CN107704802A - 高光谱图像杂波的度量及异常检测算法的性能预测方法 - Google Patents
高光谱图像杂波的度量及异常检测算法的性能预测方法 Download PDFInfo
- Publication number
- CN107704802A CN107704802A CN201710736741.XA CN201710736741A CN107704802A CN 107704802 A CN107704802 A CN 107704802A CN 201710736741 A CN201710736741 A CN 201710736741A CN 107704802 A CN107704802 A CN 107704802A
- Authority
- CN
- China
- Prior art keywords
- clutter
- spectrum image
- high spectrum
- mrow
- hyperion
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种高光谱图像杂波的度量及异常检测算法的性能预测方法,首先输入高光谱图像,利用提出的三种杂波尺度计算所述高光谱图像的背景杂波大小,仿真得到高光谱特定异常检测算法的虚警概率,并分析两者之间的关系,评价所提出杂波尺度的合理性,使得根据背景杂波大小可以进行异常检测算法性能的预测。本发明提出了高光谱图像背景杂波、方差、局部对比度的概念,并给出三种高光谱图像背景杂波的度量方法;利用该度量方法给出了高光谱异常检测算法的性能预测方法,使得根据高光谱图像背景杂波的度量即可预测高光谱特定异常检测算法的性能,对于高光谱成像光谱仪的系统性能做出正确评价和预测、优化系统设计等具有重要意义。
Description
技术领域
本发明属于高光谱遥感领域,具体涉及一种高光谱图像杂波的度量及异常检测算法的性能预测方法。
背景技术
高光谱图像是指光谱分辨率可达到10-2λ数量级(一般在10nm以下) 范围内的遥感图像,包含几十个至上百个波段的连续光谱信息,具有丰富的空间及光谱信息;高光谱的异常检测是用一系列异常检测算法,在没有光谱先验信息的情况下,利用不同物质的不同光谱信息将异常检测和识别出来,是一种基于机器视觉的异常检测系统;高光谱遥感技术作为一种新兴的前沿科技近年来备受关注,高光谱图像的异常检测也具有广泛的应用价值,但是高光谱图像的背景杂波是影响异常检测算法性能的重要因素,它严重增加了算法的虚警概率且降低了检测概率。背景杂波指的是干扰目标探测的场景内容,而目前对于红外图像背景杂波的研究主要集中在二维图像,分别针对人在回路中(Man in loop,简称MIL)和自动目标探测识别(ATR)的光电成像系统,而对于三维高光谱图像中背景杂波的研究几乎没有。研究证明,高光谱图像的背景杂波直接影响高光谱的异常检测算法的性能,背景杂波越强,则高光谱的异常检测算法性能越差,背景杂波越弱,则高光谱的异常检测算法性能越好,而且这种趋势将随着技术的进步而变得越来越明显。
场景中只有与异常目标在异常检测算法所用特征上“相似”的物体才能成为背景杂波,因此高光谱图像背景杂波尺度的提出应结合具体的高光谱异常检测算法。
因此,如何能够给出一种三维高光谱图像背景杂波的度量方法并通过该度量方法对高光谱异常检测算法的性能进行预测,为目前的热点问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种高光谱图像杂波的度量及异常检测算法的性能预测方法。
本发明的一个实施例提供了一种高光谱图像的背景杂波的度量方法,包括:
输入高光谱图像;
利用高光谱图像杂波尺度计算所述高光谱图像的背景杂波大小。
在本发明的一个实施例中,所述杂波尺度的计算利用高光谱方差VIH,所述高光谱方差VIH的计算公式为:
其中,N为所述高光谱图像的像素点数目,Xi为第i个像素点的光谱向量,Xj为第j个像素点的光谱向量,为所述高光谱图像的背景均值光谱向量,是向量Xi与向量之间的马氏距离。
在本发明的一个实施例中,所述杂波尺度利用高光谱方差,方差越大,高光谱图像杂波越小,计算所述高光谱图像的杂波尺度包括:
计算所述高光谱图像中像素点的第一光谱向量;
计算所述高光谱图像的第一背景均值光谱向量;
计算所述第一光谱向量与所述第一背景均值光谱向量的马氏距离;
根据所述马氏距离计算所述高光谱方差。
在本发明的一个实施例中,所述杂波尺度利用高光谱方差,方差越大,高光谱图像杂波越小,计算所述高光谱图像的杂波尺度包括:
将所述高光谱图像均匀划分为多个第一矩形单元;
计算所述第一矩形单元中像素的第二光谱向量;
计算所述第一矩形单元的第二背景均值光谱向量;
计算所述第二光谱向量与所述第二背景均值光谱向量的马氏距离;
根据所述马氏距离计算所述第一矩形单元的高光谱方差;
计算所述多个第一矩形单元的所述高光谱方差的统计平均值。
在本发明的一个实施例中,所述第一矩形单元为检测目标大小的2倍。
在本发明的一个实施例中,所述杂波尺度利用高光谱各点的局部对比度LCIH,所述局部对比度LCIH的计算公式为:
其中,M为以第i个所述像素点为中心的第二矩形单元的像素点数目, Ri为所述第二矩形单元内第i个像素点的光谱向量,Rj为所述第二矩形单元内第j个像素点的光谱向量,为所述第二矩形单元的背景均值光谱向量,为Ri与之间的马氏距离。
在本发明的一个实施例中,所述杂波尺度利用高光谱局部对比度,局部对比度越大,杂波越小,计算所述高光谱图像的杂波尺度包括:
以所述高光谱图像的每个像素点为中心,获取多个第三矩形单元;
计算所述第三矩形单元的中心点像素的第三光谱向量;
计算所述第三矩形单元的第三背景均值光谱向量;
计算所述第三光谱向量与所述第三背景均值光谱向量的马氏距离;
计算所述多个第三矩形单元的所述马氏距离的统计平均值。
在本发明的一个实施例中,所述第三矩形单元为检测目标大小的2倍。
本发明的另一个实施例提供了一种高光谱的异常检测算法的性能预测方法,其特征在于,包括:
输入高光谱图像;
利用高光谱图像杂波尺度计算所述高光谱图像的背景杂波大小;
根据所述高光谱背景杂波大小对所述高光谱的异常检测算法的虚警概率进行预测。
在本发明的一个实施例中,所述高光谱图像杂波尺度利用高光谱方差算法或者局部对比度算法。
本发明实施例的有益效果包括:
1、提出了高光谱图像背景杂波、高光谱方差、局部对比度的概念,利用高光谱方差、局部对比度分别给出了高光谱图像背景杂波的度量方法;
2、利用该度量方法给出了高光谱的异常检测算法的性能预测方法,根据高光谱图像背景杂波的量化结果与高光谱的异常检测算法的探测概率、虚警概率等性能指标之间的定量关系,即可预测高光谱的异常检测算法对目标的探测、识别性能,避免了对新的测试高光谱数据进行复杂的异常检测算法处理,简单方便,也可对高光谱成像光谱仪的系统性能做出正确评价和预测、优化系统设计等具有重要意义。
附图说明
图1为本发明实施例提供的一种描述高光谱图像背景杂波对异常检测流程的影响的原理示意图;
图2为本发明实施例提供的一种利用PCA-局部RX算法对无杂波图像、较少杂波图像和较多杂波图像检测得到的三维检测结果示意图;
图3为本发明实施例提供的一种高光谱图像背景杂波的度量方法的流程示意图;
图4为本发明实施例提供的一种高光谱异常检测算法的性能预测方法的流程示意图;
图5为本发明实施例提供的一种分析高光谱背景杂波大小与异常检测虚警概率的关系、以及利用该关系进行异常检测算法性能预测的方法的流程图;
图6为本发明实施例提供的一种高光谱图像示意图;
图7为本发明实施例提供的一种基于高光谱全局方差杂波尺度的虚警概率预测结果与实际异常检测算法虚警概率的关系示意图;
图8为本发明实施例提供的一种基于高光谱分块方差杂波尺度的虚警概率预测结果与实际异常检测算法虚警概率的关系示意图;
图9为本发明实施例提供的一种基于高光谱各点局部对比度杂波尺度的虚警概率预测结果与实际异常检测算法虚警概率的关系示意图;
图10为本发明实施例提供的三种高光谱图像的杂波尺度的性能预测结果比较。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
高光谱图像的背景杂波指的是干扰高光谱图像目标或者异常的检测、识别的场景内容。高光谱图像的背景杂波越强,其目标或异常的检测、识别性能越差,相反,背景杂波越弱,其目标或异常的检测、识别性能越好。请参见图1和图2,图1为本发明实施例提供的一种描述高光谱图像背景杂波对异常检测流程的影响的原理示意图,图2为本发明实施例提供的一种利用PCA-局部RX算法对无杂波图像、较少杂波图像和较多杂波图像检测得到的三维检测结果示意图;其中,图2(a)为无杂波图像检测得到的三维检测结果,图2(b)为较少杂波图像检测得到的三维检测结果,图2(c)为较多杂波图像检测得到的三维检测结果。图1和图2描述了高光谱图像中的背景杂波是如何影响异常检测流程的,那些来自于背景、通过了降维过程且在异常检测过程中与背景分离、最终影响决策过程的背景信号会降低高光谱异常检测的检测概率,提高虚警概率,严重影响高光谱异常检测算法的性能,这些背景信号就是所谓的高光谱图像背景杂波。
请参见图3,图3为本发明实施例提供的一种高光谱图像背景杂波的度量方法的流程示意图;
该杂波度量方法包括如下步骤:
输入高光谱图像;
利用高光谱图像杂波尺度计算所述高光谱图像的背景杂波大小。
其中,所述杂波尺度可以利用高光谱方差(variance in hyperspectral,简称VIH)或者局部对比度(point local contrast in hyperspectral,简称PLCIH)进行计算。
其中,高光谱方差为高光谱图像中各像素点光谱向量偏离背景均值光谱向量的程度,它衡量高光谱图像中整体背景光谱向量的起伏情况,描述其背景光谱向量的整体可变性,其计算公式为:
其中,N为所述高光谱图像的像素点数目,Xi为第i个像素点的光谱向量,Xj为第j个像素点的光谱向量,为所述高光谱图像的背景均值光谱向量,是向量Xi与向量之间的马氏距离。
其中,高光谱方差不仅利用了图像的空间分布特性,还根据高光谱图像特有的光谱维信息,利用了其光谱维特性。高光谱图像的方差和局部RX 异常检测算法的计算过程类似,都计算了各点与背景的马氏距离,因此该尺度的提出结合了具体的异常检测算法,故可作为背景杂波大小的度量。
其中,利用高光谱方差的高光谱杂波尺度分为全局方差杂波尺度、分块方差杂波尺度。由于高光谱方差表征的是高光谱图像中整体背景光谱向量的起伏情况,方差越大,则图像各部分光谱向量变化越大,场景内容越不相似,则对应的高光谱图像背景杂波越小。反之方差越小,图像各部分光谱向量变化越小,场景内容越相似,则对应的高光谱图像背景杂波越大。
实施例二
在上述实施例的基础上,本实施例具体介绍基于全局方差杂波尺度的高光谱图像背景杂波的度量方法,全局方差杂波尺度直接计算整幅高光谱图像中光谱向量的方差大小,用高光谱方差值来度量高光谱图像背景的起伏程度,作为高光谱图像背景杂波的度量,具体计算方法如下:
S11:输入高光谱图像,获取高光谱图像数据。
S12:假设高光谱图像数据表示为矩阵X=(X1,X2,X3,…,XN)= (Y1,Y2,Y3,…,YP)T,其中N为高光谱图像中像素点的数目,P为高光谱图像的波段数目,Xi是每个像素点在不同波段的灰度值即光谱向量,是个P维列向量,Yi表示各个像素点在同一个波段的灰度值,是个N维列向量。
S13:计算全局背景均值光谱向量
S14:计算当前像素点光谱向量Xi和全局背景均值光谱向量的马氏距离以表示偏离程度,满足:
其中,Cb为全局背景的协方差矩阵。
S15:计算高光谱图像的全局方差杂波尺度(global variance,简称GV),满足:
本实施例,利用高光谱方差给出了高光谱图像全局背景杂波的度量方法。
实施例三
在上述实施例的基础上,本实施例具体介绍基于分块方差杂波尺度的高光谱图像杂波度量方法,分块方差杂波尺度利用“平均”场景辐射的起伏程度来描述高光谱图像背景杂波的强弱,它将高光谱图像划分为多个矩形的小单元块,并计算各个小单元中光谱向量分布的方差,然后求其统计平均值,作为整幅高光谱图像的背景杂波量化尺度。具体步骤包括:
S21:输入高光谱图像,获取高光谱图像数据。
S22:将高光谱图像划分为L个矩形单元,优选地,每个矩形单元的尺寸是检测目标的两倍。
S23:假设每个矩形单元的高光谱图像数据表示为矩阵 X=(X1,X2,X3,…,XV)=(Y1,Y2,Y3,…,YU)T,其中V为矩形单元中像素点的数目,U为高光谱图像的波段数目,Xi是矩形单元中每个像素点在不同波段的灰度值即光谱向量,是个U维列向量,Yi表示矩形单元中各个像素点在同一个波段的灰度值,是个V维列向量。
S24:计算矩形单元的背景均值光谱向量满足:
S25:计算当前像素点光谱向量Xi和矩形单元背景均值光谱向量的马氏距离表示偏离程度,满足:
其中,Cb为该矩形单元局部背景的协方差矩阵。
S26:计算每个矩形单元的高光谱方差Si 2,满足:
S27:计算高光谱图像的分块方差杂波尺度(block variance,简称BV),满足:
本实施例将高光谱图像划分为多个矩形单元,求多个矩形单元的高光谱方差的统计平均值,可以将高光谱图像内大小与目标相似区域的空间和强度特性结合起来,考虑了图像空间分布的不均匀性,能更加准确的度量高光谱图像中的背景杂波大小,因此理论上应具有更好的背景杂波量化性能。
实施例四
在上述实施例的基础上,本实施例具体介绍基于局部对比度杂波尺度的高光谱图像背景杂波度量方法,高光谱图像各点的局部对比度指的是各像素点在其周围局部背景里的偏离程度,偏离程度越大,该点局部对比度越高,偏离程度越小,该点局部对比度越低,它衡量高光谱图像中各点光谱向量与其周围局部背景区域光谱向量的差异,各点局部对比度LCIH的计算公式满足:
其中,M为以第i个所述像素点为中心的第二矩形单元的像素点数目, Ri为所述第二矩形单元内第i个像素点的光谱向量,Rj为所述第二矩形单元内第j个像素点的光谱向量,为所述第二矩形单元的背景均值光谱向量,为Ri与之间的马氏距离。
高光谱图像的局部对比度和局部RX异常检测算法的计算过程十分相似,都是通过度量各点与其周围局部背景的马氏距离来计算偏离程度,两者利用了图像相同的信息,因此该尺度的提出结合了具体的异常检测算法,故可作为背景杂波大小的度量。
利用高光谱各点局部对比度的高光谱图像背景杂波度量方法称为局部对比度杂波尺度,由于高光谱图像各点的局部对比度指的是各像素点在其周围局部背景里的偏离程度,局部对比度越大,说明各像素点光谱向量与其周围局部背景光谱向量的差异越大,则该点越容易被检测出来,越不容易将局部背景检测为异常点,则高光谱图像的背景杂波越小。计算高光谱图像各点光谱向量与其周围局部背景区域内光谱向量的对比度,然后求其统计平均值,作为高光谱图像背景杂波的度量。具体步骤包括:
S31:输入高光谱图像,获取高光谱图像数据。
S32:假设高光谱图像数据表示为矩阵R=(R1,R2,R3,…,RM)= (Y1,Y2,Y3,…,YP)T,其中M为高光谱图像中像素点的数目,P为高光谱图像的波段数目,Ri是每个像素点在不同波段的灰度值即光谱向量,是个P维列向量,Yi表示每个像素点在一个波段的灰度值,是个M维列向量。
S33:以每个像素点Ri为中心,取大小为检测目标两倍的矩形单元,为该矩形单元内像素点的均值光谱向量,计算该矩形单元内中心点在背景中的局部对比度,
其中,Cb为该矩形单元背景的协方差矩阵。
S34:依次取图像的每一个像素点,则得到每个像素点在以其为中心的矩形单元中的局部对比度,求其统计平均值,为整幅高光谱图像的局部对比度杂波尺度(Point localcontrast,简称PLC):
本实施例充分考虑了背景的空间分布特性,局部对比度杂波尺度在一定程度上利用了检测目标的信息,且更符合局部RX(是由Reed和Xiaoli Yu 提出的,以发明人姓名的首字母命名)异常检测算法的本质,故比全局方差杂波尺度、分块方差杂波尺度具有更好的背景杂波量化性能。
实施例五
请参见图4,图4为本发明实施例提供的一种高光谱的异常检测算法的性能预测方法的流程示意图。
本实施例提供一种高光谱的异常检测算法的性能预测方法,包括:
输入高光谱图像;
利用高光谱杂波尺度计算所述高光谱图像的背景杂波大小;
根据所述高光谱的背景杂波大小对所述高光谱的异常检测算法的虚警概率进行预测。
其中,所述高光谱图像杂波尺度利用高光谱方差算法或者局部对比度算法。
本实施例根据高光谱背景杂波量化大小与高光谱的异常检测算法的探测概率、虚警概率等性能指标之间的定量关系,即可明确高光谱的异常检测算法对异常点的检测、识别性能,避免了对新的测试高光谱图像进行复杂的高光谱异常检测算法处理,也可对高光谱成像光谱仪的系统性能做出正确评价和预测、优化系统设计等具有重要意义。
实施例六
在上述实施例的基础上,本实施例详细介绍如何分析高光谱背景杂波大小与异常检测虚警概率之间的关系、以及如何利用该关系进行未知的异常检测性能的预测,请参见图5,图5为本发明实施例提供的一种分析高光谱背景杂波大小与异常检测虚警概率的关系、以及利用该关系进行异常检测算法性能预测的方法的流程图;包括如下步骤:
S51:输入待测试的高光谱图像;请参见图6,图6为本发明实施例提供的一种高光谱图像示意图;其中,(a)为实验用的原始飞机场图像;(b)场景中目标点的位置;(c)未加背景杂波的实验图像;(d)加入较少背景杂波点的实验图像;(e)加入较多背景杂波点的实验图像。该原始高光谱图像来源于由JPL(Jet Propulsion Laboratory,英文全称)研制的航空可见光/红外成像光谱仪AVIRIS,图像大小为1924*753,包含224个波段的光谱信息,从中截取一块大小为192*48的飞机场区域作为测试图像,其中异常目标点为飞机,背景点为飞机跑道和跑道附近的草坪,去除噪声严重的波段和不正常波段,剩余178个波段,该飞机场的二维原始灰度图像如图6(a)所示,其中异常目标点的位置见图6(b)中的亮点。为了得到一系列不同背景杂波值的高光谱图像数据集,依次在该高光谱数据中加入不同数量和大小的干扰像素点,如图6(c)-(e)所示,则得到不同背景杂波级别的一系列高光谱图像数据W=(W1,W2,W3,…,WN),其中WN代表不同背景杂波等级的高光谱数据,N为不同背景杂波等级的高光谱数据的个数,则W是实验所用的高光谱数据集。
S52:分别按照三种杂波尺度计算高光谱图像的背景杂波大小;
对每一个不同杂波等级的高光谱数据,分别用全局方差杂波尺度(GV)、分块方差杂波尺度(BV)和各点局部对比度杂波尺度(PLC),对高光谱图像的背景杂波进行量化,公式如下:
其中,N为全局图像像素点数目,Cb为全局背景的协方差矩阵,为全局背景均值光谱向量,Xi为图像中位置像素点的光谱向量。
其中Si 2是各个小单元内高光谱方差,L为分割的第一矩形单元的数目;
其中,Xi为图像中位置像素点的光谱向量,为以第i个像素点为中心的局部矩形区域的均值光谱向量,M为该局部矩形区域的像素点数目;
S53:对每一个不同背景杂波等级的高光谱数据进行预处理,中心化,去均值,使高光谱方差为1。
S54:对步骤S53得到的高光谱数据进行主成分分析(Principal ComponentAnalysis,简称PCA),得到降维后的包含4个独立成分的数据。
S55:用偏度和散度的函数度量图像奇异信息的大小,对得到的四个独立成分进行局部奇异值的计算,选出含有异常信息最多的一个独立成分。
S56:对步骤S55中选取的异常信息最多的独立成分进行局部RX异常检测,得到检测结果的三维图像,并和阈值进行比较,计算得到一系列不同杂波等级的高光谱图像的异常检测虚警概率Fp=(fp1,fp2,fp3,…)。
S57:利用步骤S52得到的杂波尺度量化结果和步骤S55得到的异常检测虚警概率Fp数据,绘制散点图,得到杂波量化大小和虚警概率间的关系,进行曲线拟合,则在利用高光谱杂波尺度计算出测试高光谱图像的背景杂波大小后,可以根据该拟合曲线,对异常检测算法的虚警概率进行预测。
请参见图7、图8、图9,图7为本发明实施例提供的一种基于高光谱全局方差杂波尺度的虚警概率预测结果与实际异常检测算法虚警概率的关系示意图;图8为本发明实施例提供的一种基于高光谱分块方差杂波尺度的虚警概率预测结果与实际异常检测算法虚警概率的关系示意图;图9为本发明实施例提供的一种基于高光谱各点局部对比度杂波尺度的虚警概率预测结果与实际异常检测算法虚警概率的关系示意图。比较图7、图8和图 9三种高光谱杂波量化尺度预测的虚警概率,其中,图9局部对比度杂波尺度(PLC)的曲线拟合结果与实际的异常检测算法的的虚警概率曲线匹配度最好,故其对该异常检测算法的虚警概率的预测效果最准确,该结论与理论分析相一致。从图中可见,杂波越严重,对应的异常检测虚警概率越大,可见杂波确实对高光谱图像的异常检测性能有明显的影响,故可通过杂波尺度的大小进行异常检测性能的合理预测,该预测方法避免了对新的测试高光谱数据进行复杂的异常检测算法,简单方便,具有一定的应用价值。
为了更加准确的量化三种尺度的性能参数,我们利用均方根误差RMSE、Pearson线性相关系数r和Spearman秩相关系数rs这三种性能评价测度对三条拟合曲线与原数据的偏差情况进行评价,得到三种尺度对于虚警概率的预测结果比较,请参见图10,图10为本发明实施例提供的三种高光谱图像的杂波尺度的性能预测结果比较。
均方根误差(RMSE)性能测度指标能够反映预测的准确度,均方根误差越小,说明预测越准确,相反均方根误差越大,预测则越不准确。而Pearson 线性相关系数r越大,说明杂波尺度和异常检测虚警概率的相关性越高。
分块方差杂波尺度相比于全局方差杂波尺度,RMSE较小且r较大,说明分块方差杂波尺度的性能优于全局方差杂波尺度。这主要是因为分块方差杂波尺度通过将高光谱图像分为几个区域,求各个区域的统计平均值,可以将图像内大小与目标相似的区域的空间分布和强度特性结合起来,考虑了灰度值的空间分布,所以能更加准确的度量高光谱图像中的杂波大小,具有更好的预测性能。
各点局部对比度杂波尺度的RMSE和r性能指标都略优于分块方差杂波尺度,说明这两种杂波尺度性能接近但各点局部对比度杂波尺度性能更优,这主要是因为各点局部对比度杂波尺度(PLC)和局部RX算法都利用了图像的“局部”特性,充分考虑了背景的空间分布特性,且都衡量的是各点光谱向量在其局部背景光谱向量里的对比度,故该尺度更贴近于局部 RX算法的本质,且方差杂波尺度仅仅利用了图像的背景信息,故局部对比度杂波尺度具有更好的杂波量化性能。
Spearman秩相关系数rs越大(0≤rs≤1),说明杂波尺度和异常检测虚警概率的相关性越高。从图10可看出,分块方差杂波尺度和各点局部对比度杂波尺度的Spearman秩相关系数rs均为1,全局方差杂波尺度的rs则小于1,说明从rs来评估尺度的优劣时,这两种杂波尺度的量化性能均优于全局方差杂波尺度。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高光谱图像的背景杂波的度量方法,其特征在于,包括:
输入高光谱图像;
利用高光谱图像杂波尺度计算所述高光谱图像的背景杂波大小。
2.根据权利要求1所述的度量方法,其特征在于,所述杂波尺度的计算利用高光谱方差VIH,所述高光谱方差VIH的计算公式为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>V</mi>
<mi>I</mi>
<mi>H</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mi>N</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
<mi>N</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,N为所述高光谱图像的像素点数目,Xi为第i个像素点的光谱向量,Xj为第j个像素点的光谱向量,为所述高光谱图像的背景均值光谱向量,是向量Xi与向量之间的马氏距离。
3.根据权利要求2所述的度量方法,其特征在于,计算所述高光谱图像杂波尺度包括:
计算所述高光谱图像中像素点的第一光谱向量;
计算所述高光谱图像的第一背景均值光谱向量;
计算所述第一光谱向量与所述第一背景均值光谱向量的马氏距离;
根据所述马氏距离计算所述高光谱方差。
4.根据权利要求2所述的度量方法,其特征在于,计算所述高光谱图像杂波尺度包括:
将所述高光谱图像均匀划分为多个第一矩形单元;
计算所述第一矩形单元中像素的第二光谱向量;
计算所述第一矩形单元的第二背景均值光谱向量;
计算所述第二光谱向量与所述第二背景均值光谱向量的马氏距离;
根据所述马氏距离计算所述第一矩形单元的所述高光谱方差;
计算所述多个第一矩形单元的所述高光谱方差的统计平均值。
5.根据权利要求4所述的度量方法,其特征在于,所述第一矩形单元为检测目标大小的2倍。
6.根据权利要求1所述的度量方法,其特征在于,所述杂波尺度利用高光谱各点的局部对比度LCIH,所述局部对比度LCIH的计算公式为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>L</mi>
<mi>C</mi>
<mi>I</mi>
<mi>H</mi>
<mo>=</mo>
<mo>|</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>R</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<msub>
<mi>R</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
<mi>M</mi>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,M为以第i个所述像素点为中心的第二矩形单元的像素点数目,Ri为所述第二矩形单元内第i个像素点的光谱向量,Rj为所述第二矩形单元内第j个像素点的光谱向量,为所述第二矩形单元的背景均值光谱向量,为Ri与之间的马氏距离。
7.根据权利要求1所述的度量方法,其特征在于,计算所述高光谱图像杂波尺度包括:
以所述高光谱图像的每个像素点为中心,获取多个第三矩形单元;
计算所述第三矩形单元的中心点像素的第三光谱向量;
计算所述第三矩形单元的第三背景均值光谱向量;
计算所述第三光谱向量与所述第三背景均值光谱向量的马氏距离;
计算所述多个第三矩形单元的所述马氏距离的统计平均值。
8.根据权利要求7所述的度量方法,其特征在于,所述第三矩形单元为检测目标大小的2倍。
9.一种高光谱的异常检测算法的性能预测方法,其特征在于,包括:
输入高光谱图像;
利用高光谱图像杂波尺度计算所述高光谱图像的背景杂波大小;
根据所述高光谱背景杂波大小对所述高光谱的异常检测算法的虚警概率进行预测。
10.根据权利要求9所述的预测方法,其特征在于,所述高光谱图像杂波尺度利用高光谱方差算法或者局部对比度算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710736741.XA CN107704802B (zh) | 2017-08-24 | 2017-08-24 | 高光谱图像杂波的度量及异常检测算法的性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710736741.XA CN107704802B (zh) | 2017-08-24 | 2017-08-24 | 高光谱图像杂波的度量及异常检测算法的性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107704802A true CN107704802A (zh) | 2018-02-16 |
CN107704802B CN107704802B (zh) | 2021-04-13 |
Family
ID=61170300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710736741.XA Active CN107704802B (zh) | 2017-08-24 | 2017-08-24 | 高光谱图像杂波的度量及异常检测算法的性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704802B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN110111302A (zh) * | 2019-03-28 | 2019-08-09 | 北京博睿维讯科技有限公司 | 基于多方向差异Hash算法的背景杂波度量方法 |
CN110363186A (zh) * | 2019-08-20 | 2019-10-22 | 四川九洲电器集团有限责任公司 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
CN111598132A (zh) * | 2020-04-21 | 2020-08-28 | 烽火通信科技股份有限公司 | 一种人像识别算法性能评测方法和装置 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183460A (zh) * | 2007-11-27 | 2008-05-21 | 西安电子科技大学 | 彩色图像背景杂波量化方法 |
US7593587B1 (en) * | 2005-04-12 | 2009-09-22 | The United States Of America As Represented By The Secretary Of The Army | Spectral feature generation using high-pass filtering for scene anomaly detection |
CN102393911A (zh) * | 2011-07-21 | 2012-03-28 | 西安电子科技大学 | 基于压缩感知的背景杂波量化方法 |
CN105654452A (zh) * | 2014-11-10 | 2016-06-08 | 中国科学院沈阳自动化研究所 | 一种基于边缘结构的背景杂波度量方法 |
CN106600616A (zh) * | 2016-12-19 | 2017-04-26 | 中国科学院长春光学精密机械与物理研究所 | 一种图像背景杂波度量方法及系统 |
CN106991676A (zh) * | 2017-04-06 | 2017-07-28 | 哈尔滨理工大学 | 一种局部相关的超像素融合方法 |
-
2017
- 2017-08-24 CN CN201710736741.XA patent/CN107704802B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593587B1 (en) * | 2005-04-12 | 2009-09-22 | The United States Of America As Represented By The Secretary Of The Army | Spectral feature generation using high-pass filtering for scene anomaly detection |
CN101183460A (zh) * | 2007-11-27 | 2008-05-21 | 西安电子科技大学 | 彩色图像背景杂波量化方法 |
CN102393911A (zh) * | 2011-07-21 | 2012-03-28 | 西安电子科技大学 | 基于压缩感知的背景杂波量化方法 |
CN105654452A (zh) * | 2014-11-10 | 2016-06-08 | 中国科学院沈阳自动化研究所 | 一种基于边缘结构的背景杂波度量方法 |
CN106600616A (zh) * | 2016-12-19 | 2017-04-26 | 中国科学院长春光学精密机械与物理研究所 | 一种图像背景杂波度量方法及系统 |
CN106991676A (zh) * | 2017-04-06 | 2017-07-28 | 哈尔滨理工大学 | 一种局部相关的超像素融合方法 |
Non-Patent Citations (5)
Title |
---|
O.O. FADIRAN等: "A statistical approach to quantifying clutter in hyperspectral infrared images", 《2006 IEEE AEROSPACE CONFERENCE》 * |
R.A. PETERS等: "Image complexity metrics for automatic target recognizers", 《AUTOMATIC TARGET RECOGNIZER SYSTEMS AND TECHNOLOGY CONFERENCE》 * |
何国经等: "一种基于结构相似度的杂波尺度", 《西安电子科技大学学报》 * |
李倩: "复杂背景杂波量化及光电成像系统性能预测研究", 《中国博士学位论文全文数据库息科技辑》 * |
韩明: "《多元统计分析 从数据到结论》", 31 August 2016 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109934224A (zh) * | 2019-03-07 | 2019-06-25 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN109934224B (zh) * | 2019-03-07 | 2023-06-09 | 绵阳慧视光电技术有限责任公司 | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 |
CN110111302A (zh) * | 2019-03-28 | 2019-08-09 | 北京博睿维讯科技有限公司 | 基于多方向差异Hash算法的背景杂波度量方法 |
CN110111302B (zh) * | 2019-03-28 | 2021-03-05 | 北京博睿维讯科技有限公司 | 基于多方向差异Hash算法的背景杂波度量方法 |
CN110363186A (zh) * | 2019-08-20 | 2019-10-22 | 四川九洲电器集团有限责任公司 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
CN111598132A (zh) * | 2020-04-21 | 2020-08-28 | 烽火通信科技股份有限公司 | 一种人像识别算法性能评测方法和装置 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107704802B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704802A (zh) | 高光谱图像杂波的度量及异常检测算法的性能预测方法 | |
Praz et al. | Solid hydrometeor classification and riming degree estimation from pictures collected with a Multi-Angle Snowflake Camera | |
Nath et al. | A survey of image classification methods and techniques | |
Hill et al. | Cosmology from the thermal Sunyaev-Zel’dovich power spectrum:<? format?> Primordial non-Gaussianity and massive neutrinos | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
JP6476861B2 (ja) | 電磁界特徴分類提示装置 | |
Spigai et al. | Time-frequency analysis in high-resolution SAR imagery | |
CN104462217A (zh) | 一种基于分段统计近似表示的时间序列相似性度量方法 | |
CN103729651A (zh) | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 | |
CN107798345B (zh) | 基于块对角与低秩表示的高光谱伪装目标检测方法 | |
Hong et al. | Geodesic regression on the Grassmannian | |
CN114821164A (zh) | 基于孪生网络的高光谱图像分类方法 | |
CN112712049A (zh) | 一种小样本条件下的卫星影像舰船型号识别方法 | |
CN103729652A (zh) | 基于稀疏保持流形嵌入的高光谱遥感影像分类方法 | |
Bhatt et al. | A data-driven stochastic approach for unmixing hyperspectral imagery | |
CN104809471A (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN109564677A (zh) | 基于随机森林分类器加权结果的超分辨率合成系统和方法 | |
CN109870419A (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
CN111582387A (zh) | 一种岩石光谱特征融合分类方法及系统 | |
Nguyen et al. | A transformer network with sparse augmented data representation and cross entropy loss for ais-based vessel trajectory prediction | |
Stefanou et al. | Image-derived prediction of spectral image utility for target detection applications | |
Sun et al. | Supervised hyperspectral image classification using sparse logistic regression and spatial-tv regularization | |
Ralph et al. | An image metric-based ATR performance prediction testbed | |
Zhou et al. | Small-floating target detection in sea clutter via visual feature classifying in the time-doppler spectra | |
Kishore et al. | Hyperspectral imaging technique for plant leaf identification |
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 |