CN102663752A - 一种sam加权kest高光谱异常检测算法 - Google Patents
一种sam加权kest高光谱异常检测算法 Download PDFInfo
- Publication number
- CN102663752A CN102663752A CN201210104037XA CN201210104037A CN102663752A CN 102663752 A CN102663752 A CN 102663752A CN 201210104037X A CN201210104037X A CN 201210104037XA CN 201210104037 A CN201210104037 A CN 201210104037A CN 102663752 A CN102663752 A CN 102663752A
- Authority
- CN
- China
- Prior art keywords
- skest
- sample
- data
- spectral
- kest
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 55
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 20
- 238000013450 outlier detection Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 13
- 238000009826 distribution Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000000513 principal component analysis Methods 0.000 description 15
- 230000005856 abnormality Effects 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000002969 morbid Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000000299 nuclear matrix Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种SAM加权KEST高光谱异常检测算法(SKEST)。首先,推导SKEST算法;其次采用双矩形窗口,对高光谱图像中每个像元计算其SKEST值,进行阈值分割,检测出异常点。SKEST算法在基于核的特征空间分离变换算法(KEST)基础上,采用光谱角匹配(SAM)测度对高维特征空间检测点邻域差异相关矩阵(DCOR)中每个样本引入权重因子,各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角。从而抑制检测窗口中的异常数据,突出主成分数据的贡献,使得DCOR矩阵能够更好地描述目标、背景数据分布差异;同时SAM对光谱能量是鲁棒的,结合径向基核函数,SKEST算法既考虑了信号的光谱能量差异,也考虑了信号的光谱曲线形状差异,因而更符合高光谱数据特性。
Description
技术领域
本发明属于高光谱图像处理领域,具体涉及一种高光谱图像目标检测中的异常检测新算法研究。
背景技术
在高光谱图像目标检测中,由于实际应用需求,国内外提出了许多无需目标先验光谱知识的异常检测算法。这些算法充分利用异常点与其邻域点的光谱特性不同,计算局部区域的统计特性以实现目标检测。
目前常用的异常检测算法主要包括RX异常检测法和子空间投影法(包括主成分分析(PCA)、特征空间分离变换(EST)等)。RX算法根据背景样本点的光谱向量均值和协方差矩阵,计算检测点光谱向量和背景样本的马氏距离,实现异常点检测;PCA算法计算样本数据协方差矩阵的特征向量,并将检测点的光谱向量在较大特征值的主成分量上进行投影分析,实现异常点检测;EST算法计算目标和背景的差异相关矩阵(DCOR)的特征向量,并将检测点的光谱向量在选定的特征分量上进行投影分析,实现异常检测。在此基础上又分别提出了基于核的RX算法(KRX)、核PCA算法(KPCA)、核EST算法(KEST),这些算法将高光谱数据映射到高维特征空间后,利用核函数的性质在高维空间中进行异常点的检测,较好地利用了高光谱图像波段间的非线性统计特性。
RX算法要求数据服从高斯分布,该条件对真实场景很难满足,因此子空间投影法更加适应于真实应用情况。而比较PCA算法,EST法计算特征分量时兼顾了目标和背景的光谱差异,EST比PCA具有更好的降维和分类效果。对应的KEST法能够更有效的提取和利用数据的非线性特征。但EST法也存在一定的缺陷,即若实际背景数据为病态分布、背景数据中异常点数目或目标数据中背景点数目较多时,DCOR矩阵不能完全描述目标和背景数据的差异。因此本专利提出了一种光谱角匹配(SAM)加权KEST高光谱异常检测算法(SKEST)。
(一)EST算法:
采用双矩形窗作为局域检测窗口,如图1。该方法以检测点为中心,目标分布于内窗,背景分布于外窗,对内外窗中的各像元光谱向量分别进行统计分析,比较两者差异实现异常检测。
EST算法以检测点为中心,计算目标和背景数据的DCOR矩阵。设高光谱数据波段数为 ,定义矩阵表示目标数据,样本为维光谱向量,;矩阵表示背景数据,样本为维光谱向量,。DCOR矩阵定义为目标和背景样本相关矩阵、的差值:
【1】
(二)KEST算法:
虽然EST算法能够在一定程度上区分目标和背景,但是没有很好的利用各光谱波段间的相关性,因此采用KEST算法,将线性空间光谱信号映射到高维特征空间中进行异常点检测,可以挖掘各光谱波段间的非线性信息,提取目标和背景的高维特征,从而更好的区分目标和背景。
发明内容
本发明的目的在于提出一种SAM加权KEST高光谱异常检测算法(SKEST),以该方法对高光谱图像进行异常检测。
实现本发明目的的技术解决方案为:一种SAM加权KEST高光谱异常检测算法,在基于核的特征空间分离变换KEST算法基础上,对高维特征空间DCOR矩阵中的每个样本引入权重因子,从而抑制检测窗口中的异常数据,具体实现步骤如下:
步骤(1),输入高光谱图像数据;
步骤(2),根据图像中异常目标大小设置双矩形窗尺寸;
步骤(5),对SKEST图进行阈值分割;设置阈值,逐行扫描各个像素点,若其SKEST值大于阈值即为异常点。
本发明与现有技术相比,其显著优点:(1) 本发明针对现有EST、KEST异常检测算法缺陷:若实际背景数据为病态分布、背景数据中异常点数目或目标数据中背景点数目较多时,检测点邻域差异相关矩阵(DCOR)不能完全描述目标和背景数据的差异。SKEST算法在基于核的特征空间分离变换(KEST)算法基础上,对高维特征空间DCOR矩阵中的每个样本引入权重因子,从而抑制检测窗口中的异常数据,突出主成分数据的贡献,使得DCOR矩阵能够更好地描述目标、背景数据分布差异。
(2) SKEST算法中采用光谱角匹配(SAM)测度对高维特征空间DCOR矩阵中每个样本计算权重,各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角。SAM利用光谱信号之间的夹角来衡量光谱曲线的形状差异,且它对光谱能量是鲁棒的,这样结合径向基核函数,SKEST算法既考虑了信号的光谱能量差异,也考虑了信号的光谱曲线形状差异,因而更符合高光谱数据特性。
通过理论分析和对模拟、实际数据实验比较,证明该方法较传统异常检测算法(RX、PCA、EST)和核方法(KRX、KPCA、KEST)具有更高的检测效率。
附图说明
图1 是双矩形窗结构。
图2是算法流程图。
图3是各算法对高斯数据的分类等高线,其中图(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)、(i)、(j)、(k)分别对应于二维高斯数据、RX、KRX、PCA、KPCA、EST正特征值、EST负特征值、KEST正特征值、KEST负特征值、SKEST正特征值、SKET负特征值方法分类等高线图
图4是不同方法下的AVIRIS影像异常检测阈值分割结果图,其中图(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)、(i)分别对应于AVIRIS高光谱第1波段图像、目标分布图、RX、KRX、PCA、KPCA、EST、KEST、SKEST方法检测图
图5是接收操作机(ROC)曲线。
具体实施方式
本发明SAM加权KEST高光谱异常检测算法,首先,推导SAM加权KEST算法;其次采用双矩形窗口,对高光谱图像中每个像元计算其SKEST值,进行阈值分割,检测出异常点。
一、SAM加权KEST算法:
由式【2】可看出:目标、背景相关矩阵、中各像素的权重相等,但若背景数据为病态分布、背景数据中异常点数目或目标数据中背景点数目较多,、就不能完全描述目标、背景数据的分布,目标检测效率低。因此本专利提出一种SAM加权KEST算法,该方法以、中各像素光谱向量与数据中心向量的光谱角匹配(SAM)为准则,对、中各像素光谱向量引入对应的权重因子。即若像素光谱向量与数据中心向量的夹角较小,表示两者光谱信息相似,该像素获得较大权值,反之亦然,如此去除或降低、中的异常数据,以更好地描述目标、背景数据分布。高维特征空间中SAM加权相关矩阵表达式为:
二、SAM加权KEST算法推导过程:
由【3】式可推出:
【5】
【6】
【8】
利用核函数性质将【8】式简化为:
【9】
【10】
下面结合附图对本发明做进一步说明。
参照流程图2,本发明的具体实现步骤如下:
步骤1,输入高光谱图像数据;
步骤2,设置双矩形窗大小(因图像中异常目标大小而定),针对本实验选用外窗11×11,内窗口3×3;
为各像素光谱向量权重因子:
步骤5,对SKEST图进行阈值分割。手动设置阈值,逐行扫描各个像素点,若其SKEST值大于阈值即为异常点。
本专利的效果可以通过以下仿真结果进一步说明:
分别针对模拟数据和真实高光谱图像数据,测试比较了RX、PCA、EST、KRX、KPCA、KEST、SKEST这7种算法。对所有检测点,计算其在双矩形窗邻域内的统计特性。
对线性特征空间投影等式为:
对高维非线性特征空间投影等式为:
根据【17】式计算PCA、EST(RX除外)的值,根据【18】式计算KPCA、KEST(KRX除外)的值,根据【12】式计算SKEST的值。通过多次实验本项目对所有算法均选用径向基核函数,且实验中取40。
图3显示了两组高斯分布数据下7种算法给出的等高线图(表示不同阈值下的分类情况)。(a)为模拟的两组高斯分布数据,(b)(c)为RX、KRX算法的等高线分布,(d)(e)为PCA、KPCA算法取前4个最大特征向量的等高线分布,(f)(g)为EST算法分别取正负前3个特征向量的等高线分布,(h)(i)为KEST算法分别取正负前3个特征向量的等高线分布,(j)(k)为SKEST算法分别取正负前3个特征向量的等高线分布。
比较(b~k)可以看出,线性空间变换(RX、PCA、EST)只能产生线性决策边界,无法区分非线性数据;高维空间变换(KRX、KPCA、KEST)虽然能够产生非线性决策边界,但是仍无法分类出两组高斯数据;SKEST算法可以有效的将两类高斯数据完全区分开。
本发明还对真实AVIRIS高光谱数据进行了实验。该图像是美国圣地亚哥机场的一部分,去掉受噪声和水汽吸收较明显的谱段,选取了130个波段。各波段图像大小为100×100,含38个目标。其第1波段图像及目标分布图如图4(a)(b)所示。双矩形窗结构中设置背景检测窗口大小11×11,目标检测窗口3×3。(c)(d)为RX、KRX算法检测结果,(e)(f)为PCA、KPCA算法取前6个最大特征向量的检测结果,(g)(h)(i)为EST、KEST、SKEST算法取前4个最大正特征向量的检测结果。图5给出了7种算法的接收操作特性(ROC)曲线的比较,横坐标为虚警率,纵坐标为检测率。
从图4(c~i)和图5可以看出,高维空间变换(KRX、KPCA、KEST)比其对应的线性空间变换(RX、PCA、EST)具有更高的检测率,但是仍无法检测出所有目标,且虚警率高;SKEST算法由于有效抑制目标、背景窗口中的异常数据,突出主成分数据的贡献,明显提高了检测率,且可以更有效的区分目标和背景,降低虚警率。
Claims (2)
1.一种SAM加权KEST高光谱异常检测算法,其特征在于:在基于核的特征空间分离变换KEST算法基础上,对高维特征空间DCOR矩阵中的每个样本引入权重因子,从而抑制检测窗口中的异常数据,具体实现步骤如下:
步骤(1),输入高光谱图像数据;
步骤(2),根据图像中异常目标大小设置双矩形窗尺寸;
步骤(5),对SKEST图进行阈值分割;设置阈值,逐行扫描各个像素点,若其SKEST值大于阈值即为异常点。
2.根据权利要求1所述的SAM加权KEST高光谱异常检测算法,其特征在于:所述步骤4中对高维特征空间DCOR矩阵中的每个样本计算其权重因子,各样本权重因子即该样本光谱向量与检测窗口数据中心向量的夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210104037.XA CN102663752B (zh) | 2012-04-11 | 2012-04-11 | 一种sam加权kest高光谱异常检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210104037.XA CN102663752B (zh) | 2012-04-11 | 2012-04-11 | 一种sam加权kest高光谱异常检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663752A true CN102663752A (zh) | 2012-09-12 |
CN102663752B CN102663752B (zh) | 2014-10-15 |
Family
ID=46773230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210104037.XA Expired - Fee Related CN102663752B (zh) | 2012-04-11 | 2012-04-11 | 一种sam加权kest高光谱异常检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663752B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065310A (zh) * | 2012-12-25 | 2013-04-24 | 南京理工大学 | 基于三维光谱角统计的高光谱图像边缘信息提取方法 |
CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
CN103884675A (zh) * | 2014-03-25 | 2014-06-25 | 史永刚 | 一种基于红外光谱的发动机润滑油识别算法 |
CN104408705A (zh) * | 2014-09-23 | 2015-03-11 | 西安电子科技大学 | 一种高光谱图像的异常检测方法 |
CN104463881A (zh) * | 2014-12-12 | 2015-03-25 | 西安电子科技大学 | 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法 |
CN105354580A (zh) * | 2015-11-09 | 2016-02-24 | 中国农业大学 | 基于机器视觉的东亚飞蝗图像特征提取方法 |
CN105989597A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于像素选择过程的高光谱图像异常目标检测方法 |
CN107689050A (zh) * | 2017-08-15 | 2018-02-13 | 武汉科技大学 | 一种基于彩色图像边缘引导的深度图像上采样方法 |
CN109493338A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于联合提取空谱特征的高光谱图像异常检测方法 |
CN113378683A (zh) * | 2021-06-03 | 2021-09-10 | 大连海事大学 | 一种残差驱动的异常检测波段选择方法 |
CN113553914A (zh) * | 2021-06-30 | 2021-10-26 | 核工业北京地质研究院 | 一种casi高光谱数据异常目标检测方法 |
CN115575790A (zh) * | 2022-12-12 | 2023-01-06 | 季华实验室 | 微米发光二极管芯片缺陷检测方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008077379A (ja) * | 2006-09-21 | 2008-04-03 | Seiko Epson Corp | 画像検出装置、画像検出方法及び画像検出プログラム |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN102073882A (zh) * | 2011-01-27 | 2011-05-25 | 武汉大学 | 高光谱遥感影像的dna计算光谱匹配分类方法 |
-
2012
- 2012-04-11 CN CN201210104037.XA patent/CN102663752B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008077379A (ja) * | 2006-09-21 | 2008-04-03 | Seiko Epson Corp | 画像検出装置、画像検出方法及び画像検出プログラム |
CN101807301A (zh) * | 2010-03-17 | 2010-08-18 | 北京航空航天大学 | 一种基于高阶统计量的高光谱图像目标检测方法 |
CN102073882A (zh) * | 2011-01-27 | 2011-05-25 | 武汉大学 | 高光谱遥感影像的dna计算光谱匹配分类方法 |
Non-Patent Citations (3)
Title |
---|
李智勇等: "基于高维几何特性的高光谱异常检测算法研究", 《遥感技术与应用》, vol. 18, no. 06, 31 December 2003 (2003-12-31) * |
李智勇等: "迭代误差分析方法在高光谱异常检测中的应用", 《系统工程与电子技术》, vol. 30, no. 12, 31 December 2008 (2008-12-31) * |
赵春晖等: "基于背景抑制及顶点成分分析的高光谱异常小目标检测", 《应用科技》, vol. 36, no. 09, 30 September 2009 (2009-09-30) * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065310A (zh) * | 2012-12-25 | 2013-04-24 | 南京理工大学 | 基于三维光谱角统计的高光谱图像边缘信息提取方法 |
CN103065310B (zh) * | 2012-12-25 | 2015-09-30 | 南京理工大学 | 基于三维光谱角统计的高光谱图像边缘信息提取方法 |
CN103218779B (zh) * | 2013-03-26 | 2015-11-18 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
CN103884675A (zh) * | 2014-03-25 | 2014-06-25 | 史永刚 | 一种基于红外光谱的发动机润滑油识别算法 |
CN103884675B (zh) * | 2014-03-25 | 2016-08-17 | 史永刚 | 一种基于红外光谱的发动机润滑油识别算法 |
CN104408705B (zh) * | 2014-09-23 | 2017-10-20 | 西安电子科技大学 | 一种高光谱图像的异常检测方法 |
CN104408705A (zh) * | 2014-09-23 | 2015-03-11 | 西安电子科技大学 | 一种高光谱图像的异常检测方法 |
CN104463881B (zh) * | 2014-12-12 | 2018-03-16 | 西安电子科技大学 | 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法 |
CN104463881A (zh) * | 2014-12-12 | 2015-03-25 | 西安电子科技大学 | 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法 |
CN105989597A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于像素选择过程的高光谱图像异常目标检测方法 |
CN105989597B (zh) * | 2015-02-13 | 2020-05-12 | 中国科学院西安光学精密机械研究所 | 基于像素选择过程的高光谱图像异常目标检测方法 |
CN105354580B (zh) * | 2015-11-09 | 2019-03-08 | 中国农业大学 | 基于机器视觉的东亚飞蝗图像特征提取方法 |
CN105354580A (zh) * | 2015-11-09 | 2016-02-24 | 中国农业大学 | 基于机器视觉的东亚飞蝗图像特征提取方法 |
CN107689050A (zh) * | 2017-08-15 | 2018-02-13 | 武汉科技大学 | 一种基于彩色图像边缘引导的深度图像上采样方法 |
CN107689050B (zh) * | 2017-08-15 | 2020-11-17 | 武汉科技大学 | 一种基于彩色图像边缘引导的深度图像上采样方法 |
CN109493338A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于联合提取空谱特征的高光谱图像异常检测方法 |
CN109493338B (zh) * | 2018-11-16 | 2020-08-04 | 西安电子科技大学 | 基于联合提取空谱特征的高光谱图像异常检测方法 |
CN113378683A (zh) * | 2021-06-03 | 2021-09-10 | 大连海事大学 | 一种残差驱动的异常检测波段选择方法 |
CN113553914A (zh) * | 2021-06-30 | 2021-10-26 | 核工业北京地质研究院 | 一种casi高光谱数据异常目标检测方法 |
CN113553914B (zh) * | 2021-06-30 | 2024-03-19 | 核工业北京地质研究院 | 一种casi高光谱数据异常目标检测方法 |
CN115575790A (zh) * | 2022-12-12 | 2023-01-06 | 季华实验室 | 微米发光二极管芯片缺陷检测方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102663752B (zh) | 2014-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663752A (zh) | 一种sam加权kest高光谱异常检测算法 | |
CN109145992B (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN108389188B (zh) | 一种稀疏高光谱异常目标检测方法 | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
US20190392261A1 (en) | End-member extraction method based on segmented vertex component analysis (vca) | |
Borghys et al. | Comparative evaluation of hyperspectral anomaly detectors in different types of background | |
CN107895139B (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN102819745A (zh) | 一种基于AdaBoost的高光谱遥感影像分类方法 | |
CN110991493B (zh) | 一种协同表示和异常剔除的高光谱异常检测方法 | |
CN110427997B (zh) | 面向复杂遥感影像背景的改进cva变化检测方法 | |
CN101916440B (zh) | 基于数字图像形态学理论的高光谱异常检测方法 | |
CN103366184A (zh) | 基于混合分类器的极化sar数据分类方法及系统 | |
Messinger et al. | A graph theoretic approach to anomaly detection in hyperspectral imagery | |
Zhang et al. | Regularization framework for target detection in hyperspectral imagery | |
CN106156728B (zh) | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 | |
CN104933410B (zh) | 一种高光谱图像光谱域与空间域联合分类方法 | |
CN103870807A (zh) | 一种高光谱混合核rx异常检测方法 | |
CN113095218A (zh) | 一种高光谱图像目标检测算法 | |
CN113052130A (zh) | 基于深度残差网络和边缘保护滤波的高光谱影像分类方法 | |
Liu et al. | A band influence algorithm for hyperspectral band selection to classify Moldy Peanuts | |
CN105825512B (zh) | 基于稳健背景回归的高光谱遥感影像异常目标探测方法 | |
CN107977619B (zh) | 一种基于集成学习约束能量最小化的高光谱目标检测方法 | |
Chen et al. | An edge detection method for hyperspectral image classification based on mean shift | |
Song et al. | Hyperspectral anomaly detection via graphical connected point estimation and multiple support vector machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141015 |
|
CF01 | Termination of patent right due to non-payment of annual fee |