CN108648176A - 一种基于神经网络的非线性高光谱图像异常目标检测方法 - Google Patents
一种基于神经网络的非线性高光谱图像异常目标检测方法 Download PDFInfo
- Publication number
- CN108648176A CN108648176A CN201810330426.1A CN201810330426A CN108648176A CN 108648176 A CN108648176 A CN 108648176A CN 201810330426 A CN201810330426 A CN 201810330426A CN 108648176 A CN108648176 A CN 108648176A
- Authority
- CN
- China
- Prior art keywords
- neural network
- linear
- nonlinear
- principal component
- window
- 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的非线性高光谱图像异常目标检测方法,属于遥感图像处理技术领域。其包括构造非线性主成分分析神经网络、对神经网络进行训练、以滑窗方式统计高光谱图像每个非线性特征的局部奇异值、选择出平均奇异值最大的若干个非线性主成分作为有效主成分,以及对有效主成分进行RX异常检测处理,获得基于非线性主成分分析的异常检测结果等步骤。本发明方法可以有效地实现非线性目标探测,提高RXD目标探测的结果,是对现有技术的一种重要改进。
Description
技术领域
本发明涉及遥感图像处理技术领域,特别是指一种基于神经网络的非线性高光谱图像异常目标检测方法。
背景技术
在遥感领域中可以进行异常目标检测的形式有如下几种,但它们在性能上均存在某些缺陷:
1、经典的RX异常检测算法(由Reed和Xiaoli Yu共同提出,故称RX方法)以及基于RX算法的改进算法大部分都是基于线性或者纯点模型,此类异常检测算法仅利用一阶和二阶图像数据统计等信息(即均值和协方差等信息),而图像的高阶特征信息并没有被充分利用。高光谱图像,尤其是复杂背景中获取的高光谱图像,由于其具有明显的非线性特征,因此该方法难以对其进行有效处理。
2、为了利用高光谱图像各波段间的非线性信息,有学者提出了利用核函数性质将RX算法应用到高维非线性核空间,由此构造出了基于核方法的RX算法,解决了非线性特征的充分利用问题。但是,该算法忽略了高光谱图像因低空间分辨率而造成的混合像元给异常目标检测带来的严重的背景干扰,此外,还存在内存占用大、运算时间过长等问题。
发明内容
有鉴于此,本发明提出一种基于神经网络的非线性高光谱图像异常目标检测方法,其具有高效率、高准确率、较好的鲁棒性等特点,能够对高光谱遥感图像中的异常目标进行有效检测。
基于上述目的,本发明提供的技术方案是:
一种基于神经网络的非线性高光谱图像异常目标检测方法,其包括以下步骤:
步骤1,采用径向基函数构造具有五层结构的非线性主成分分析神经网络;
步骤2,对步骤1中的神经网络进行训练,并实现基于非线性主成分分析技术的高光谱图像非线性特征提取;
步骤3,以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值,以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值;对各个非线性特征的平均奇异值进行排序,选择出平均奇异值最大的若干个非线性主成分,并将这些非线性主成分作为有效主成分;
步骤4,对挑选出的有效主成分进行RX异常检测处理,获得基于非线性主成分分析的异常检测结果,完成目标检测。
可选的,步骤1所述的径向基函数为
式中,为第i个波段的映射函数,mi为第i个波段的均值,σi为第i个波段的方差,i为波段序号;
所述非线性主成分分析神经网络为具有一个输入层、一个输出层和三个隐藏层的5层神经网络;其中,输入层与输出层的神经元个数与高光谱图像波段数相同,第一、三层隐藏层神经元采用主元曲线算法计算神经元个数,第二层隐藏层的神经元个数采用虚拟维数方法确定。
可选的,所述步骤2的具体方式为:
(201)采用待进行异常目标检测的原始高光谱图像本身作为神经网络的训练样本,神经网络的输入和输出均为原始高光谱图像的所有波段;
(202)采用基于梯度下降法的反向传播方式对神经网络进行训练,随着训练进行,输入和输出的误差逐渐减少,当达到神经网络的收敛阈值时,训练完毕;
(203)利用训练好的神经网络及其参数,将原始高光谱图像输入神经网络,则第二隐藏层的输出即为高光谱图像的非线性特征。
可选的,所述步骤(3)中以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值,对高光谱图像的每一个非线性特征,其局部奇异值的计算方式为:
(301)构建一个大小为l1×l2的窗口,l1和l2的取值由图像大小和目标大小共同决定,初始化异常点数目q=0,确定偏度阈值Ts和峭度阈值Tk:
Ts=χsθs
Tk=χkθk,
其中θs和θk为统计量参数,对l1×l2的窗口,χs和χk满足:
(302)将窗口在整幅图像上进行滑动;在每个窗口位置处,计算窗口内的一阶统计量和二阶统计量,并通过一阶统计量和二阶统计量进一步计算三阶统计量S以及四阶统计量K;
(304)针对窗口的每个位置,若S≥Ts且K≥TK,则此窗口内存在异常点,将异常点数目q加1;
(305)窗口遍历整幅图像后,输出q值,该值即为被统计非线性特征的局部奇异值。
可选的,所述步骤(3)中,选择出的有效主成分的数目为虚拟维数的2/3。
从上面的叙述可以看出,本发明技术方案的有益效果在于:
1、本发明通过径向基函数(Radial Basis Function,RBF)神经网络实现非线性特征的提取,具有占用内存低,计算速度快的优势。
2、本发明引入核方法的思想,经过非线性映射后,将原本线性不可分的目标变得线性可分,提高了检测概率。
3、本发明具有较好的实际应用和高光谱异常目标检测的性能,能够满足高光谱遥感图像的异常目标检测应用要求。
附图说明
为了更加清楚地描述本专利,下面提供一幅或多幅附图,这些附图旨在对本专利的背景技术、技术原理和/或某些具体实施方案做出辅助说明。需要注意的是,这些附图可以给出也可以不给出一些在本专利文字部分已有描述且属于本领域普通技术人员公知常识的具体细节;并且,因为本领域的普通技术人员完全可以结合本专利已公开的文字内容和/或附图内容,在不付出任何创造性劳动的情况下设计出更多的附图,因此下面这些附图可以涵盖也可以不涵盖本专利文字部分所叙述的所有技术方案。此外,这些附图的具体内涵需要结合本专利的文字内容予以确定,当本专利的文字内容与这些附图中的某个明显结构不相符时,需要结合本领域的公知常识以及本专利其他部分的叙述来综合判断到底是本专利的文字部分存在笔误,还是附图中存在绘制错误。特别地,以下附图均为示例性质的图片,并非旨在暗示本专利的保护范围,本领域的普通技术人员通过参考本专利所公开的文字内容和/或附图内容,可以在不付出任何创造性劳动的情况下设计出更多的附图,这些新附图所代表的技术方案依然在本专利的保护范围之内。
图1是本发明实施例中基于非线性映射进行目标探测的原理示意图。
图2是本发明实施例中用于实现非线性映射的神经网络的结构示意图。
图3是本发明实施例中统计局部异常值的方法流程图。
图4是本发明实施例中在背景目标不可分和背景目标可分两种情况下的数据模拟示意图。
图5是本发明实施例中真实的高光谱数据飞机探测实验结果示意图。
具体实施方式
为了便于本领域技术人员对本专利技术方案的理解,同时,为了使本专利的技术目的、技术方案和有益效果更加清楚,并使权利要求书的保护范围得到充分支持,下面以具体案例的形式对本专利的技术方案做出进一步的、更详细的说明。
一种基于神经网络的非线性高光谱图像异常目标检测方法,其原理如图1所示,包括以下步骤:
步骤1,采用径向基函数构造具有五层结构的非线性主成分分析神经网络;
步骤2,对步骤1中的神经网络进行训练,并实现基于非线性主成分分析技术的高光谱图像非线性特征提取;
步骤3,以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值,以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值;对各个非线性特征的平均奇异值进行排序,选择出平均奇异值最大的若干个非线性主成分,并将这些非线性主成分作为有效主成分;
步骤4,对挑选出的有效主成分进行RX异常检测处理,获得基于非线性主成分分析的异常检测结果,完成目标检测。
可选的,步骤1所述的径向基函数为
式中,为第i个波段的映射函数,mi为第i个波段的均值,σi为第i个波段的方差,i为波段序号;
所述非线性主成分分析神经网络为具有一个输入层、一个输出层和三个隐藏层的5层神经网络;其中,输入层与输出层的神经元个数与高光谱图像波段数相同,第一、三层隐藏层神经元采用主元曲线算法计算神经元个数,第二层隐藏层的神经元个数采用虚拟维数方法确定。
可选的,所述步骤2的具体方式为:
(201)采用待进行异常目标检测的原始高光谱图像本身作为神经网络的训练样本,神经网络的输入和输出均为原始高光谱图像的所有波段;
(202)采用基于梯度下降法的反向传播方式对神经网络进行训练,随着训练进行,输入和输出的误差逐渐减少,当达到神经网络的收敛阈值时,训练完毕;
(203)利用训练好的神经网络及其参数,将原始高光谱图像输入神经网络,则第二隐藏层的输出即为高光谱图像的非线性特征。
可选的,所述步骤(3)中以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值,对高光谱图像的每一个非线性特征,其局部奇异值的计算方式为:
(301)构建一个大小为l1×l2的窗口,l1和l2的取值由图像大小和目标大小共同决定,初始化异常点数目q=0,确定偏度阈值Ts和峭度阈值Tk:
Ts=χsθs
Tk=χkθk,
其中θs和θk为统计量参数,对l1×l2的窗口,χs和χk满足:
(302)将窗口在整幅图像上进行滑动;在每个窗口位置处,计算窗口内的一阶统计量和二阶统计量,并通过一阶统计量和二阶统计量进一步计算三阶统计量S以及四阶统计量K;
(304)针对窗口的每个位置,若S≥Ts且K≥TK,则此窗口内存在异常点,将异常点数目q加1;
(305)窗口遍历整幅图像后,输出q值,该值即为被统计非线性特征的局部奇异值。
可选的,所述步骤(3)中,选择出的有效主成分的数目为虚拟维数的2/3。
具体来说,本发明方法可以分为以下几个步骤:
1、基于神经网络的非线性特征提取
非线性主成分分析(Nonlinear Principal Component Analysis,NLPCA)过程可以形式化的表示为下面的公式:
y=F(x) (1)
其中y指NLPCA提取的非线性特征,而F(x)是NLPCA映射的非线性函数。与标准线性的主成分分析(Principal Component Analysis,PCA)类似,NLPCA也存在逆过程,即从非线性特征反演原始特征的过程,可以表示为下面的过程:
其中为通过非线性特征y逆运算得到的原始特征x的估计,G(y)为相应的逆变换函数。对非线性PCA来说,F(x)和G(y)的确定是至关重要的,因为这两个函数是实现非线性特征提取的关键。但与标准PCA不同,对于NLPCA,F(x)和G(y)是难以通过具体函数来实现的。由于神经网络有非常强大的非线性表征能力,因此可以用来拟合非线性函数F(x)和G(y)。
考虑到径向基函数(RBF)网络具有收敛速度快,且不易陷入局部极值等优点,本例中采用RBF网络来训练神经网络。用于实现NLPCA的5层神经网络如图1所示。
图2中,xi是指高光谱图像的第i个波段,下标L表示高光谱图像的总波段数,其中w和v分别为神经网络第一隐层和输出层的权重参数。用于该神经网络进行非线性特征提取的的一些参数设置方式如下所示:
(1)RBF函数设置为:
(2)隐藏层神经元个数Nh采用主元曲线算法确定;
(3)输出层特征数Nf使用虚拟维数(Virtual dimensionality,VD)的方法确定;
(4)神经网络训练方法:采用基于梯度下降法的反向传播计算。
训练完成后,即可得到相应的非线性特征y。由于y是x的非线性映射,因此在原始特征空间中线性不可分的目标和背景,在变换后的特征空间中变得线性可分,这正是本例引入非线性PCA进行特征提取的关键所在。本例希望通过NLPCA获得的非线性特征,使得目标探测算法能够实现非线性目标探测。
2、局部异常值检测
通过上述方法完成非线性主成分分析后,需要对每个非线性主成分计算其平均奇异性值,并对平均局部奇异值进行排序,选择出平均奇异值最大的非线性主成分,并将此非线性主成分作为最有效的主成分,这些主成分包含的异常信息最丰富有效。然后对挑选出的非线性主成分进行RX异常检测处理,即可获得基于非线性PCA的异常检测结果。
其中局部奇异值的计算是NLPCA异常检测算法中至关重要的一个步骤。局部奇异值越大,该图像的局部奇异性越大。本例中,对图像的局部奇异性的描述使用偏度和峭度两个概念。对于一个高光谱图像数据,若不存在异常目标,其统计模型符合高斯分布;若存在异常目标,其统计模型将不符合高斯分布。如此,图像中异常目标数目越多,统计模型偏离高斯分布的程度也就越严重。由统计学原理可以知道,偏度越大,数据分布越不对称;峭度值与数据分布偏离正态分布的程度成正相关的关系。因此偏度和峭度可用来衡量数据偏离高斯分布的程度和图像中包含异常信息的多少。当图像的偏度和峭度均为零时,图像中不存在异常目标;若图像的偏度、峭度不为零,图像中包含异常信息。具体方法如图3所示:
(1)构建一个大小为l1×l2的滑动窗口,l1和l2的取值由图像大小和目标大小共同决定,一般情况下l1=l2,初始化异常点数目q=0,设定偏度阈值Ts和峭度阈值Tk,其确定方式为:
Ts=χsθs
Tk=χkθk;
其中θs和θk为统计量参数,本例中取值均为6;对l1×l2的窗口,χs和χk满足:
(2)使窗口在整幅图像上进行滑动;对于每个窗口位置j(1≤j≤Nw),计算窗口内平均一阶统计量(即均值)、二阶统计量(即方差),以此计算三阶统计量S(即偏度)以及四阶统计量K(即峭度);
(3)阈值判断:若S≥Ts且K≥TK,则此窗口存在异常点,对q值加1;否则异常点数目q保持不变;
(4)若所有窗口遍历完毕,则输出q值,此即为图像的平均奇异值;否则重复步骤(3),进行下个窗口的计算。
在获得各成分奇异值后,按平均奇异值的大小对各成分排序,然后使用传统RX方法进行异常目标检测。
3、模拟实验
首先人为构造一组模拟数据,使得目标和背景线性不可分,如图4(a)所示,然后使用本例方法将“图像”进行非线性映射,得到结果如图4(b)。从结果来看,通过非线性特征提取,可以实现将原本线性不可分的目标与背景变得线性可分。然后在使用RXD目标探测方法(本领域公知的一种常用算法)就可以将目标和背景分开,因为此时目标和背景已经线性可分。
4、真实实验
可以通过真实的高光谱数据验证本例方法,使用的数据是由美国喷气实验室(JPL)的Airborne Visible Infrared Imaging Spectrometer(AVIRIS)获取圣地亚哥军用机场的数据。该数据为反射率产品,并且已经经过了几何纠正,涵盖了从450nm到2500nm的224个波段,空间分辨率约为3m。一些信噪比较低和水汽吸收严重的波段被人工去除。试验截取其中含有飞机目标的子数据,该数据中,右上角有三架飞机,底部有38架飞机,第10波段及地面飞机真实分布如图5(a)和(b)所示。首先使用RXD对原始数据进行异常探测,得到的结果如图5(c)。然后使用本文提出的方法进行异常目标探测,得到的结果分别如图5(d)所示。
从探测结果中可以看出,直接使用原始波段进行RX探测,得到的探测结果(图5(c)),目标漏检较多,而进行了非线性特征映射以后,目标基本都能得到检测,但建筑物的边缘也存在部分虚警,可以使用形态学处理方法予以去除。对比真实目标分布图5(b)和本文方法图5(d)两图,可以看出,使用本例方法得到的探测结果与真实目标分布十分接近。
总之,本发明方法通过RBF神经网络实现对非线性特征的提取,具有占用内存低,计算速度快的优势。并且,通过模拟数据和真实高光谱数据的试验可见,本发明方法可以有效地实现非线性目标探测,提高RXD目标探测的结果,是对现有技术的一种重要改进。
需要理解的是,上述对于本专利具体实施方式的叙述仅仅是为了便于本领域普通技术人员理解本专利方案而列举的示例性描述,并非暗示本专利的保护范围仅仅被限制在这些个例中,本领域普通技术人员完全可以在对本专利技术方案做出充分理解的前提下,以不付出任何创造性劳动的形式,通过对本专利所列举的各个例采取组合技术特征、替换部分技术特征、加入更多技术特征等等方式,得到更多的具体实施方式,所有这些具体实施方式均在本专利权利要求书的涵盖范围之内,因此,这些新的具体实施方式也应在本专利的保护范围之内。
此外,出于简化叙述的目的,本专利也可能没有列举一些寻常的具体实施方案,这些方案是本领域普通技术人员在理解了本专利技术方案后能够自然而然想到的,显然,这些方案也应包含在本专利的保护范围之内。
出于简化叙述的目的,上述各具体实施方式对于技术细节的公开程度可能仅仅达到本领域技术人员可以自行决断的程度,即,对于上述具体实施方式没有公开的技术细节,本领域普通技术人员完全可以在不付出任何创造性劳动的情况下,在本专利技术方案的充分提示下,借助于教科书、工具书、论文、专利、音像制品等等已公开文献予以完成,或者,这些细节是在本领域普通技术人员的通常理解下,可以根据实际情况自行作出决定的内容。可见,即使不公开这些技术细节,也不会对本专利技术方案的公开充分性造成影响。
总之,在结合了本专利说明书对权利要求书保护范围的解释作用的基础上,任何落入本专利权利要求书涵盖范围的具体实施方案,均在本专利的保护范围之内。
Claims (5)
1.一种基于神经网络的非线性高光谱图像异常目标检测方法,其特征在于,包括以下步骤:
步骤1,采用径向基函数构造具有五层结构的非线性主成分分析神经网络;
步骤2,对步骤1中的神经网络进行训练,并实现基于非线性主成分分析技术的高光谱图像非线性特征提取;
步骤3,以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值,以每个非线性特征的局部奇异值与滑窗总数的比值作为该特征所对应的平均奇异值;对各个非线性特征的平均奇异值进行排序,选择出平均奇异值最大的若干个非线性主成分,并将这些非线性主成分作为有效主成分;
步骤4,对挑选出的有效主成分进行RX异常检测处理,获得基于非线性主成分分析的异常检测结果,完成目标检测。
2.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法,其特征在于,步骤1所述的径向基函数为
式中,为第i个波段的映射函数,mi为第i个波段的均值,σi为第i个波段的方差,i为波段序号;
所述非线性主成分分析神经网络为具有一个输入层、一个输出层和三个隐藏层的5层神经网络;其中,输入层与输出层的神经元个数与高光谱图像波段数相同,第一、三层隐藏层神经元采用主元曲线算法计算神经元个数,第二层隐藏层的神经元个数采用虚拟维数方法确定。
3.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法,其特征在于,所述步骤2的具体方式为:
(201)采用待进行异常目标检测的原始高光谱图像本身作为神经网络的训练样本,神经网络的输入和输出均为原始高光谱图像的所有波段;
(202)采用基于梯度下降法的反向传播方式对神经网络进行训练,随着训练进行,输入和输出的误差逐渐减少,当达到神经网络的收敛阈值时,训练完毕;
(203)利用训练好的神经网络及其参数,将原始高光谱图像输入神经网络,则第二隐藏层的输出即为高光谱图像的非线性特征。
4.根据权利要求1所述的基于神经网络的非线性高光谱图像异常目标检测方法,其特征在于,所述步骤(3)中以滑窗方式统计步骤2中得到的高光谱图像每个非线性特征的局部奇异值,对高光谱图像的每一个非线性特征,其局部奇异值的计算方式为:
(301)构建一个大小为l1×l2的窗口,l1和l2的取值由图像大小和目标大小共同决定,初始化异常点数目q=0,确定偏度阈值Ts和峭度阈值Tk:
Ts=χsθs
Tk=χkθk,
其中θs和θk为统计量参数,对l1×l2的窗口,χs和χk满足:
(302)将窗口在整幅图像上进行滑动;在每个窗口位置处,计算窗口内的一阶统计量和二阶统计量,并通过一阶统计量和二阶统计量进一步计算三阶统计量S以及四阶统计量K;
(304)针对窗口的每个位置,若S≥Ts且K≥TK,则此窗口内存在异常点,将异常点数目q加1;
(305)窗口遍历整幅图像后,输出q值,该值即为被统计非线性特征的局部奇异值。
5.根据权利要求2所述的基于神经网络的非线性高光谱图像异常目标检测方法,其特征在于,所述步骤(3)中,选择出的有效主成分的数目为虚拟维数的2/3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810330426.1A CN108648176A (zh) | 2018-04-13 | 2018-04-13 | 一种基于神经网络的非线性高光谱图像异常目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810330426.1A CN108648176A (zh) | 2018-04-13 | 2018-04-13 | 一种基于神经网络的非线性高光谱图像异常目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108648176A true CN108648176A (zh) | 2018-10-12 |
Family
ID=63745974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810330426.1A Pending CN108648176A (zh) | 2018-04-13 | 2018-04-13 | 一种基于神经网络的非线性高光谱图像异常目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648176A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819769A (zh) * | 2021-01-26 | 2021-05-18 | 复旦大学 | 基于核函数和联合字典的非线性高光谱图像异常探测算法 |
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 |
CN114782446A (zh) * | 2022-06-22 | 2022-07-22 | 领伟创新智能系统(浙江)有限公司 | 一种光伏组件蜗牛纹视觉检测方法 |
Citations (4)
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 |
US8559719B2 (en) * | 2010-03-12 | 2013-10-15 | The United States Of America, As Represented By The Secretary Of The Navy | Spectral anomaly detection in deep shadows |
CN105825200A (zh) * | 2016-03-31 | 2016-08-03 | 西北工业大学 | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 |
CN107657272A (zh) * | 2017-09-14 | 2018-02-02 | 中国电子科技集团公司第五十四研究所 | 一种遥感图像海上目标检测方法 |
-
2018
- 2018-04-13 CN CN201810330426.1A patent/CN108648176A/zh active Pending
Patent Citations (4)
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 |
US8559719B2 (en) * | 2010-03-12 | 2013-10-15 | The United States Of America, As Represented By The Secretary Of The Navy | Spectral anomaly detection in deep shadows |
CN105825200A (zh) * | 2016-03-31 | 2016-08-03 | 西北工业大学 | 基于背景字典学习和结构稀疏表示的高光谱异常目标检测方法 |
CN107657272A (zh) * | 2017-09-14 | 2018-02-02 | 中国电子科技集团公司第五十四研究所 | 一种遥感图像海上目标检测方法 |
Non-Patent Citations (2)
Title |
---|
孙康等: "一种基于非线性主成分分析的高光谱图像目标检测方法", 《测绘通报》 * |
牛肖雪: "基于非线性空间的高光谱异常检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819769A (zh) * | 2021-01-26 | 2021-05-18 | 复旦大学 | 基于核函数和联合字典的非线性高光谱图像异常探测算法 |
CN112819769B (zh) * | 2021-01-26 | 2022-05-20 | 复旦大学 | 基于核函数和联合字典的非线性高光谱图像异常探测算法 |
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 |
CN114782446A (zh) * | 2022-06-22 | 2022-07-22 | 领伟创新智能系统(浙江)有限公司 | 一种光伏组件蜗牛纹视觉检测方法 |
CN114782446B (zh) * | 2022-06-22 | 2022-09-16 | 领伟创新智能系统(浙江)有限公司 | 一种光伏组件蜗牛纹视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Hyperspectral anomaly detection via a sparsity score estimation framework | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
Wu et al. | A texture segmentation algorithm based on PCA and global minimization active contour model for aerial insulator images | |
CN108460391B (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN103886342B (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN106886760B (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN108648176A (zh) | 一种基于神经网络的非线性高光谱图像异常目标检测方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN104978573A (zh) | 一种应用于高光谱图像处理的非负矩阵分解方法 | |
CN104392251A (zh) | 一种基于半监督字典学习的高光谱图像分类方法 | |
CN109190511A (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN110766058A (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN104239902A (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
Pu et al. | Constrained least squares algorithms for nonlinear unmixing of hyperspectral imagery | |
CN105718924B (zh) | 基于多特征综合及机器学习的高分卫星影像云检测方法 | |
CN107122799A (zh) | 基于扩展形态学和导向滤波的高光谱图像分类方法 | |
CN105354845B (zh) | 一种遥感影像半监督变化检测方法 | |
CN103955711B (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
CN107273919A (zh) | 一种基于置信度构造类属字典的高光谱无监督分类方法 | |
CN110334775A (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
CN104050489B (zh) | 一种基于多核最优化的合成孔径雷达自动目标识别方法 | |
Yang et al. | An improved EM algorithm for remote sensing classification | |
CN105513079A (zh) | 大尺度时间序列遥感图像变化区域的检测方法 |
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 |