和未知目标光谱特性的异常检测技术。传统的目标检测技术是建立在一定先验信息的基础上(如光谱数据库和真实测量结果),然而在实际应用中,要想获取这种先验信息是非常困难的,这种困难主要体现在以下三个方面:①从光谱库的角度来说,目前还缺少完备且实用的光谱数据库;②缺少准确的反射率反演算法;③地面的真实测量在实际应用中几乎不可能实现。而异常检测算法是指在没有先验信息的情况下对高光谱数据进行分析,由于不需要先验光谱信息,异常检测技术具有较强的实用性。
经典的RX算法是目前使用最广泛的异常检测算法之一,是由Reed和Yu在1997年提出的,它是由自适应多波段恒虚警概率CFAR检测器在没有先验信息的情况下演化而成的。最初的RX算法只局限于低维的线性空间中,忽略了波段之间的非线性相关性。近年来,一些学者通过将线性异常检测算法与核机器学习理论相结合,形成了许多基于核的异常检测算法。包括核RX算法,核主成分分析算法,核Fisher分离算法,核特征空间分离算法等。这些算法通过引入核机器学习理论,将原始高光谱数据映射到高维特征空间后进行异常点的检测,挖掘了高光谱图像波段间的非线性统计特性,提高了检测性能,取得了较好的效果。
然而,传统的算法在检测过程中采用了局部双窗的检测模型,在这种双窗口检测模型中往往忽略了噪声对检测的影响,只是直接运用检测算子对目标像元进行异常检测,使得检测受到噪声影响很大,达不到良好的检测效果。
发明内容
本发明的目的在于提供一种具有很强的可移植性,更易满足高光谱检测需求的采用多窗口特征分析的高光谱图像异常检测方法。
本发明的目的是这样实现的:
(1)首先确定检测窗口尺寸,包括内层窗、中层窗和外层窗;
(2)在外层窗口中运算OSP算子,消除内层窗口和中层窗口的背景干扰,有效的去除白噪声;
(3)在中层窗口进行背景像元选取;
(4)在内层窗口中运算KRX算子,对的待测像元进行异常检测;
(5)最后输出检测结果。
所述确定检测窗口尺寸的方法为:
1)内层窗尺寸由目标大小决定;
2)中层窗为背景窗,中层窗为内层窗尺寸的3-4倍;
3)外层窗用于消除内窗口和中层窗口的背景干扰,外层窗为中层窗尺寸的1.2-1.3倍;
4)三层窗口同心且窗口大小都为奇数。
为了提高检测效率,抑制由未知或不感兴趣的信号源引发的干扰或白噪声,本发明采用多窗口特征分析思想并结合核RX算法,提出了一种新型采用多窗口特征分析的高光谱异常检测方法(简称MWKRX)。
本发明采用了局部多窗口模型来代替传统的双窗口模型,能够有效抑制背景窗口中的噪声干扰,以达到降低虚警概率提高检测概率的目的。不同于传统双窗口检测中对噪声干扰不加处理的做法,三层窗口检测在外层窗口中利用正交子空间投影算法(OSP)消除内窗口和中层窗口的背景干扰,有效的去除了白噪声。OSP算子是异常检测算法中的一种常见的检测算子。基于统计方式的异常检测算法的最大问题在于统计分布的不确切以及相关参数估计,而利用多窗口特征分析有效的解决了这一问题。不需要端元光谱矩阵S,而是直接利用外窗口选定像元形成的子空间。中窗口选定背景像元及内窗口选定的待检测像元分别投影到该子空间上,已到达消除背景噪声干扰的目的。本发明不仅能与KRX算子结合使用,同时也可以和高光谱图像异常检测的其他算子结合使用。具有很强的可移植性,更易满足高光谱检测的需求。
本发明所述的采用多窗口特征分析的高光谱异常检测方法,不同与传统的双窗检测模型,多窗口特征分析算法巧妙运用了三层窗口的检测模式,利用了两层局部背景像素窗,对高光谱数据先去除噪声干扰再进行异常检测。该算法在外层窗口中利用OSP算子,消除内窗口和中层窗口中不感兴趣的信号源发出的干扰或白噪声,从而降低了虚警概率,具有较好的检测效果。用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。并将该方法与其他算法进行比较,结果表明,本发明提出方法的检测性能明显地优于传统算法,降低了虚警概率,具有较好的检测效果。
附图说明
图1是本发明的流程图;
图2(a)-图2(b)是局部异常检测算子的窗口模型,其中图2(a)为经典的双窗模型,图2(b)为本发明提出的三层窗模型;
图3(a)-图3(c)是一幅真实的AVIRIS高光谱数据126个波段中第10个波段整体图像图3(a)、所截取的待检测图像图3(b)及目标分布图3(c);
图4(a)-图4(d)是不同异常检测方法的检测结果图,图4(a)本发明提出的MWKRX算子检测后的二值图像,图4(b)为自适应核空间的RX算子(AKRX)检测后的二值图像,图4(c)为KRX算子检测后的二值图像,图4(d)为RX算子检测后的二值图像;
图5(a)-图5(b)是MWKRX算子和KRX算子的三维检测结果;
图6是不同异常检测算子(MWKRX,AKRX,KRX以及RX)的接收机特性曲线;
图7是MWKRX,AKRX,KRX以及RX算法的性能比较表。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
首先确定检测窗口的大小,具体的依据如下:
1)内层窗尺寸由目标大小决定;
2)中层窗为背景窗,一般要比目标尺寸大,可选为内层窗尺寸的(3~4)倍,以避免目标像素对背景的干扰;
3)外层窗用于消除内窗口和中层窗口的背景干扰,一般比中层窗口稍大即可,可选为中层窗尺寸的(1.2~1.3)倍;
4)三层窗口同心且窗口大小都为奇数。
其次将多窗口特征分析与基于核空间的RX算子(KRX)结合进行高光谱图像异常检测。具体过程如下:
5)在外层窗口中运算OSP算子,消除内窗口和中层窗口中不感兴趣的信号源发出的干扰或白噪声;
6)以中层窗口为背景像元,内窗口的中心点作为待检测像元,采用KRX算法对高光谱数据进行异常检测;
7)滑动检测窗口,对每一个像元进行探测,得到检测结果灰度图;
8)设定检测阈值对灰度图像进行二值化处理,得到检测后的最终结果。
参照图2,图(a)是经典的局部双窗模型,检测背景分布于外窗,而检测点位于内窗,内窗中其它部分则作为缓冲区域。图(b)是三种不同大小的三层窗口检测模型,在内窗口中,红色像元区域位,为所要检测目标像元。红色区域与黄色区域中间的白色区域为缓冲区域,根据异常检测目标的大小调整。黄色区域为中窗口,是背景像元所在的区域。绿色区域为外窗口,是用于消除内窗口和中层窗口中不感兴趣的信号源引发的干扰或白噪声而选定的像元像素。
参照图3,实验中采用一幅真实的AVIRIS高光谱数据源进行仿真实验,来验证MWKRX算法的有效性。该图像是美国圣地亚哥机场的一部分,图像覆盖了从可见光到近红外的连续光谱范围,去除水的较强吸收带和信噪比较低的波段后,余下的126个波段作为仿真实验的数据源。该图像大小为100×100,其中包含的目标数目较多(38架飞机)。
参照图4和图5,在采用MWKRX算法进行检测时,根据图像的空间大小和分辨率以及检测异常目标的大小,将外窗口大小设为11×11像素,中窗口大小设为9×9像素,内窗口大小设为3×3像素。该算法中采用的核函数为高斯径向基核函数,高斯径向基核函数中的参数只有一个,即径向基核函数的宽度σ,该参数的选取对实验结果比较敏感,文中最优参数σ的选取是通过大量的仿真实验比较其最终的检测效果来确定的,最终将该参数设定为40。图4(a)描述了本发明基于多层窗口特征分析的MWKRX算法应用于实际的高光谱图像中所得到的最终目标检测二值图。为了便于分析比较,还分别采用了AKRX算法、KRX算法和传统的RX算法进行异常目标检测的仿真实验。检测结果二值化后的图像,它们在最优阈值下最终检测效果如图4(b)、(c)、(d)所示。由图可以看出传统RX算法的检测效果非常不理想,这是因为传统RX算法起源于多光谱图像异常检测,将它直接用于高光谱图像则忽略了高光谱图像波段间很强的相关性,产生较多虚警,这也是将RX算法用于高光谱图像目标检测时需进行降维处理的原因之一。而将图4(a)和(b)比较可以看出MWKRX算法所获得的检测结果要明显地优于KRX算法,虽然KRX算法和MWKRX算法都利用了光谱波段间蕴含的非线性信息,但MWKRX算法在外层窗口中利用OSP算子,消除内窗口和中层窗口中的噪声干扰,因而在检测目标数目相同的情况下,MWKRX算法具有更低的虚警率;参照图5(a)为MWKRX算子的三维检测结果,5(b)为KRX算子的三维检测结果,从三维检测结果图中也可看出MWKRX算法要明显地优于KRX算法。最后将图4(a)与(c)进行比较可以看出MWKRX算法所获得的检测结果仍然要好于AKRX算法,这是因为AKRX算法虽然通过自适应的改变核函数的σ值,减少了人为确定核参数带来的误差,但是其检测的模式仍然是基于双窗口模式无法去除背景噪声对检测效果带来的影响。通过分析对比可以得出MWKRX算法的检测性能明显地优于其他传统的算法,降低了虚警概率,具有较好的检测效果。
参照图6,接收机工作特性(ROC)用于描述不同检测阈值下检测概率Pd与虚警概率Pf之间的变化关系,提供对算法检测性能的定量分析。将检测概率Pd定义为检测到的真实目标像素数目与地面真实目标像素数目的比值;虚警概率Pf定义为检测到的虚警像素数目同整幅图像像素数目总和的比值。通过考察检测到的异常点是否落入真实目标分布模板区域来判定检测到的是真实目标还是虚警。上述四种算法的接收特性曲线如图5所示。从图5中曲线的比较可以看出,MWKRX算法有效地改进了传统RX算法的性能,缓解了KRX和AKRX算法中背景噪声的影响,具有较高的检测概率和较低的虚警概率。由图6可以看出,本发明提出的算法在Pf大于0.002时,其检测效果显地优于其他的检测算法。
为了更具体的说明本发明算法的优越性,在相同的检测阈值下,以高光谱图像检测到的目标个数、目标所占像素数、虚警所占像素数为指标对上述算法的检测结果进行比较,其比较结果如图7的表1所示。从表1中的数据比较可以明显地看出,本发明提出的算法可检测到较多的目标,且具有较多的目标像素数和较少的虚警像素数,充分地证明了本发明算法具有优越的检测性能。
上述为本发明特举之实施例,并非用以限定本发明。本发明提供的采用多窗口特征分析的高光谱异常检测方法同样适用于检测其他的高光谱图像。在不脱离本发明的实质和范围内,可做些许的调整和优化,以本发明的保护范围以权利要求为准。
Claims (1)
1.一种采用多窗口特征分析的高光谱图像异常检测方法,其特征是:
(1)首先确定检测窗口尺寸,包括内层窗、中层窗和外层窗;
(2)在外层窗口中运算OSP算子,消除内层窗口和中层窗口的背景干扰,有效的去除白噪声;
(3)在中层窗口进行背景像元选取;
(4)在内层窗口中运算KRX算子,对的待测像元进行异常检测;
(5)最后输出检测结果;
所述确定检测窗口尺寸的方法为:
1)内层窗尺寸由目标大小决定;
2)中层窗为背景窗,中层窗为内层窗尺寸的3-4倍;
3)外层窗用于消除内窗口和中层窗口的背景干扰,外层窗为中层窗尺寸的1.2-1.3倍;
4)三层窗口同心且窗口大小都为奇数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210010904.3A CN102592280B (zh) | 2012-01-14 | 2012-01-14 | 采用多窗口特征分析的高光谱图像异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210010904.3A CN102592280B (zh) | 2012-01-14 | 2012-01-14 | 采用多窗口特征分析的高光谱图像异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102592280A CN102592280A (zh) | 2012-07-18 |
CN102592280B true CN102592280B (zh) | 2014-03-26 |
Family
ID=46480870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210010904.3A Expired - Fee Related CN102592280B (zh) | 2012-01-14 | 2012-01-14 | 采用多窗口特征分析的高光谱图像异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102592280B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559715B (zh) * | 2013-11-07 | 2016-04-27 | 中国科学院对地观测与数字地球科学中心 | 一种高光谱图像的异常检测方法及装置 |
CN103728609B (zh) * | 2014-01-16 | 2016-02-03 | 中国科学院地理科学与资源研究所 | 星载多光谱红外传感器交叉辐射定标方法 |
CN104766313B (zh) * | 2015-03-27 | 2017-10-31 | 哈尔滨工程大学 | 一种采用核递归的高光谱快速异常探测方法 |
CN106226247A (zh) * | 2016-07-15 | 2016-12-14 | 暨南大学 | 一种基于高光谱显微成像技术的细胞检测方法 |
CN107274360B (zh) * | 2017-05-24 | 2019-11-08 | 南京师范大学 | 一种基于Fisher字典学习、低秩表示的高光谱图像去噪方法 |
CN107527043A (zh) * | 2017-09-15 | 2017-12-29 | 湖南神帆科技有限公司 | 一种外窗可变的近景高光谱图像局部异常检测方法 |
CN107895361A (zh) * | 2017-10-24 | 2018-04-10 | 中国电子科技集团公司第二十八研究所 | 一种基于局部密度纯化背景的高光谱异常检测方法 |
CN109409300A (zh) * | 2018-10-30 | 2019-03-01 | 大连海事大学 | 一种基于fpga的高光谱目标检测osp算法的实现系统 |
CN110570395B (zh) * | 2019-08-06 | 2022-04-29 | 西安电子科技大学 | 基于空谱联合协同表示的高光谱异常检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144860A (zh) * | 2007-10-16 | 2008-03-19 | 哈尔滨工业大学 | 基于选择性核主成份分析的高光谱图像异常点的检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050007450A1 (en) * | 2002-12-13 | 2005-01-13 | Duane Hill | Vehicle mounted system and method for capturing and processing physical data |
-
2012
- 2012-01-14 CN CN201210010904.3A patent/CN102592280B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101144860A (zh) * | 2007-10-16 | 2008-03-19 | 哈尔滨工业大学 | 基于选择性核主成份分析的高光谱图像异常点的检测方法 |
Non-Patent Citations (4)
Title |
---|
Anomaly detection from hyperspectral imagery;Stein,D.W.J. et al.;《IEEE Signal Processing Magazine》;20020807;第19卷(第1期);第58-69页 * |
Stein,D.W.J. et al..Anomaly detection from hyperspectral imagery.《IEEE Signal Processing Magazine》.2002,第19卷(第1期),第58-69页. |
一种顾及像元邻域信息的高光谱影像异常目标探测方法;陈勇 等;《海军工程大学学报》;20100630;第22卷(第3期);第88-93页 * |
陈勇 等.一种顾及像元邻域信息的高光谱影像异常目标探测方法.《海军工程大学学报》.2010,第22卷(第3期),第88-93页. |
Also Published As
Publication number | Publication date |
---|---|
CN102592280A (zh) | 2012-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102592280B (zh) | 采用多窗口特征分析的高光谱图像异常检测方法 | |
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
CN101807301B (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
Gu et al. | A selective KPCA algorithm based on high-order statistics for anomaly detection in hyperspectral imagery | |
CN104504686B (zh) | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 | |
US8559719B2 (en) | Spectral anomaly detection in deep shadows | |
CN106251332B (zh) | 基于边缘特征的sar图像机场目标检测方法 | |
CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN104408705A (zh) | 一种高光谱图像的异常检测方法 | |
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN102346910B (zh) | 一种基于单帧红外图像的点目标的实时检测方法 | |
CN110298235A (zh) | 基于流形约束自编码网络的高光谱异常检测方法及系统 | |
CN101916440B (zh) | 基于数字图像形态学理论的高光谱异常检测方法 | |
CN103761742A (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
CN111046800A (zh) | 一种基于低秩与稀疏分解的高光谱图像异常目标检测方法 | |
CN105989597A (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
CN108090462A (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN107203750A (zh) | 一种基于稀疏表达和判别分析相结合的高光谱目标检测方法 | |
CN103077499B (zh) | 基于相似块的sar图像预处理方法 | |
CN107316009B (zh) | 基于张量线性判别分析降维的高光谱图像目标检测方法 | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
CN106124050A (zh) | 一种基于子空间的高光谱亚像元目标盲提取检测方法 | |
Satish et al. | Hardware implementation of template matching algorithm and its performance evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140326 Termination date: 20200114 |