CN106600602B - 基于聚类自适应窗高光谱图像异常检测方法 - Google Patents

基于聚类自适应窗高光谱图像异常检测方法 Download PDF

Info

Publication number
CN106600602B
CN106600602B CN201611257226.5A CN201611257226A CN106600602B CN 106600602 B CN106600602 B CN 106600602B CN 201611257226 A CN201611257226 A CN 201611257226A CN 106600602 B CN106600602 B CN 106600602B
Authority
CN
China
Prior art keywords
pixel
matrix
adaptive windows
spectrum image
background
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
Application number
CN201611257226.5A
Other languages
English (en)
Other versions
CN106600602A (zh
Inventor
滕艺丹
张钧萍
江碧涛
张晔
时春雨
钟圣唯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201611257226.5A priority Critical patent/CN106600602B/zh
Publication of CN106600602A publication Critical patent/CN106600602A/zh
Application granted granted Critical
Publication of CN106600602B publication Critical patent/CN106600602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

基于聚类自适应窗高光谱图像异常检测方法，属于高光谱图像处理领域，本发明为解决现有背景模型构造方法限定高光谱图像背景较为一致时适用的问题。本发明具体过程为：对高光谱图像进行光谱维主成分分析，生成光谱子空间；对每个待检测像素生成自适应窗；生成的自适应窗为二值矩阵，二值矩阵的中心与待测像素重合，矩阵内为“1”的像素表示高光谱图像中为同质背景区域的像素，矩阵内为“0”的像素表示高光谱图像中为非同质背景区域的像素；利用主成分分析结果和椭圆等高模型对自适应窗内进行背景对数似然估计，检测出异常像元，生成初步的检测结果矩阵；利用形态学滤波进行后处理，得到最终的检测矩阵结果。本发明用于高光谱遥感图像的异常检测。

Description

基于聚类自适应窗高光谱图像异常检测方法
技术领域
本发明涉及一种高光谱遥感图像的异常检测，属于高光谱图像处理领域。
背景技术
受高光谱图像空间分辨率的限制，当所要检测的目标光谱未知或目标较小时，其容易淹没在地物背景中，此时异常检测方法对于搜索此类目标是一种非常有效的手段。由于缺少先验知识，异常检测的关键过程是对背景信号进行估计，进而突出目标与背景之间的差异并检测出目标。高光谱图像具有丰富的光谱信息以及复杂的空间信息，提高参考背景的一致性并更合理的建模能有效提升检测效果。经典的背景模型构造方法例如多元正态分布，子空间分布等往往限定高光谱图像只能按照固定模型进行分布，这种分布方式只在高光谱图像背景较为一致时适用，并且高光谱图像并不完全遵从与高斯分布，因此亟待找到一种有效的建模方法。
发明内容
本发明目的是为了解决现有背景模型构造方法限定高光谱图像背景较为一致时适用的问题，提供了一种基于聚类自适应窗高光谱图像异常检测方法。
本发明所述基于聚类自适应窗高光谱图像异常检测方法，该高光谱图像异常检测方法的具体过程为：
步骤1、对高光谱图像进行光谱维主成分分析，生成光谱子空间，实现光谱维的降维；
步骤2、对每个待检测像素生成自适应窗；生成的自适应窗为二值矩阵，二值矩阵的中心与待测像素重合，矩阵内为“1”的像素表示高光谱图像中为同质背景区域的像素，用于计算参考背景的统计特性，矩阵内为“0”的像素表示高光谱图像中为非同质背景区域的像素，不用于计算参考背景的统计特性；
步骤3、利用步骤1获取的主成分分析结果和椭圆等高模型对自适应窗内进行背景对数似然估计，检测出异常像元，将目标置为“1”，背景置为“0”，生成初步的检测结果矩阵；
步骤4、利用形态学滤波进行后处理，得到最终的检测矩阵结果。
本发明的优点：本发明提出了一种基于聚类分割和自适应窗的高光谱图像异常检测方法，通过降维处理对异常目标能量进行集中，结合聚类分割并对每种地物类别进行局部自适应窗限制以获取更优的背景模型。本发明在异常检测时，首先利用聚类分割技术对目标像素生成一个自适应窗以获取其临近的同质背景区域，之后利用椭圆等高模型这一类高斯模型对背景进行建模，并通过有限混合模型将高光谱图像划分为多个分布的组合，提高建模的精度；结合异常检测算法能够有效的检测出图像中的异常目标并具有较强的鲁棒性。
本方法首先利用主成分分析方法进行数据降维减少运算量；其次利用优化的k均值聚类算法将具有相似光谱特性的像素进行分类分割，对不同类别地物进行自适应窗限制以获取更一致的地物背景；然后在局部窗下对每一类地物分别建立参数矩阵以获取椭圆等高模型；之后进行异常检测并阈值分割找出异常像元；最后进行后处理除去大面积连通区域提高检测效率并降低虚警率。
本发明提出的基于聚类自适应窗高光谱图像异常检测方法，主要用于精确检测高光谱图像中与背景具有不同光谱特性的异常目标。
附图说明
图1是本发明所述基于聚类自适应窗高光谱图像异常检测方法的流程框图。
具体实施方式
具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于聚类自适应窗高光谱图像异常检测方法，该高光谱图像异常检测方法的具体过程为：
步骤1、对高光谱图像进行光谱维主成分分析，生成光谱子空间，实现光谱维的降维；
步骤2、对每个待检测像素生成自适应窗；生成的自适应窗为二值矩阵，二值矩阵的中心与待测像素重合，矩阵内为“1”的像素表示高光谱图像中为同质背景区域的像素，用于计算参考背景的统计特性，矩阵内为“0”的像素表示高光谱图像中为非同质背景区域的像素，不用于计算参考背景的统计特性；
步骤3、利用步骤1获取的主成分分析结果和椭圆等高模型对自适应窗内进行背景对数似然估计，检测出异常像元，将目标置为“1”，背景置为“0”，生成初步的检测结果矩阵；
步骤4、利用形态学滤波进行后处理，得到最终的检测矩阵结果。
本实施方式中，步骤4利用形态学滤波进行后处理，去除检测矩阵中大范围连通区域。能够提高异常检测精度。
具体实施方式二：下面结合图1说明本实施方式，本实施方式对实施方式一作进一步说明，步骤1所述对高光谱图像进行光谱维主成分分析的具体过程为：
步骤1-1、对高光谱图像矩阵进行标准化变换；
步骤1-2、获取变换后的相关矩阵；
步骤1-3、获取相关矩阵的特征根，确定高光谱图像的主成分。
具体实施方式三：下面结合图1说明本实施方式，本实施方式对实施方式一或二作进一步说明，步骤2所述对每个待检测像素生成自适应窗的具体过程为：
步骤2-1、对每一个待测像素生成一个w×w的自适应窗，将自适应窗的中心初始化为“1”，其他区域初始化为“0”；
步骤2-2、利用皮尔逊准则和均方根误差最小化方法对高光谱图像进行解混，并确定端元数N；
步骤2-3、利用K均值聚类方法将高光谱图像划分为N类，并对所有像素添加类别标签；
步骤2-4、比较自适应窗范围内像素和中心点的类别标签，将自适应窗中与中心像素标签一致的像素置为“1”，获得每个像素的最终自适应窗。
具体实施方式四：下面结合图1说明本实施方式，本实施方式对实施方式三作进一步说明，步骤3所述检测异常像元，生成初步检测结果矩阵的具体过程为：
步骤3-1、将目标检测矩阵初始化为“0”；
步骤3-2、分别对每一个像素类所在的自适应窗采用椭圆等高分布进行建模，获得每一类椭圆等高分布的参数pb(x)：
其中，x表示像素点，μ为自适应窗内矩阵的均值，C为窗矩阵的协方差矩阵，v为可选择的参数，d为高光谱图像降维后保留的主成分个数；
步骤3-3、按照背景对数似然估计函数对于每一个像素点求异常值：
D(x)＝-log(1/pb(x))；
步骤3-4、根据给定阈值筛选出异常像元，将异常值大于给定阈值的置为“1”，获得初步的检测结果矩阵。
具体实施方式五：下面结合图1说明本实施方式，本实施方式对实施方式四作进一步说明，步骤4所述利用形态学滤波进行后处理的具体过程为：
步骤4-1、根据高光谱图像空间分辨率，获得待检测目标最大可能值m×n；
步骤4-2、生成m×n的结构元素，利用该结构元素对检测矩阵进行形态学开操作；
步骤4-3、用原始目标检测矩阵减去形态学开操作后的目标检测矩阵，得到最终的检测矩阵结果。

Claims (2)

1.基于聚类自适应窗高光谱图像异常检测方法，该高光谱图像异常检测方法的具体过程为：
步骤1、对高光谱图像进行光谱维主成分分析，生成光谱子空间，实现光谱维的降维；
步骤2、对每个待检测像素生成自适应窗；生成的自适应窗为二值矩阵，二值矩阵的中心与待测像素重合，矩阵内为“1”的像素表示高光谱图像中为同质背景区域的像素，用于计算参考背景的统计特性，矩阵内为“0”的像素表示高光谱图像中为非同质背景区域的像素，不用于计算参考背景的统计特性；
步骤3、利用步骤1获取的主成分分析结果和椭圆等高模型对自适应窗内进行背景对数似然估计，检测出异常像元，将目标置为“1”，背景置为“0”，生成初步的检测结果矩阵；
步骤4、利用形态学滤波进行后处理，得到最终的检测矩阵结果；
步骤1所述对高光谱图像进行光谱维主成分分析的具体过程为：
步骤1-1、对高光谱图像矩阵进行标准化变换；
步骤1-2、获取变换后的相关矩阵；
步骤1-3、获取相关矩阵的特征根，确定高光谱图像的主成分；
步骤2所述对每个待检测像素生成自适应窗的具体过程为：
步骤2-1、对每一个待测像素生成一个w×w的自适应窗，将自适应窗的中心初始化为“1”，其他区域初始化为“0”；
步骤2-2、利用皮尔逊准则和均方根误差最小化方法对高光谱图像进行解混，并确定端元数N；
步骤2-3、利用K均值聚类方法将高光谱图像划分为N类，并对所有像素添加类别标签；
步骤2-4、比较自适应窗范围内像素和中心点的类别标签，将自适应窗中与中心像素标签一致的像素置为“1”，获得每个像素的最终自适应窗；
其特征在于，步骤3所述检测出异常像元，生成初步的检测结果矩阵，具体过程为：
步骤3-1、将目标检测矩阵初始化为“0”；
步骤3-2、分别对每一个像素类所在的自适应窗采用椭圆等高分布进行建模，获得每一类椭圆等高分布的参数pb(x)：
其中，x表示像素点，μ为自适应窗内矩阵的均值，C为窗矩阵的协方差矩阵，v为可选择的参数，d为高光谱图像降维后保留的主成分个数；
步骤3-3、按照背景对数似然估计函数对于每一个像素点求异常值：
D(x)＝-log(1/pb(x))；
步骤3-4、根据给定阈值筛选出异常像元，将异常值大于给定阈值的置为“1”，获得初步的检测结果矩阵。
2.根据权利要求1所述的基于聚类自适应窗高光谱图像异常检测方法，其特征在于，步骤4所述利用形态学滤波进行后处理的具体过程为：
步骤4-1、根据高光谱图像空间分辨率，获得待检测目标最大可能值m×n；
步骤4-2、生成m×n的结构元素，利用该结构元素对检测矩阵进行形态学开操作；
步骤4-3、用原始目标检测矩阵减去形态学开操作后的目标检测矩阵，得到最终的检测矩阵结果。
CN201611257226.5A 2016-12-30 2016-12-30 基于聚类自适应窗高光谱图像异常检测方法 Active CN106600602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611257226.5A CN106600602B (zh) 2016-12-30 2016-12-30 基于聚类自适应窗高光谱图像异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611257226.5A CN106600602B (zh) 2016-12-30 2016-12-30 基于聚类自适应窗高光谱图像异常检测方法

Publications (2)

Publication Number Publication Date
CN106600602A CN106600602A (zh) 2017-04-26
CN106600602B true CN106600602B (zh) 2019-08-23

Family

ID=58583072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611257226.5A Active CN106600602B (zh) 2016-12-30 2016-12-30 基于聚类自适应窗高光谱图像异常检测方法

Country Status (1)

Country Link
CN (1) CN106600602B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107436285A (zh) * 2017-06-20 2017-12-05 苏州优函信息科技有限公司 基于线光源激发的快速高通量高光谱检测装置及检测方法
CN108399622B (zh) * 2018-03-01 2021-04-09 哈尔滨工业大学 基于非负稀疏特性的高光谱图像异常检测方法
CN108765460B (zh) * 2018-05-22 2021-03-30 北京航空航天大学 基于高光谱图像的空时联合异常检测方法和电子设备
CN109063537B (zh) * 2018-06-06 2021-08-17 北京理工大学 针对异常小目标解混的高光谱图像预处理方法
CN110108358A (zh) * 2019-03-28 2019-08-09 浙江大学 一种高光谱成像方法及装置
CN111709901B (zh) * 2020-05-22 2023-04-28 哈尔滨工业大学 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法
CN111986162B (zh) * 2020-07-28 2021-11-16 西安理工大学 基于粗定位和协同表示的高光谱异常点快速检测方法
CN112529047A (zh) * 2020-11-23 2021-03-19 广州大学 一种基于梯度屏蔽的对抗样本生成方法
CN113627322A (zh) * 2021-08-09 2021-11-09 台州市污染防治工程技术中心 一种用于剔除异常点的方法、系统及电子设备
CN114155385B (zh) * 2021-11-30 2022-09-27 江苏鑫源烟草薄片有限公司 一种基于深度学习的rgb与高光谱的烟草识别方法

Citations (8)

* Cited by examiner, † Cited by third party
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
CN101694719A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于非参数密度估计的遥感图像变化检测方法
CN101794437A (zh) * 2010-03-19 2010-08-04 武汉大学 一种高光谱遥感影像异常探测方法
CN101806898A (zh) * 2010-03-19 2010-08-18 武汉大学 基于端元可变的高光谱遥感影像目标探测方法
CN103870807A (zh) * 2014-02-25 2014-06-18 杭州电子科技大学 一种高光谱混合核rx异常检测方法
CN104299232A (zh) * 2014-09-30 2015-01-21 西安电子科技大学 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
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
CN104504686A (zh) * 2014-12-04 2015-04-08 哈尔滨工程大学 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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
CN101694719A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于非参数密度估计的遥感图像变化检测方法
CN101794437A (zh) * 2010-03-19 2010-08-04 武汉大学 一种高光谱遥感影像异常探测方法
CN101806898A (zh) * 2010-03-19 2010-08-18 武汉大学 基于端元可变的高光谱遥感影像目标探测方法
CN103870807A (zh) * 2014-02-25 2014-06-18 杭州电子科技大学 一种高光谱混合核rx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
CN104299232A (zh) * 2014-09-30 2015-01-21 西安电子科技大学 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN104504686A (zh) * 2014-12-04 2015-04-08 哈尔滨工程大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于PCA和KRX算法的高光谱异常检测;杨桄等;《应用科技》;20140924;第41卷(第5期);第11-13页
采用背景抑制和自适应阈值分割的高光谱异常目标检测;赵春晖等;《哈尔滨工程大学学报》;20150921;第36卷(第11期);第2节
高光谱图像异常目标检测;王楠楠;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215(第S1期);第2.2.2节、第5.1.2节、第5.3节，图5.1

Also Published As

Publication number Publication date
CN106600602A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106600602B (zh) 基于聚类自适应窗高光谱图像异常检测方法
Zhang et al. A level set approach to image segmentation with intensity inhomogeneity
Ye et al. Dynamic texture based smoke detection using Surfacelet transform and HMT model
Viswanathan Fuzzy C means detection of leukemia based on morphological contour segmentation
Hussain et al. A comparative analysis of edge detection techniques used in flame image processing
Holzer et al. Learning to efficiently detect repeatable interest points in depth data
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Bastani et al. Unsupervised trajectory pattern classification using hierarchical Dirichlet Process Mixture hidden Markov model
Rapaka et al. Efficient approach for non‐ideal iris segmentation using improved particle swarm optimisation‐based multilevel thresholding and geodesic active contours
Zhan et al. Automatic method for white matter lesion segmentation based on T1‐fluid‐attenuated inversion recovery images
Faudzi et al. Evaluation of LBP-based face recognition techniques
Zhang et al. A multi-scale bilateral structure tensor based corner detector
Lin et al. Image segmentation based on edge detection and region growing for thinprep-cervical smear
Li et al. Moving target tracking via particle filter based on color and contour features
Feng et al. An efficient pixel-wise method for moving object detection in complex scenes
Sui et al. Automatic extraction of water in high-resolution SAR images based on multi-scale level set method and Otsu algorithm
Kaur et al. Improving the color image segmentation using fuzzy-C-means
Ashour et al. New method based on multi-threshold of edges detection in digital images
Makkar et al. A Comparative Analysis of Different Time Bounded Segmentation Techniques
Fang et al. A novel unsupervised classification approach for hyperspectral imagery based on spectral mixture model and Markov random field
Gupta et al. A comparison of visual attention models for the salient text content detection in natural scene
Amin et al. Robust image segmentation based on convex active contours and the Chan Vese model
Pramanik et al. A Region-to-pixel based Multi-sensor Image Fusion
Xu Dance Movement Interference Suppression Algorithm Based upon Contour Model and AdaBoost Algorithm
Öztimur Karadağ et al. MRF based image segmentation augmented with domain specific information

Legal Events

Date Code Title Description
PB01 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