CN103559714B - 一种异常检测方法及装置 - Google Patents
一种异常检测方法及装置 Download PDFInfo
- Publication number
- CN103559714B CN103559714B CN201310551750.3A CN201310551750A CN103559714B CN 103559714 B CN103559714 B CN 103559714B CN 201310551750 A CN201310551750 A CN 201310551750A CN 103559714 B CN103559714 B CN 103559714B
- Authority
- CN
- China
- Prior art keywords
- matrix
- background
- abnormality detection
- detected
- weight matrix
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种异常检测方法及装置,其中,方法包括:获取待检测的高光谱图像,采用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵,获取异常检测结果矩阵的权重矩阵;对权重矩阵进行归一化处理,获得归一化的权重矩阵,利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵,利用背景的均值向量和协方差矩阵,采用RX算法对待检测的高光谱图像进行异常检测,得到异常检测结果。本申请提供的异常检测方法,使用加权法估计背景的均值向量和协方差矩阵,能够降低异常信息和噪声的干扰,突显背景信息,使背景信息能更好的满足RX算法对背景信息的假设,从而提高检测率、降低虚警率。
Description
技术领域
本发明涉及异常检测技术领域,尤其涉及一种异常检测方法及装置。
背景技术
异常检测是高光谱领域的一个热点问题。异常目标是指人们感兴趣的地物。它有两大特点,其一,有明显的光谱差异,其二,在图像中出现的概率较低。
现有技术中,通常使用RX算法实现异常检测。RX算法假设图像背景服从多元正态分布,通过计算背景像元集的均值向量和协方差矩阵来描述背景信息。发明人在实现本发明创造的过程中发现:RX算法在背景估计时会引入异常信息和噪声干扰,无法满足算法对背景信息的假设,导致检测结果具有较高的虚警率。
发明内容
有鉴于此,本发明提供了一种异常检测方法,用以解决现有技术中RX算法在背景估计时会引入异常信息和噪声干扰,无法满足算法对背景信息的假设,导致检测结果具有较高的虚警率的问题,其技术方案如下:
一方面,一种异常检测方法,包括:
获取待检测的高光谱图像;
采用RX算法对所述待检测的高光谱图像进行异常检测,获得异常检测结果矩阵;
获取所述异常检测结果矩阵的权重矩阵;
对所述权重矩阵进行归一化处理,获得归一化的权重矩阵;
利用所述归一化的权重矩阵计算所述待检测的高光谱图像中背景的均值向量和协方差矩阵;
利用所述背景的均值向量和协方差矩阵,采用RX算法对所述待检测的高光谱图像进行异常检测,得到异常检测结果。
其中,使用RX算法对所述待检测的高光谱图像进行异常检测,获得异常检测结果矩阵,包括:
利用所述待检测的高光谱图像背景的均值向量和协方差矩阵,通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到所述异常检测结果矩阵,其中,A(i,j)为所述异常检测结果矩阵,r(i,j)为所述待检测的高光谱图像中在位置(i,j)的像元,μ为所述待检测的高光谱图像中背景的均值向量,Σ为所述待检测的高光谱图像中背景的协方差矩阵。
其中,获取所述异常检测结果矩阵的权重矩阵,包括:
通过W(i,j)=exp[-A(i,j)/2]计算得到所述异常检测结果矩阵的权重矩阵,其中,A(i,j)为所述异常检测结果矩阵,W(i,j)为所述异常检测结果矩阵的权重矩阵。
其中,对所述权重矩阵进行归一化处理,获得的归一化的权重矩阵,包括:
利用所述异常检测结果矩阵的权重矩阵,通过计算得到所述归一化的权重矩阵,其中,W(i,j)为所述异常检测结果矩阵的权重矩阵,为所述归一化的权重矩阵,M和N分别为所述待检测的高光谱图像的行数和列数。
其中,利用所述归一化的权重矩阵计算所述待检测的高光谱图像中背景的均值向量和协方差矩阵,包括:
利用所述归一化的权重矩阵,通过计算所述背景的均值向量;
利用所述归一化的权重矩阵以及利用所述归一化的权重矩阵计算得到所述背景的均值向量,通过计算所述背景的协方差矩阵,其中,为利用所述归一化的权重矩阵计算得到的背景的均值向量,为利用所述归一化的权重矩阵计算得到的背景的协方差矩阵,r(i,j)为待检测的高光谱图像中在位置(i,j)的像元。
另一方面,一种异常检测装置,包括:
第一获取模块,用于获取待检测的高光谱图像;
第一检测模块,用于采用RX算法对所述待检测的高光谱图像进行异常检测,获得异常检测结果矩阵;
第二获取模块,用于获取所述异常检测结果矩阵的权重矩阵;
归一化模块,用于对所述权重矩阵进行归一化处理,获得的归一化的权重矩阵;
计算模块,用于利用所述归一化的权重矩阵计算所述待检测的高光谱图像中背景的均值向量和协方差矩阵;
第二检测模块,用于利用所述背景的均值向量和协方差矩阵,采用RX算法对所述待检测的高光谱图像进行异常检测,得到异常检测结果。
其中,所述第一检测模块包括:
第一计算子模块,用于利用所述待检测的高光谱图像背景的均值向量和协方差矩阵,通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到所述异常检测结果矩阵,其中,A(i,j)为所述异常检测结果矩阵,r(i,j)为所述待检测的高光谱图像中在位置(i,j)的像元,μ为所述待检测的高光谱图像中背景的均值向量,Σ为所述待检测的高光谱图像中背景的协方差矩阵。
其中,所述第二获取模块包括:
第二计算子模块,用于通过W(i,j)=exp[-A(i,j)/2]计算得到所述异常检测结果矩阵的权重矩阵,其中,A(i,j)为异常检测结果矩阵,W(i,j)为异常检测结果矩阵的权重矩阵。
其中,所述归一化模块包括:
第三计算子模块,用于利用所述异常检测结果矩阵的权重矩阵,通过计算得到所述归一化的权重矩阵,其中,W(i,j)为所述异常检测结果矩阵的权重矩阵,为所述归一化的权重矩阵,M和N分别为所述待检测的高光谱图像的行数和列数。
其中,所述计算模块包括:
第四计算子模块,利用所述归一化的权重矩阵,通过计算所述背景的均值向量;
第五计算子模块,用于利用所述归一化的权重矩阵以及利用所述归一化的权重矩阵计算得到所述背景的均值向量,通过
计算所述背景的协方差矩阵,其中,为利用所述归一化的权重矩阵计算得到的背景的均值向量,为利用所述归一化的权重矩阵计算得到的背景的协方差矩阵,r(i,j)为待检测的高光谱图像中在位置(i,j)的像元。
上述技术方案具有如下有益效果:
本发明提供的异常检测方法及装置,先使用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵后,通过异常检测结果矩阵获得权重矩阵,然后对权重矩阵进行归一化处理,利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵,最后结合利用归一化的权重矩阵计算得到的背景的均值向量和协方差矩阵使用RX算法对待检测的高光谱图像进行异常检测。本发明提供的异常检测方法,使用加权法估计背景的均值向量和协方差矩阵,由于加权法估计背景的均值向量和协方差矩阵赋予背景信息较大的权重,赋予异常信息和噪声较小的权重,因此,背景的均值向量和协方差矩阵中背景信息所占的比例较大,目标信息和噪声所占的比例很小,即背景的均值向量和协方差矩阵中主要包含背景信息,加权法能够突显背景信息,降低异常信息和噪声的干扰,从而使背景信息更加服从RX算法模型假设—多元正态分布,进而提高检测率、降低虚警率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种异常检测方法的流程示意图;
图2为本发明实施例提供的另一种异常检测方法的流程示意图;
图3为本发明实施例提供的一种异常检测装置的结构示意图;
图4为本发明实施例提供的另一种异常检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为本发明实施例提供的一种异常检测方法的流程示意图,该方法可以包括:
步骤S101:获取待检测的高光谱图像。
其中,高光谱图像为一个三维数组,具体的,为M行、N列、L个波段的图像,高光谱图像集图像信息与光谱信息于一身。高光谱图像由M×N个像元组成,每个像元r(i,j)均为一个L维列向量,由高光谱图像在(i,j)位置的L个波段的数值构成。
步骤S102:采用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵。
步骤S103:获取异常检测结果矩阵的权重矩阵。
步骤S104:对权重矩阵进行归一化处理,获得归一化的权重矩阵。
步骤S105:利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵。
本实施例采用加权法进行背景估计,即,根据权重矩阵,赋予高光谱图像的每个像元对应的权重。由于加权法估计背景的均值向量和协方差矩阵赋予背景信息较大的权重,赋予异常信息和噪声较小的权重,因此,背景的均值向量和协方差矩阵中背景信息所占的比例较大,目标信息和噪声所占的比例很小,即背景的均值向量和协方差矩阵中主要包含背景信息。加权法能够突显背景信息,降低异常信息和噪声的干扰,从而使背景信息更加服从RX算法模型假设—多元正态分布,进而提高检出率。
步骤S106:利用背景的均值向量和协方差矩阵,采用RX算法对待检测的高光谱图像进行异常检测,得到异常检测结果。
本发明实施例提供的异常检测方法,先使用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵后,通过异常检测结果矩阵获得权重矩阵,然后对权重矩阵进行归一化处理,利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵,最后结合利用归一化的权重矩阵计算得到的背景的均值向量和协方差矩阵使用RX算法对待检测的高光谱图像进行异常检测。本发明实施例提供的异常检测方法,使用加权法估计背景的均值向量和协方差矩阵,能够大大降低异常信息和噪声的干扰,突显背景信息,使背景信息能更好的满足RX算法对背景信息的假设,即多元正态分布,从而提高检出率、降低虚警率。
请参阅图2,为本发明实施例提供的另一种异常检测方法的流程示意图,该方法可以包括:
步骤S201:获取待检测的高光谱图像R。
其中,高光谱图像R为一个三维数组,具体的,为M行、N列、L个波段的图像,高光谱图像集图像信息与光谱信息于一身。高光谱图像由M×N个像元组成,每个像元r(i,j)均为一个L维列向量,由高光谱图像在(i,j)位置的L个波段的数值构成。
步骤S202:计算待检测的高光谱图像R中背景的均值向量μ。
其中,待检测的高光谱图像中背景的均值向量μ可通过式(1)计算:
步骤S203:利用背景的均值向量μ计算待检测的高光谱图像R中背景的协方差矩阵Σ。
其中,待检测的高光谱图像R中背景的协方差矩阵Σ可通过式(2)计算:
步骤S204:利用待检测的高光谱图像R中背景的均值向量μ和协方差矩阵Σ,采用RX算法对待检测的高光谱图像R进行异常检测,获得异常检测结果矩阵A。
其中,异常检测结果矩阵A为M行、N列、1波段的灰度图像。
采用RX算法对待检测的高光谱图像R进行异常检测具体为:可通过式(3)计算得到检测结果矩阵A:
A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ] (3)
步骤S205:计算异常检测结果矩阵A的权重矩阵W。
其中,异常检测结果矩阵A的权重矩阵W可通过式(4)计算:
W(i,j)=exp[-A(i,j)/2] (4)
步骤S206:对权重矩阵W进行归一化处理,获得归一化的权重矩阵具体的,可通过式(5)对权重矩阵W进行归一化处理:
步骤S207:利用归一化的权重矩阵计算待检测的高光谱图像R中背景的均值向量
具体的,待检测的高光谱图像R中背景的均值向量可通过式(6)计算:
步骤S208:利用归一化的权重矩阵以及背景的均值向量计算高光谱图像中背景的协方差矩阵
其中,待检测的高光谱图像R中背景的协方差矩阵可通过式(7)计算:
本实施例采用加权法进行背景估计,即,根据权重矩阵赋予高光谱图像的每个像元r(i,j)对应的权重由于加权法估计背景的均值向量和协方差矩阵赋予背景信息较大的权重,赋予异常信息和噪声较小的权重,因此,背景的均值向量和协方差矩阵中背景信息所占的比例较大,目标信息和噪声所占的比例很小,即背景的均值向量和协方差矩阵中主要包含背景信息。加权法能够突显背景信息,降低异常信息和噪声的干扰,从而使背景信息更加服从RX算法模型假设—多元正态分布,进而提高检测率。
步骤S209:利用背景的协方差矩阵和均值向量采用RX算法对待检测的高光谱图像R进行异常检测,得到异常检测结果。
其中,采用RX算法对待检测的高光谱图像R进行异常检测具体为:可通过式(8)计算得到检测结果矩阵
本发明实施例提供的异常检测方法,先采用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵后,通过异常检测结果矩阵获得权重矩阵,然后对权重矩阵进行归一化处理,利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵,最后结合利用归一化的权重矩阵计算得到的背景的均值向量和协方差矩阵,采用RX算法对待检测的高光谱图像进行异常检测。本发明实施例提供的异常检测方法,使用加权法估计背景的均值向量和协方差矩阵,能够大大降低异常信息和噪声的干扰,突显背景信息,使背景信息能更好的满足RX算法对背景信息的假设,即多元正态分布,从而提高检出率、降低虚警率。
请参阅图3,为本发明实施例提供的一种异常检测装置的结构示意图,该装置可以包括:第一获取模块301、第一检测模块302、第二获取模块303、归一化模块304、计算模块305和第二检测模块306。其中:
第一获取模块301,用于获取待检测的高光谱图像。
第一检测模块302,用于采用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵。
第二获取模块303,用于获取异常检测结果矩阵的权重矩阵。
归一化模块304,用于对权重矩阵进行归一化处理,获得的归一化的权重矩阵。
计算模块305,用于利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵。
第二检测模块306,用于利用计算模块305计算得到的背景的均值向量和协方差矩阵,采用RX算法对待检测的高光谱图像进行异常检测,得到异常检测结果。
本发明实施例提供的异常检测装置,在第一获取模块获取待检测的高光谱图像后,先通过第一检测模块采用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵后,通过第二获取模块获取异常检测结果矩阵的权重矩阵,然后通过归一化模块对权重矩阵进行归一化处理,通过计算模块利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵,最后由第二检测模块结合利用归一化的权重矩阵计算得到的背景的均值向量和协方差矩阵,采用RX算法对待检测的高光谱图像进行异常检测。本发明实施例提供的异常检测装置,使用加权法估计背景的均值向量和协方差矩阵,能够更好的去除异常信息和噪声的干扰,突显背景信息,使背景信息能更好的满足RX算法对背景信息的假设,即多元正态分布,从而提高检出率、降低虚警率。
请参阅图4,为本发明实施例提供的另一种异常检测装置的结构示意图,该装置可以包括:第一获取模块401、第一检测模块402、第二获取模块403、归一化模块404、计算模块405和第二检测模块406。其中:
第一获取模块401,用于获取待检测的高光谱图像。
其中,高光谱图像为一个三维数组,具体的,为M行、N列、L个波段的图像,高光谱图像集图像信息与光谱信息于一身。高光谱图像由M×N个像元组成,每个像元r(i,j)均为一个L维列向量,由高光谱图像在(i,j)位置的L个波段的数值构成。
第一检测模块402,用于采用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵。
进一步的,第一检测模块402可以包括:第一计算子模块4021。
第一计算子模块4021,用于利用待检测的高光谱图像背景的均值向量和协方差矩阵,通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到异常检测结果矩阵,其中,A(i,j)为异常检测结果矩阵,r(i,j)为待检测的高光谱图像中在位置(i,j)的像元,μ为待检测的高光谱图像中背景的均值向量,Σ为待检测的高光谱图像中背景的协方差矩阵。
其中,待检测的高光谱图像中背景的均值向量μ可通过计算得到,协方差矩阵Σ可通过计算得到。
第二获取模块403,用于获取异常检测结果矩阵的权重矩阵。
进一步的,第二获取模块可以包括:第二计算子模块4031。
第二计算子模块4031,用于通过W(i,j)=exp[-A(i,j)/2]计算得到异常检测结果矩阵的权重矩阵,其中,W(i,j)为异常检测结果矩阵的权重矩阵。
归一化模块404,用于对权重矩阵进行归一化处理,获得的归一化的权重矩阵。
进一步的,归一化模块404可以包括:第三计算子模块4041。
第三计算子模块4041,用于利用异常检测结果矩阵的权重矩阵,通过计算得到归一化的权重矩阵,其中为归一化的权重矩阵,M和N分别为待检测的高光谱图像的行数和列数。
计算模块405,用于利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵。
进一步的,计算模块405包括:第四计算子模块4051和第五计算子模块4052。其中:
第四计算子模块4051,利用归一化的权重矩阵,通过计算背景的均值向量。
第五计算子模块4052,用于利用归一化的权重矩阵以及利用归一化的权重矩阵计算得到背景的均值向量,通过计算背景的协方差矩阵,其中,为利用归一化的权重矩阵计算得到的背景的均值向量,为利用归一化的权重矩阵计算得到的背景的协方差矩阵,r(i,j)为待检测的高光谱图像中在位置(i,j)的像元。
第二检测模块406,用于利用计算模块305计算得到的背景的均值向量和协方差矩阵,采用RX算法对待检测的高光谱图像进行异常检测,得到异常检测结果。
进一步的,第二检测模块406可以包括:第四计算子模块4061。
第四计算子模块4061,用于利用第四计算子模块4051计算得到的背景的均值向量以及第五计算子模块4052计算得到的背景的协方差矩阵通过计算得到最终的异常检测结果。
本发明实施例提供的异常检测装置,在第一获取模块获取待检测的高光谱图像后,先通过第一检测模块采用RX算法对待检测的高光谱图像进行异常检测,获得异常检测结果矩阵后,通过第二获取模块获取异常检测结果矩阵的权重矩阵,然后通过归一化模块对权重矩阵进行归一化处理,通过计算模块利用归一化的权重矩阵计算待检测的高光谱图像中背景的均值向量和协方差矩阵,最后由第二检测模块结合利用归一化的权重矩阵计算得到的背景的均值向量和协方差矩阵,采用RX算法对待检测的高光谱图像进行异常检测。本发明实施例提供的异常检测装置,使用加权法估计背景的均值向量和协方差矩阵,能够更好的去除异常信息和噪声的干扰,突显背景信息,使背景信息能更好的满足RX算法对背景信息的假设,即多元正态分布,从而提高检出率、降低虚警率。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种异常检测方法,其特征在于,包括:
获取待检测的高光谱图像;
采用RX算法对所述待检测的高光谱图像进行异常检测,获得异常检测结果矩阵;
获取所述异常检测结果矩阵的权重矩阵,其中,所述权重矩阵赋予背景的均值向量和协方差矩阵的权重大于赋予异常信息和噪声的权重;
对所述权重矩阵进行归一化处理,获得归一化的权重矩阵;
利用所述归一化的权重矩阵计算所述待检测的高光谱图像中背景的均值向量和协方差矩阵;
利用所述背景的均值向量和协方差矩阵,采用RX算法对所述待检测的高光谱图像进行异常检测,得到异常检测结果。
2.根据权利要求1所述的方法,其特征在于,使用RX算法对所述待检测的高光谱图像进行异常检测,获得异常检测结果矩阵,包括:
利用所述待检测的高光谱图像背景的均值向量和协方差矩阵,通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到所述异常检测结果矩阵,其中,A(i,j)为所述异常检测结果矩阵,r(i,j)为所述待检测的高光谱图像中在位置(i,j)的像元,μ为所述待检测的高光谱图像中背景的均值向量,Σ为所述待检测的高光谱图像中背景的协方差矩阵。
3.根据权利要求1所述的方法,其特征在于,获取所述异常检测结果矩阵的权重矩阵,包括:
通过W(i,j)=exp[-A(i,j)/2]计算得到所述异常检测结果矩阵的权重矩阵,其中,A(i,j)为所述异常检测结果矩阵,W(i,j)为所述异常检测结果矩阵的权重矩阵。
4.根据权利要求3所述的方法,其特征在于,对所述权重矩阵进行归一化处理,获得的归一化的权重矩阵,包括:
利用所述异常检测结果矩阵的权重矩阵,通过计算得到所述归一化的权重矩阵,其中,W(i,j)为所述异常检测结果矩阵的权重矩阵,为所述归一化的权重矩阵,M和N分别为所述待检测的高光谱图像的行数和列数。
5.根据权利要求4所述的方法,其特征在于,利用所述归一化的权重矩阵计算所述待检测的高光谱图像中背景的均值向量和协方差矩阵,包括:
利用所述归一化的权重矩阵,通过计算所述背景的均值向量;
利用所述归一化的权重矩阵以及利用所述归一化的权重矩阵计算得到所述背景的均值向量,通过计算所述背景的协方差矩阵,其中,为利用所述归一化的权重矩阵计算得到的背景的均值向量,为利用所述归一化的权重矩阵计算得到的背景的协方差矩阵,r(i,j)为待检测的高光谱图像中在位置(i,j)的像元。
6.一种异常检测装置,其特征在于,包括:
第一获取模块,用于获取待检测的高光谱图像;
第一检测模块,用于采用RX算法对所述待检测的高光谱图像进行异常检测,获得异常检测结果矩阵;
第二获取模块,用于获取所述异常检测结果矩阵的权重矩阵,其中,所述权重矩阵赋予背景的均值向量和协方差矩阵的权重大于赋予异常信息和噪声的权重;
归一化模块,用于对所述权重矩阵进行归一化处理,获得的归一化的权重矩阵;
计算模块,用于利用所述归一化的权重矩阵计算所述待检测的高光谱图像中背景的均值向量和协方差矩阵;
第二检测模块,用于利用所述背景的均值向量和协方差矩阵,采用RX算法对所述待检测的高光谱图像进行异常检测,得到异常检测结果。
7.根据权利要求6所述的装置,其特征在于,所述第一检测模块包括:
第一计算子模块,用于利用所述待检测的高光谱图像背景的均值向量和协方差矩阵,通过A(i,j)=[r(i,j)-μ]TΣ-1[r(i,j)-μ]计算得到所述异常检测结果矩阵,其中,A(i,j)为所述异常检测结果矩阵,r(i,j)为所述待检测的高光谱图像中在位置(i,j)的像元,μ为所述待检测的高光谱图像中背景的均值向量,Σ为所述待检测的高光谱图像中背景的协方差矩阵。
8.根据权利要求6所述的装置,其特征在于,所述第二获取模块包括:
第二计算子模块,用于通过W(i,j)=exp[-A(i,j)/2]计算得到所述异常检测结果矩阵的权重矩阵,其中,A(i,j)为异常检测结果矩阵,W(i,j)为异常检测结果矩阵的权重矩阵。
9.根据权利要求8所述的装置,其特征在于,所述归一化模块包括:
第三计算子模块,用于利用所述异常检测结果矩阵的权重矩阵,通过计算得到所述归一化的权重矩阵,其中,W(i,j)为所述异常检测结果矩阵的权重矩阵,为所述归一化的权重矩阵,M和N分别为所述待检测的高光谱图像的行数和列数。
10.根据权利要求9所述的装置,其特征在于,所述计算模块包括:
第四计算子模块,利用所述归一化的权重矩阵,通过计算所述背景的均值向量;
第五计算子模块,用于利用所述归一化的权重矩阵以及利用所述归一化的权重矩阵计算得到所述背景的均值向量,通过计算所述背景的协方差矩阵,其中,为利用所述归一化的权重矩阵计算得到的背景的均值向量,为利用所述归一化的权重矩阵计算得到的背景的协方差矩阵,r(i,j)为待检测的高光谱图像中在位置(i,j)的像元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310551750.3A CN103559714B (zh) | 2013-11-07 | 2013-11-07 | 一种异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310551750.3A CN103559714B (zh) | 2013-11-07 | 2013-11-07 | 一种异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103559714A CN103559714A (zh) | 2014-02-05 |
CN103559714B true CN103559714B (zh) | 2017-05-24 |
Family
ID=50013953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310551750.3A Active CN103559714B (zh) | 2013-11-07 | 2013-11-07 | 一种异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103559714B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107464255B (zh) * | 2017-08-08 | 2020-06-05 | 大连海事大学 | 一种基于信息量与多尺度异常检测的船舶目标检测方法 |
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 |
CN112163523A (zh) * | 2020-09-29 | 2021-01-01 | 北京环境特性研究所 | 一种异常目标检测方法、装置和计算机可读介质 |
CN114372982B (zh) * | 2022-03-22 | 2022-06-17 | 山东泗水金阳光纸业有限公司 | 一种无碳复写纸生产异常检测方法 |
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 |
---|---|---|---|---|
US6529769B2 (en) * | 2001-03-08 | 2003-03-04 | Apti, Inc. | Apparatus for performing hyperspectral endoscopy |
-
2013
- 2013-11-07 CN CN201310551750.3A patent/CN103559714B/zh active Active
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 (2)
Title |
---|
Incremental Study Based on Support Vector Used to Anomaly Detection for Hyperspectral Imagery;Liyan Zhang等;《Advanced Materials in Microwaves and Optics》;20110930;第722-728页 * |
遥感图像的目标检测方法研究;刘德连;《中国博士学位论文全文数据库(信息科技辑)》;20081215(第12期);第16-19、73-101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103559714A (zh) | 2014-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103559714B (zh) | 一种异常检测方法及装置 | |
CN103761748B (zh) | 异常行为检测方法和装置 | |
Yang et al. | Multiscale facet model for infrared small target detection | |
CN103559715B (zh) | 一种高光谱图像的异常检测方法及装置 | |
CN104063604B (zh) | 一种运动状态检测方法和装置 | |
CN101807301A (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN102346910B (zh) | 一种基于单帧红外图像的点目标的实时检测方法 | |
Shvets et al. | Variations of the global lightning distribution revealed from three‐station Schumann resonance measurements | |
CN103606157B (zh) | 高光谱图像处理方法及装置 | |
Senatore et al. | Detection and characterization of transport barriers in complex flows via ridge extraction of the finite time Lyapunov exponent field | |
Hu et al. | Three-dimensional mapping of dark matter | |
CN109725290B (zh) | 一种误差提取方法、装置、电子设备及可读存储介质 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN106296763A (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
CN108875519A (zh) | 对象检测方法、装置和系统及存储介质 | |
US10132943B2 (en) | Spectral segmentation for optimized sensitivity and computation in advanced radiation detectors | |
Jiang et al. | Retrospective forecasting test of a statistical physics model for earthquakes in Sichuan-Yunnan region | |
CN109387872B (zh) | 表面多次波预测方法 | |
Strzelczyk et al. | Parallel Kriging algorithm for unevenly spaced data | |
CN115409735A (zh) | 一种InSAR干涉图像的滤波方法及装置 | |
Wilson et al. | Pedestrian detection implemented on a fixed-point parallel architecture | |
Rana et al. | Optimising visibility analyses using topographic features on the terrain | |
Smirlis et al. | Relaxing the impact of extreme units in data envelopment analysis | |
Drevin et al. | Granulometric determination of sedimentary rock particle roundness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |