CN109146890B - 基于滤波器的高光谱图像的异常目标检测方法 - Google Patents
基于滤波器的高光谱图像的异常目标检测方法 Download PDFInfo
- Publication number
- CN109146890B CN109146890B CN201810775653.5A CN201810775653A CN109146890B CN 109146890 B CN109146890 B CN 109146890B CN 201810775653 A CN201810775653 A CN 201810775653A CN 109146890 B CN109146890 B CN 109146890B
- Authority
- CN
- China
- Prior art keywords
- hsi
- hyperspectral image
- target
- image
- attribute
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000004927 fusion Effects 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于滤波器的高光谱图像异常目标检测方法，包括步骤：获取待测高光谱图像；降低所述高光谱图像的维度，得到至少三个目标高光谱图像；通过第一滤波器过滤所述目标高光谱图像，得到与每一个所述目标高光谱图像对应的属性概图；通过计算每一个所述目标高光谱图像与其对应的三个所述属性概图之间的差异，得到与每一个所述目标高光谱图像对应的差分图；融合所述差分图，得到初始异常检测图；将所述初始异常检测图通过第二滤波器过滤，得到最终异常检测图；将所述最终异常检测图中的异常像素区域作为所述高光谱图像的异常目标所在的区域。该方法极大的保留了有用信息、提升图像的空间分辨率和光谱分辨率，有效降低异常目标检测的虚警率。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于滤波器的高光谱图像异常目标检测方法。
背景技术
高光谱图像数据作为一个三维的数据立方体，在提供地物空间维的纹理和位置信息的同时，第三维光谱维又包含了地物丰富的光谱特征信息，因此在对地物识别能力上有其他探测影像所不能比拟的优势。
1.基于统计的方法RX(Reed-Xiaoli)基于表征背景信息的多元高斯模型的异常检测，考虑到数学易处理性，用于异常检测的统计模型通常与高斯分布有关。首先，通过估计整个图像中的样本的均值和协方差值来构建背景统计模型。利用统计学知识找寻与背景环境存在光谱差异的目标点可以在没有先验信息的条件下完成对异常目标的检测。
2.基于统计的方法LRX(Local RX)基于局部表征背景信息的多元高斯模型的异常检测，该方法是对RX算法进行改进，得到新的算法(LRX)，它是一个双窗检测过程。内窗作为保护窗口，使得估计背景模型时，被检测的中心像素不会被计算在内。两窗之间的数据可看作是背景的样本数据，背景均值和互协方差矩阵的估计均由此数据得来。这两个窗口的大小是影响LRX算法的检测性能的重要指标。对图像中每一个像素点执行双窗检测，得到投影结果后，通过恒虚警检测算法实现对异常目标的检测。
3.基于协作表示的方法CRD(Collaborative representation forhyperspectral anomaly detection)合作表示形式的高光谱图像异常点检测，CRD算法是基于协作表示的异常检测算法，如果一个像素不能被本地窗口中的背景原子协同表示，则该像素是异常点。CRD算法应用双窗口滑动来获取背景字典，背景字典中原子之间的线性组合可以产生近似中心像素的值，然后，用产生的该近似值与中心像素之间的距离来判断该中心像素属于异常还是背景。
现有技术的问题总结为以下三点：
1.基于统计的方法(RX)，太过依赖统计算法，忽略了几百个高光谱波段的信息，使最后的检测结果因为缺失信息而变得不准确；
2.基于统计的方法(LRX)，该方法受两个窗口的大小影响，如果窗口过大，所选择的的信息量大，信息冗余度高而引起的维数灾难现象，如果选择的窗口小，会使因为缺失信息而变得不准确；
3.基于协作表示的方法(CRD)，该方法在没有目标光谱先验知识的情况下定位与邻域背景或全局背景存在明显光谱差异的异常点，这种方法容易受到背景噪声分布和异常点面积的影响，存在检测结果虚警率过高的问题，影响定位精度。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于滤波器的高光谱图像异常目标检测方法。本发明要解决的技术问题通过以下技术方案实现：
本发明实施例提供了一种基于滤波器的高光谱图像异常目标检测方法，包括步骤：
S1.获取待测高光谱图像；
S2.降低所述高光谱图像的维度，得到至少三个目标高光谱图像；
S3.通过第一滤波器过滤所述目标高光谱图像，得到与每一个所述目标高光谱图像对应的属性概图；
S4.通过计算每一个所述目标高光谱图像与其对应的三个所述属性概图之间的差异，得到与每一个所述目标高光谱图像对应的差分图；
S5.融合所述差分图，得到初始异常检测图；
S6.将所述初始异常检测图通过第二滤波器过滤，得到最终异常检测图；
S7.将所述最终异常检测图中的异常像素区域作为所述高光谱图像的异常目标所在的区域。
在一个具体实施方式中，步骤S2包括：
S21.获取所述高光谱图像的ROC曲线；
S22.通过所述高光谱图像的ROC曲线中的AUC值，选择至少三个波段；
S23.选取每一个所述波段对应的一张所述高光谱图像中的区域图像，得到至少三张目标区域图像；
S24.将所述目标区域图像作为所述目标高光谱图像。
在一个具体实施方式中，步骤S3包括：
S31.将所述目标高光谱图像作为当前目标高光谱图像；
S32.将所述当前目标高光谱图像进行属性开操作，得到第一属性概图；
S33.将所述当前目标高光谱图像作为第二属性概图；
S34.将所述当前目标高光谱图像进行属性闭操作，得到第三属性概图；
S35.将每一个目标高光谱图像作为所述当前目标高光谱图像，重复步骤(S32)-(S34)，得到每一个所述目标高光谱图像对应的属性概图，其中所述属性概图包括第一属性概图、第二属性概图、第三属性概图。
在一个具体实施方式中，步骤S32包括：
S321.对所述当前目标高光谱图像进行连通开操作，得到所述当前目标高光谱图像对应的第一目标区域，其中，所述第一目标区域为所述当前目标高光谱图像中包含点x的连通区域，所述第一目标区域的计算公式为：
式中，HSIi为当前目标高光谱图像，x为当前目标高光谱图像(HSIi)中任一点；Γx为连通开操作，Γx(HSIi)为第一目标区域；
S322.对所述当前目标高光谱图像进行普通开操作，得到所述当前目标高光谱图像对应的第二目标区域，其中，所述第二目标区域为所述目标高光谱图像中符合标准T的连通区域，所述第二目标区域的计算公式为：
式中，HSIi为当前目标高光谱图像，T为给定标准，ΓT(HSIi)为第二目标区域；
S323.对所述第一目标区域进行所述普通开操作，得到所述当前目标高光谱图像的二值属性开操作连通区域，其中，所述二值属性开操作连通区域的计算公式为：
式中，ΓT(HSIi)为二值属性开操作连通区域，HSIi为当前目标高光谱图像，Γx(HSIi)为第一目标区域，ΓT表示普通开操作；
S324.将所述二值属性开操作连通区域推广到灰度图，得到第一属性概图，其中所述第一属性概图是所述当前目标高光谱图像按照标准T保留的连通分量，所述第一属性概图的计算公式为：
γ(HSIi)＝max{k:x∈ΓT[Thk(HSIi)]}
式中，γ(HSIi)为第一属性概图，Thk(HSIi)为通过灰度级k对当前目标高光谱图像进行阈值处理而获得的二值图像。
在一个具体实施方式中，所述属性概图的表示方法为：
AF(HSIi)＝{γ(HSIi),β(HSIi),φ(HSIi)}
式中，AF(HSIi)为属性概图，γ(HSIi)为第一属性概图，β(HSIi)为第二属性概图，φ(HSIi)为第三属性概图。
在一个具体实施方式中，步骤S4包括：
S41.将第一目标高光谱图像作为当前目标高光谱图像；
S42.计算所述当前目标高光谱图像与所述当前目标高光谱图像对应的第一属性概图之间差异的绝对值，得到第一差异，所述第一差异及计算公式为：
M1＝|HSIi-γ(HSI'i)|
式中，M1为第一差异，HSIi为当前目标高光谱图像，γ(HSIi)为第一属性概图；
S43.计算所述当前目标高光谱图像与所述当前目标高光谱图像对应的第二属性概图之间差异的绝对值，得到第二差异，所述第二差异及计算公式为：
M2＝|HSIi-β(HSIi)|
式中，M2为第二差异，β(HSIi)为第二属性概图，HSIi为当前目标高光谱图像；
S44.计算所述当前目标高光谱图像与所述当前目标高光谱图像对应的第三属性概图之间差异的绝对值，得到第三差异，所述第三差异及计算公式为：
M3＝|φ(HSIi)-HSIi|
式中，M3为第三差异，HSIi为当前目标高光谱图像，φ(HSIi)为第三属性概图；
S45.计算所述第一差异、所述第二差异和所述第三差异的和，得到所述当前目标高光谱图像的差分图，所述差分图的计算公式为：
Di＝|φ(HSIi)-HSIi|+|HSIi-γ(HSIi)|+|HSIi-β(HSIi)|
式中，Di为差分图，γ(HISi)为第一属性概图，β(HSIi)为第二属性概图，φ(HSIi)为第三属性概图，HSIi为当前目标高光谱图像，i为自然数；
S46.将每一个所述目标高光谱图像作为所述当前目标高光谱图像，重复步骤(S42)-(S45)，得到与每一个所述目标高光谱图像对应的差分图。
在一个具体实施方式中，步骤S5中，所述初始异常检测图的计算公式为：
式中，Di为第i幅差分图，i＝(1，2，3…M)，M＝imax，D为初始异常检测图。
在一个具体实施方式中，步骤S6中，所述第二滤波器的过滤逻辑公式为：
G＝GF(D,I,r,ε)
式中，G为最终异常检测图，D为输入图像，I为引导图像，考虑到空间的局部相关性，引导图像I选择输入图像原图。r决定引导滤波器的滤波器尺寸，ε是引导滤波器的模糊度参数。
1.本发明采用波段选择对高光谱图像进行降维处理，波段选择是从高光谱图像所有波段中选择具有主要信息的波段子集，有效避免了高光谱图像由于波段数多，数据量大，信息冗余度高而引起的维数灾难现象，在极大降低高光谱图像的数据维度的同时，也较完整的保留有用的信息；
2.本发明采用属性滤波器以及差分融合操作对图像进行预处理，通过属性滤波器能够有效保留具有特定面积属性的目标，其中，融合操作能够有效去除图像中的噪声像素以及波段冗余信息，并且能够提升图像的空间分辨率和光谱分辨率；
3.本发明采用引导滤波对图形进行后处理，充分地应用了空间上相邻像素间的局部相关性，有效地降低了异常目标检测的虚警概率。
附图说明
图1为本发明实施例提供的一种基于滤波器的高光谱图像异常目标检测方法流程图；图2为本发明实施例提供的属性滤波器及属性概图差分后的示意图；
图3为本发明实施例提供的平均融合的示意图；
图4为本发明实施例提供的引导滤波器的示意图；
图5-图7为本发明实施例提供的ABU数据集在不同场景的图像及对比算法的检测结果；
图8为本发明实施例提供的SanDiego数据集的图像和对比算法检测结果图；
图9为本发明实施例提供的ABU数据集中两个样本图像(airport场景(d)和urban场景(d))的不同方法的ROC曲线；
图10为本发明实施例提供的波段选择参数图；
图11为本发明实施例提供的属性滤波器中参数Lambda(λ)的选取示意图；
图12为本发明实施例提供的一种基于滤波器的高光谱图像异常目标检测方法示意图。
具体实施方式
本申请所涉及的术语解释：
ROC曲线：受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)；
AUC值：(Area Under Curve)被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y＝x这条直线的上方，所以AUC的取值范围在0.5和1之间。
ENVI：(The Environment for Visualizing Images)是一个完整的遥感图像处理平台，应用汇集中的软件处理技术覆盖了图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析。
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1
请参见图1，图1为本发明实施例提供的一种基于滤波器的高光谱图像异常目标检测方法示意图。本发明提供了一种基于滤波器的高光谱图像异常目标检测方法，包括步骤：
S1.获取待测高光谱图像HSI；
S2.降低所述高光谱图像HSI的维数，得到m个目标高光谱图像HSIi，维数即为所选择的波段数量，所选择的波段数为3，即维数为3，可以选择多个波段作为多个目标光谱图像HSIi，其中，m≥3，1≤i≤m；
具体的所选择的波段可以相邻也可以不相邻；
具体的，步骤S2包括：
S21.获取所述高光谱图像HSI的ROC曲线；
S22.通过所述高光谱图像HSI的ROC曲线中的AUC值，选择m个波段；
S23.选取任意一个所述波段对应的一个所述高光谱图像HSI中的区域图像，得到m个目标区域图像；
S24.m个所述目标区域图像即为m个所述目标高光谱图像HSIi；
S3.通过第一滤波器过滤每一个所述目标高光谱图像HSIi，得到每一个所述目标高光谱图像HSIi对应的三个属性概图AF(HSIi)，其中1≤i≤m；
具体的，所述第一滤波器为形态学属性滤波器，该滤波器的逻辑包括属性开操作和属性闭操作，其中属性开操作与属性闭操作是关于集合求补，他们之间的反射是对偶的，可由属性开操作扩展到属性闭操作；
具体的，步骤S3包括：
S31.将第一目标高光谱图像HSI1作为当前目标高光谱图像HSIi；
S32.将当前目标高光谱图像HSIi进行所述属性开操作，得到第一属性概图γ(HSI1)；
具体的，步骤S32包括：
S321.对所述当前目标高光谱图像HSIi进行二值情况下的连通开操作Γx，得到所述当前目标高光谱图像HSIi对应的第一目标区域，即包含点X的连通区域，其中，
式中，x为目标高光谱图像HSIi中任一点；Γx(HSIi)为所述当前目标高光谱图像HSIi中包含点x的连通区域；
S322.对所述当前目标高光谱图像HSIi进行普通开操作ΓT，得到所述当前目标高光谱图像HSIi对应的第二目标区域，即包含中HSIi所有面积大于λ的连通区域其中，
式中，T为给定标准，ΓT(HSIi)为所述目标高光谱图像HSIi中符合标准T的连通区域；
具体的，给定标准T：必须有一个大于λ像素的面积，集合
包含HSI'中所有面积大于λ的连通区域；
具体的，阈值λ(Lambda)的选取；
根据图像异常目标大小的不同，预先设定阈值λ(Lambda)，该阈值与area进行比较。图11是参数Lambda(λ)的选取示意图，图11显示参数λ取值在数据集ABU-urban-5、ABU-beach-4、ABU-urban-4上的值AUC。选择的这三个数据集中异常物体的尺寸均具有代表性，它们的样本图像中分别包含默认、较小、较大尺寸的异常物体。已知本发明中的属性滤波器的面积属性受被检测样本图像中异常目标的尺寸影响，通过阈值λ的设置可以将样本图像中尺寸小于阈值λ的异常物体保留下来；
S323.对所述第一目标区域进行所述普通开操作，得到所述当前目标高光谱图像的二值属性开操作连通区域，其中，所述二值属性开操作连通区域的计算公式为：
式中，ΓT(HSIi)为二值属性开操作连通区域，HSIi为当前目标高光谱图像，Γx(HSIi)为第一目标区域，ΓT表示普通开操作；
S324.将所述二值属性开操作连通区域推广到灰度图，得到第一属性概图，其中所述第一属性概图是所述当前目标高光谱图像按照标准T保留的连通分量，所述第一属性概图的计算公式为：
γ(HSIi)＝max{k:x∈ΓT[Thk(HSIi)]}
式中Thk(HSIi)是通过灰度级k对图像HSIi进行阈值处理而获得的二值图像，γ(HSIi)为灰度图像按照标准T保留的连通分量；
S33.将所述当前目标高光谱图像HSIi作为第二属性概图β(HSIi)；
S34.将所述当前目标高光谱图像HSIi进行属性闭操作，得到第三属性概图φ(HSIi)；
S35.将每个目标高光谱图像HSIi作为所述当前目标高光谱图像β(HSIi)，重复步骤(S32)-(S34),得到每个所述目标高光谱图像HSIi对应的三个属性概图。
具体的，属性概图用AF表述，其中，
AF(HSIi)＝{γ(HSIi),β(HISi),φ(HSIi)}
式中，AF(HSIi)为属性概图，γ(HSIi)为第一属性概图，β(HSIi)为第二属性概图，φ(HSIi)为第三属性概图。
S4.通过每个所述目标高光谱图像HSIi和与其对应的三个属性概图AF的差异，得到m个差分图Di，其中m≥3，1≤i≤m；
具体的，步骤S4包括：
S41.将第一目标高光谱图像HSI1作为前目标高光谱图像HSIi；
S42.计算所述当前目标高光谱图像HSIi与所述第一属性概图γ(HSIi)的差异M1，其中，
M1＝|HSIi-γ(HSI'i)|
式中，HSIi为当前目标高光谱图像，γ(HISi)为第一属性概图；
S43.计算所述当前目标高光谱图像HSIi与所述第二属性概图β(HSIi)的差异M2其中，
M2＝|HSIi-β(HSIi)|
式中，β(HSIi)为第二属性概图，HSIi为当前目标高光谱图像；
S44.计算所述当前目标高光谱图像(HSIi)与所述第三属性概图φ(HSIi)的差异M3，其中，
M3＝|φ(HSIi)-HSIi|
式中，(HSIi)为当前目标高光谱图像，φ(HSIi)为第三属性概图；
S45.通过计算差异M1、差异M2和差异M3的和，得到当前差分图(Di)，其中Di是第i个差分图；
所述差分图(Di)的计算公式为：
Di＝|φ(HSIi)-HSIi|+|HSIi-γ(HSIi)|+|HSIi-β(HSIi)|
式中，γ(HSIi)为第一属性概图，表示去除了面积小于λ的亮连通分量，β(HSIi)为第二属性概图，即为原图，φ(HSIi)为第三属性概图，表示去除了面积小于λ的暗连通分量，HSIi为当前目标高光谱图像；
具体的，由图像形态学可知，φ(HSIi)≥HSIi和HSIi≥γ(HSIi)满足每一个像素，所以上式可以化简，得到所述差分图的计算公式为：
Di＝φ(HSIi)-γ(HSIi)
Di既保留了面积小于λ的暗物体，也保留了面积小于λ的亮物体；
S46.将每个所述目标高光谱图像HSIi作为当前目标高光谱图像HSIi，重复步骤S42-S45,得到m个差分图Di，其中，m≥3，m≥i≥1；
S5.融合差分图Di，得到初始异常检测图D，此处选择平均融合；
具体的所述初始异常检测图D的计算公式为：
式中，Di为三幅属性概图的差分图，1≤i≤m，M＝i，D为平均融合的结果，即所述原始异常检测结果；
S6.通过第二滤波器过滤所述初始异常检测图(D)，得到最终异常检测图(G)；
具体的，所述第二滤波器的过滤逻辑用(GF)表示，最终异常检测图(G)的公式为：
G＝GF(D,I,r,ε)
式中，D表示输入图像，I表示引导图像，考虑到空间的局部相关性，引导图像I选择输入图像原图。局部相关性是指目标区域内部像素的相关性和背景区域内部像素的相关性，当引导图像选择原图时，引导滤波器可以把和目标或背景相似的像素点的值尽可能的归类到一起，所以，这里使用原图做引导图，能够充分利用局部空间相关性。r决定引导滤波器的滤波器尺寸，ε是引导滤波器的模糊度参数，可通过调节这两个参数，得到更好的滤波效果。
具体的，定义一个线性平移变换滤波，包括引导图像I，滤波输入图像D和滤波输出图像G。I和D需要预先给出的。先假设滤波输出G是以像素k为中心的局部窗wk中的引导图像I的线性变换，公式如下：
其中，方形窗wk的半径为r，wk中的线性系数ak和bk是恒定不变的。
具体的，为了确定线性系数，可以对滤波输入加一些限制条件，对输入图像D减去一些不需要的分量n，例如噪声或者纹理，可以构造得到输出G，如下：
Gi＝Di-ni
具体的，为了在保持线性模型的同时，减少输出图像G与输入图像D之间的差值，先构造G和D的平方差模型函数，然后求其最小化。模型函数如下：
其中，ε是已知的参数，εa2 k是为了防止ak过大。
具体的，线性系数ak和bk可通过线性回归，求解得：
其中，|ω|是wk中的图像I的像素数量，uk和
分别是wk中的图像I的像素的均值和方差，
是wk中D的平均值。
具体的，通过上式得到线性系数ak和bk，然后可以计算得到输出Gi。但是，由于窗口wk滑动过程中k的不同，使得覆盖像素i时，会存在重叠，所以，当在不同的窗口中计算时，Gi的值会不同。采取最简单的方法，对ak和bk可能取到的值进行平均处理，得到：
具体的，可得到滤波器输出表达式如下：
进一步地，当输入图像是彩色图像时，可对输入图像的三个通道分别进行引导滤波操作，获得滤波输出图像。本文中使用GF(p,I,r,ε)表示引导滤波操作。
S7.将所述最终异常检测图G中的异常像素区域作为所述高光谱图像的异常目标所在的区域，完成高光谱图像异常目标的检测。
实施例2
请参见图2，图2为本发明实施例提供的属性滤波器及属性概图差分后的示意图。本实施例在上述实施例的基础上，重点对具体实施方法进行详细描述。具体地，
S201.获取待测高光谱图像HSI；
S201.降低所述高光谱图像HSI的维度，本实施例选择3个目标高光谱图像HSIi，其中m＝3，i＝1,2,3，请参见图10，图10a显示了对图7e的205个波段进行3个相邻波段选择对应的AUC值，图10b是将图10a局部放大，选择显示对1到50个波段进行相邻波段选择的AUC值。由图10b可知，选择第7，8，9波段时，可以得到最高的AUC值,所以选取第7波段对应高光谱图像HSI中的区域、第8波段对应高光谱图像HSI中的区域以及第9波段对应高光谱图像HSI中的区域，将上述三个区域作为目标高光谱图像，其他数据集均采用此方法进行波段选择；
S3：通过第一滤波器过滤每个所述目标高光谱图像(HSIi)，得到每个所述目标高光谱图像(HSIi)对应的三个属性概图(APSj)，其中1≤j≤3且j为自然数；
具体的，步骤S3包括：
S31.将第一目标高光谱图像HSI1作为当前目标高光谱图像HSIi
S32.将所述当前目标高光谱图像HSIi进行所述属性开操作，得到第一属性概图γ(HSIi)；
S321.对所述当前目标高光谱图像HSIi进行连通开操作Γx，得到所述当前目标高光谱图像HSIi对应的第一目标区域，其中，
式中，x为当前目标高光谱图像HSI1中任一点；Γx(HSI1)为当前目标高光谱图像HSI1中包含点x的连通区域；
S322.对所述当前目标高光谱图像HSI1进行普通开操作ΓT，得到所述当前目标高光谱图像HSI1对应的第二目标区域，其中，
式中，T为给定标准，ΓT(HSIi)为当前目标高光谱图像HSIi中符合标准T的连通区域，请参见图11a是从与图7中异常物体尺寸相近的高光谱图像中选择出的一幅图像，作为λ默认值的参考图。图11b是将图11a纵轴的0.9到1区间放大之后的图，可以看出当λ＝25时，AUC值最大，检测性能最好。图11d中的样本图像包含较多小尺寸异常物体，图11c显示了参数lambda取值在图6d数据集上值AUC的影响，观察图11c的ROC特性曲线，可知当Lambda取值为2时，AUC值已经达到0.9，Lambda取值从10开始，ROC曲线已经趋于稳定。可见，小异常目标只需较小的Lambda值，即可达到良好的检测性能。由图7d可发现，样本图像中包含较多的大尺寸异常物体，因此图11d中Lambda取值较小时，尺寸较大的异常物体较难被检测出来，导致异常检测精度降低，当Lambda取值达到45左右时，AUC值才接近于1。
参照图2，显示了一个λ设为21的属性滤波器的例子。图2a为一个在海滩拍摄的高光谱图像。通过属性滤波器后，属性概图的第一层图像为图2b，它显示了属性闭操作的结果，由图可看到已经去除了面积小于21的连通分量的黑暗部分。图2c是属性概图的第二层图像，为原图，可发现和图2a相同。图2d为属性概图的第三层图像，是属性开操作的结果，去除了面积小于21的连通分量的明亮部分；
S323.对所述第一目标区域进行所述普通开操作，得到所述当前目标高光谱图像的二值属性开操作连通区域，其中，所述二值属性开操作连通区域的计算公式为：
式中，ΓT(HSIi)为二值属性开操作连通区域，(HSIi)为当前目标高光谱图像，Γx(HSIi)为第一目标区域，ΓT表示普通开操作；
S324.将所述二值属性开操作连通区域推广到灰度图，得到第一属性概图，其中所述第一属性概图是所述当前目标高光谱图像按照标准T保留的连通分量，所述第一属性概图的计算公式为：
γ(HSIi)＝max{k:x∈ΓT[Thk(HSIi)]}
式中Thk(HSI1)是通过灰度级k对图像HSI1进行阈值处理而获得的二值图像，γ(HSI1)为灰度图像按照标准T保留的连通分量；
S33.将第一目标高光谱图像HSI1作为第二属性概图β(HSI1)；
S34.将第一目标高光谱图像HSI1进行属性闭操作，得到第三属性概图φ(HSI1)，属性闭操作和属性开操作，其中属性开操作与属性闭操作是关于集合求补，他们之间的反射是对偶的，可由属性开操作扩展到属性闭操作；
S35.将第二目标高光谱图像HSI2以及第三目标高光谱图像HSI3分别进行属性开操作和属性闭操作，第二目标高光谱图像HSI2通过属性滤波器得到第一属性概图γ(HSI2)、第二属性概图β(HSI2)和第三属性概图φ(HSI2)；第三目标高光谱图像HSI3通过属性滤波器得到第一属性概图γ(HSI3)、第二属性概图β(HSI3)和第三属性概图φ(HSI3)；。
S4：通过每个所述目标高光谱图像(HSIi)和与其对应的三个属性概图，属性概图用AF表示，即得到3个差分图D1、D2、D3；
S41.计算第一目标高光谱图像HSI1与所述第一属性概图γ(HSI1)的差异M1，其中，
M1＝|HSI1-γ(HSI'1)|
式中，HSI1为当前目标高光谱图像，γ(HSI1)为第一属性概图；
S43.计算所述当前目标高光谱图像HSI1与所述第二属性概图β(HSI1)的差异M2其中，
M2＝|HSI1-β(HSI1)|
式中，β(HSI1)为第二属性概图，HSI1为当前目标高光谱图像。
S44.计算所述当前目标高光谱图像HSI1与所述第三属性概图φ(HSI1)的差异M3，其中，
M3＝|φ(HSI1)-HSI1|
式中，(HSI1)为当前目标高光谱图像，φ(HSI1)为第三属性概图。
S45.通过计算差异M1、差异M2和差异M3的和，得到第一差分图D1。
第一差分图D1的计算公式为：
D1＝|φ(HSI1)-HSI1|+|HSI1-γ(HSI1)|+|HSI1-β(HSI1)|
式中，γ(HSI1)为第一属性概图，表示去除了面积小于λ的亮连通分量，β(HSI1)为第二属性概图，即为原图，φ(HSI1)为第三属性概图，表示去除了面积小于21的暗连通分量，HSI1为当前目标高光谱图像。
具体的，由图像形态学可知，φ(HSI1)≥HSI1和HSI1≥γ(HSI1)满足每一个像素，所以上式可以化简，得到：
D1＝φ(HSI1)-γ(HSI1)
Di既保留了面积小于21的暗物体，也保留了面积小于21的亮物体。
S46.将第二目标高光谱图像HSI2与第三目标高光谱图像HSI3，按照求第一目标高光谱图像HSI1的方法，分别求取D2和D3。
Di表示第i个差分图，如图2(g)。由前可知，γ(HSI'i)是属性开操作，去除了面积小于21的亮连通分量，φ(HSI'i)是属性闭操作，去除了面积小于21的暗连通分量。图2(e)是|HSI'i-γ(HSI'i)|部分，保留了小面积亮物体。图2(f)是|φ(HSI'i)-HSI'i|部分，保留了小面积暗物体。
S5：请参见图3，图3为本发明实施例提供的平均融合的示意图，其中，图3(a)～3(f)分别为选择第2，3，4，5，6，7波段的图像作为融合前的图像，图3(g)为这六个波段的融合结果。融合所述差分图D1、D2、D3，得到初始异常检测图D，其中，初始异常检测图D的计算公式为：
式中，Di为三幅属性概图的差分图D1、D2、D3，i＝1，2，3，M＝3，D为平均融合的结果，即所述原始异常检测结果
S6：请参见图4，图4为本发明实施例提供的引导滤波器的示意图，其中，图4(a)输入图像是尺寸为100×100，波段数为7的高光谱图像，数据来源为数据集abu-urban-5，引导图像为原图。对该图像进行引导滤波，得到如图4(b)所示的滤波输出图像。通过第二滤波器过滤所述初始异常检测图D，得到最终异常检测图(G)；
具体的，所述第二滤波器的过滤逻辑用GF表示，最终异常检测图G的公式为，
G＝GF(D,I,r,ε)
式中，D表示输入图像，I表示引导图像，考虑到空间的局部相关性，引导图像I选择输入图像原图。局部相关性是指目标区域内部像素的相关性和背景区域内部像素的相关性，当引导图像选择原图时，引导滤波器可以把和目标或背景相似的像素点的值尽可能的归类到一起，所以，这里使用原图做引导图，能够充分利用局部空间相关性。r决定引导滤波器的滤波器尺寸，ε是引导滤波器的模糊度参数，可通过调节这两个参数，得到更好的滤波效果。本实施例中，我们选取r＝3，ε＝0.82。
S7：将所述最终异常检测图G中的异常像素区域作为所述高光谱图像的异常目标所在的区域。
实施例3，本实施例在上述实施例的基础上重点采用仿真实验的手段对比本发明提供的技术与现有技术之间的区别，进而进一步阐述本发明的优点。
实验条件：本发明实施例提供的方正实验采用14组在不同场景中拍摄的真实高光谱数据集，以评估所提出的方法在真实的复杂场景中的性能，数据集分别如下：
请参见图5-图7，图5-图7的第一列和第二列显示了ABU(Airport Beach Urban)数据集的样本图像和参考检测图。此数据集是从机载可见光/红外成像光谱仪网站上下载，人工提取出100*100尺寸的样本图像，每幅样本图像的波段数不同，同时已经删除了原始图像的噪声带。它的参考检测图是使用ENVI人工标记得到的。
San Diego数据集：请参见图8，图8的第一列和第二列(也即8a和8b)显示了SanDiego数据集的样本图像和参考检测图，由AVIRIS(Airborne Visible Infrared ImagingSpectrometer,机载可见光/红外成像光谱仪)传感器拍摄得到。该图像大小为100*100*189，原始噪声带已被删除。
请参见图5-图8，图5-图8的第三列为本发明所得检测结果图，第四为RX检测方法对应的检测结果、第五为LRX检测方法对应的检测结果、第六为CRD检测方法对应的检测结果。表1-表5给出了本发明和其他对比方法的AUC值，而且将每幅图像的最佳AUC值加粗表示。
具体的，本实验选取三种使用较为广泛的异常检测算法作为对比方法，来对本发明提供的方法进行高光谱异常目标检测精度的评估。这三种算法分别为基于统计的RX算法、LRX算法和基于协作表示的CRD算法，这些算法均在背景技术中进行描述，在几个真实的高光谱数据集上具有领先的性能。
最常用的异常检测评估指标之一是曲线下的受试者工作特征ROC的面积AUC值。具体来说，对于给定的检测样本图和参考图，AUC值的计算过程如下：
其中，TPR(H)表示正确检测到异常的概率，为检测概率。虚警概率FPR表示将原来不是异常的目标点错误地检测为异常的概率。ROC曲线的纵轴为TPR检测概率，横轴为FPR虚警概率，AUC值为ROC曲线下包围的面积，当FPR相同时，TPR越高，AUC值越接近于1，其检测精度越高，算法性能越好。
实验在ABU和San Diego数据集上进行。为了生成图5-图8的结果，根据相应的ROC性能，为每个样本图像选择LRX，CRD方法的最优参数。LRX算法选择内窗Win＝7，外窗Wout＝13。CRD算法中的参数，Win＝7，外窗Wout＝13，正则化参数对其性能基本不产生影响，所以将这个参数固定为10-6。请参见表1-表4，参见图5，表1为ABU-airport场景的AUC值。
| 高光谱图像 | AGD | RX | LRX | CRD |
| a | 0.986659 | 0.822592 | 0.894253 | 0.9607 |
| b | 0.991163 | 0.840592 | 0.841167 | 0.920294 |
| c | 0.980006 | 0.928985 | 0.948856 | 0.947511 |
| d | 0.999129 | 0.952057 | 0.720364 | 0.920521 |
| 平均值 | 0.98923925 | 0.8860565 | 0.85116 | 0.9372565 |
表1
参见图6，表2为ABU-beach场景的AUC值。
| 高光谱图像 | AGD | RX | LRX | CRD |
| a | 0.9999 | 0.982808 | 0.970971 | 0.983532 |
| b | 0.990444 | 0.910601 | 0.961441 | 0.924346 |
| c | 0.999964 | 0.999845 | 0.999968 | 0.999126 |
| d | 0.998578 | 0.953354 | 0.531476 | 0.901019 |
| 平均值 | 0.9972215 | 0.961652 | 0.865964 | 0.95200575 |
表2
参见图7，表3为ABU-urban场景的AUC值。
表3
参见图8，表4为SanDiego场景的AUC值。
| 高光谱图像 | AGD | RX | LRX | CRD |
| a | 0.993914 | 0.951508 | 0.578639 | 0.964196 |
表4
由表1-表4可知，在大多数高光谱图像上，除了在图6c中发明的方法的AUC值不如LRX方法外，在其他高光谱图像上，本发明方法均得到了最高的AUC值。按照图5-图8的顺序，发明的新算法得到的平均AUC值分别为0.989239，0.997222和0.996196，远远高于次优方法得到的0.937257(CRD方法)，0.961652(RX方法)和0.978895(RX方法)。同样，参见图8，对于San Diego数据集，新方法得到的AUC值，即AUC＝0.993914也是最高的，远高于CRD方法得到的AUC值，即AUC＝0.964196。虽然CRD方法性能表现较为稳定，但不能在任何情况下都得到较高的AUC值。而RX方法，虽然大多数情况下能够取得较高的AUC值，但是性能表现不稳定，在某些高光谱图像上如图5a和图5b表现较差，AUC值仅在0.82、0.84左右。LRX方法的检测性能同样较不稳定，大部分检测结果均不如其他三种算法，对于图5d，图6d，图7d来说，AUC值在0.72，0.53，0.64左右，检测后的图像上基本看不到异常目标。
图9比较了两个样本图像图5d和图7d上不同方法的ROC曲线。如图9所示，当虚警概率FPR从0到1变化时，新方法总是能得到更高的检测概率TPR。当检测概率TPR从0到1变化时，新方法的置信度总是高于其他方法。可以看出新方法在异常目标的检测精度上比其他三种方法更高。图5-图8显示了不同数据集的样本图像和使用不同方法得到的异常检测图，通过观察异常检测图，能够发现新方法往往不被高对比度边缘吸引，而且能够很好的检测出不同尺寸的异常物体。例如在图6b中，新方法和RX方法都能很好地检测到海洋中的异常物体，然而，RX方法倾向于突出强边缘区域，从而降低了其检测精度。CRD方法的检测性能通常较为稳定，而对于一些样本图像，检测到了一些样本图像的背景图像，如图6d，与其他异常检测方法相比，该方法的优点主要是在不同场景下鲁棒性能较好。以图5为例，所提出的方法可以检测所有样本图像中的飞机。而且，由于引导滤波操作可以充分利用相邻像素之间的空间相关性，因此在发明方法检测的结果中异常目标的形状也是非常清楚的。相比之下，RX方法在这个机场场景中检测效果不佳。如图5b所示，尽管RX方法可以检测出两架飞机的位置，但飞机的形状仍然缺失。更重要的是，对于图5a,5c和5d场景中的大多数飞机都不能被RX方法检测到。ABU-airport数据集的平均AUC值，发明方法和RX方法的AUC值分别为0.989239和0.886057也支持这一观察结果。图5-图8的异常检测图与表1-表4中的AUC值得出的结果一致，因此可以得出结论，发明方法在高光谱异常检测的方法中具有竞争优势。
实验2：不同高光谱异常检测方法计算成本比较；
实验条件：不同方法的运行速度在2.7GHZ的CPU和8G内存的计算机上进行比较，测量采用的数据集和实验1相同，四种不同的方法都在MATLAB中实现，它们所需的平均时间记录在表5中。
如表5所示，新方法的MATLAB实现非常快，所有数据集的平均时间约为0.15秒，远远优于其他方法，如RX算法约需要0.48秒，LRX算法约需要63.34秒，CRD算法约需要79.81秒。此外，由于属性和引导滤波操作在GPU环境中都具有实时性，所以将所提出的AGD方法应用于真实异常检测的应用中将是相对容易的。请参见表5，表5为不同方法在不同数据集上的计算时间。
表5
综上，本发明方法对高光谱图像进行基于属性滤波器和引导滤波器的异常目标检测，提高了异常检测的检测精度，降低检测的虚警概率，同时大大节省了异常检测的计算成本，足以说明发明的方法相比其他异常检测算法具有的极大优势。
1)本发明采用波段选择对高光谱图像进行降维处理，波段选择是从高光谱图像所有波段中选择具有主要信息的波段子集，有效避免了高光谱图像由于波段数多，数据量大，信息冗余度高而引起的维数灾难现象，在极大降低高光谱图像的数据维度的同时，也较完整的保留有用的信息；
2)本发明采用属性滤波器和基于差分的融合对图像进行预处理，通过属性滤波器能够有效保留具有特定面积属性的目标，其中的融合操作能够有效去除图像中的噪声像素，波段冗余信息，并能够提升图像的空间分辨率和光谱分辨率；
3)本发明采用引导滤波对图形进行后处理，很好地应用了空间上相邻像素间的局部相关性，有效地降低了异常目标检测的虚警概率；
4)本发明与目前常用的高光谱异常目标检测方法相比，具有更高的检测精度和更低的计算成本。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于滤波器的高光谱图像异常目标检测方法，其特征在于，包括步骤：
S1.获取待测高光谱图像；
S2.降低所述高光谱图像的维度，得到至少三个目标高光谱图像；
S3.通过第一滤波器过滤所述目标高光谱图像，得到与每一个所述目标高光谱图像对应的属性概图；
S4.通过计算每一个所述目标高光谱图像与其对应的三个所述属性概图之间的差异，得到与每一个所述目标高光谱图像对应的差分图；包括：
S41.将第一目标高光谱图像作为当前目标高光谱图像；
S42.计算所述当前目标高光谱图像与所述当前目标高光谱图像对应的第一属性概图之间差异的绝对值，得到第一差异，所述第一差异及计算公式为：
M1＝|HSIi-γ(HSI'i)|
式中，M1为第一差异，HSIi为当前目标高光谱图像，γ(HSIi)为第一属性概图；
S43.计算所述当前目标高光谱图像与所述当前目标高光谱图像对应的第二属性概图之间差异的绝对值，得到第二差异，所述第二差异及计算公式为：
M2＝|HSIi-β(HSIi)|
式中，M2为第二差异，β(HSIi)为第二属性概图，HSIi为当前目标高光谱图像；
S44.计算所述当前目标高光谱图像与所述当前目标高光谱图像对应的第三属性概图之间差异的绝对值，得到第三差异，所述第三差异及计算公式为：
M3＝|φ(HSIi)-HSIi|
式中，M3为第三差异，HSIi为当前目标高光谱图像，φ(HSIi)为第三属性概图；
S45.计算所述第一差异、所述第二差异和所述第三差异的和，得到所述当前目标高光谱图像的差分图，所述差分图的计算公式为：
Di＝|φ(HSIi)-HSIi|+|HSIi-γ(HSIi)|+|HSIi-β(HSIi)|
式中，Di为差分图，γ(HSIi)为第一属性概图，β(HSIi)为第二属性概图，φ(HSIi)为第三属性概图，HSIi为当前目标高光谱图像，i为自然数；
S46.将每一个所述目标高光谱图像作为所述当前目标高光谱图像，重复步骤(S42)-(S45)，得到与每一个所述目标高光谱图像对应的差分图；
S5.融合所述差分图，得到初始异常检测图；
S6.将所述初始异常检测图通过第二滤波器过滤，得到最终异常检测图；其中，所述第二滤波器的过滤逻辑公式为：
G＝GF(D,I,r,ε)
式中，G为最终异常检测图，GF(·)表示滤波函数，D为输入图像，I为引导图像，r决定引导滤波器的滤波器尺寸，ε是引导滤波器的模糊度参数；
S7.将所述最终异常检测图中的异常像素区域作为所述高光谱图像的异常目标所在的区域。
2.根据权利要求1所述的基于滤波器的高光谱图像异常目标检测方法，其特征在于，
步骤S2包括：
S21.获取所述高光谱图像的ROC曲线；
S22.通过所述高光谱图像的ROC曲线中的AUC值，选择至少三个波段；
S23.选取每一个所述波段对应的一张所述高光谱图像中的区域图像，得到至少三张目标区域图像；
S24.将所述目标区域图像作为所述目标高光谱图像。
3.根据权利要求2所述的基于滤波器的高光谱图像异常目标检测方法，其特征在于，
步骤S3包括：
S31.将所述目标高光谱图像作为当前目标高光谱图像；
S32.将所述当前目标高光谱图像进行属性开操作，得到第一属性概图；
S33.将所述当前目标高光谱图像作为第二属性概图；
S34.将所述当前目标高光谱图像进行属性闭操作，得到第三属性概图；
S35.将每一个目标高光谱图像作为所述当前目标高光谱图像，重复步骤(S32)-(S34)，得到每一个所述目标高光谱图像对应的属性概图，其中所述属性概图包括第一属性概图、第二属性概图、第三属性概图。
4.根据权利要求3所述的基于滤波器的高光谱图像异常目标检测方法，其特征在于，
步骤S32包括：
S321.对所述当前目标高光谱图像进行连通开操作，得到所述当前目标高光谱图像对应的第一目标区域，其中，所述第一目标区域为所述当前目标高光谱图像中包含点x的连通区域，所述第一目标区域的计算公式为：
式中，HSIi为当前目标高光谱图像，x为当前目标高光谱图像HSIi中任一点；Γx为连通开操作，Γx(HSIi)为第一目标区域；
S322.对所述当前目标高光谱图像进行普通开操作，得到所述当前目标高光谱图像对应的第二目标区域，其中，所述第二目标区域为所述目标高光谱图像中符合标准T的连通区域，所述第二目标区域的计算公式为：
式中，HSIi为当前目标高光谱图像，T为给定标准，ΓT(HSIi)为第二目标区域；
S323.对所述第一目标区域进行所述普通开操作，得到所述当前目标高光谱图像的二值属性开操作连通区域，其中，所述二值属性开操作连通区域的计算公式为：
式中，ΓT(HSIi)为二值属性开操作连通区域，HSIi为当前目标高光谱图像，Γx(HSIi)为第一目标区域，ΓT表示普通开操作；
S324.将所述二值属性开操作连通区域推广到灰度图，得到第一属性概图，其中所述第一属性概图是所述当前目标高光谱图像按照标准T保留的连通分量，所述第一属性概图的计算公式为：
γ(HSIi)＝max{k:x∈ΓT[Thk(HSIi)]}
式中，γ(HSIi)为第一属性概图，Thk(HSIi)为通过灰度级k对当前目标高光谱图像进行阈值处理而获得的二值图像。
5.根据权利要求4所述的基于滤波器的高光谱图像异常目标检测方法，其特征在于，
所述属性概图的表示方法为：
AF(HSIi)＝{γ(HSIi),β(HSIi),φ(HSIi)}
式中，AF(HSIi)为属性概图，γ(HSIi)为第一属性概图，β(HSIi)为第二属性概图，φ(HSIi)为第三属性概图。
6.根据权利要求1所述的基于滤波器的高光谱图像异常目标检测方法，其特征在于，
步骤S5中，所述初始异常检测图的计算公式为：
式中，Di为第i幅差分图，i＝1，2，3…M，M＝imax，imax表示选取的最大维数，D为初始异常检测图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810775653.5A CN109146890B (zh) | 2018-07-16 | 2018-07-16 | 基于滤波器的高光谱图像的异常目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810775653.5A CN109146890B (zh) | 2018-07-16 | 2018-07-16 | 基于滤波器的高光谱图像的异常目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109146890A CN109146890A (zh) | 2019-01-04 |
| CN109146890B true CN109146890B (zh) | 2020-07-31 |
Family
ID=64800431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810775653.5A Active CN109146890B (zh) | 2018-07-16 | 2018-07-16 | 基于滤波器的高光谱图像的异常目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146890B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949278B (zh) * | 2019-03-06 | 2021-10-29 | 西安电子科技大学 | 基于对抗自编码网络的高光谱异常检测方法 |
| CN110008948B (zh) * | 2019-04-15 | 2021-06-01 | 西安电子科技大学 | 基于变分自编码网络的高光谱图像目标检测方法 |
| CN111697523A (zh) * | 2020-06-23 | 2020-09-22 | 广东电网有限责任公司 | 一种电缆沟智能散热系统及方法 |
| CN113260882B (zh) * | 2020-07-20 | 2024-03-12 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
| CN113222924B (zh) * | 2021-04-30 | 2023-08-18 | 西安电子科技大学 | 基于fpga的高光谱图像异常检测系统 |
| CN113554578B (zh) * | 2021-07-23 | 2024-05-31 | 奥比中光科技集团股份有限公司 | 一种光谱图像的确定方法、装置、终端和存储介质 |
| CN115761611B (zh) * | 2022-12-18 | 2023-05-30 | 四川数聚智造科技有限公司 | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916440A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于数字图像形态学理论的高光谱异常检测方法 |
| CN104318515A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于nnia进化算法的高光谱图像波段降维方法 |
| CN107038436A (zh) * | 2017-05-24 | 2017-08-11 | 哈尔滨工业大学 | 一种基于张量光谱匹配滤波的高光谱图像目标检测方法 |
-
2018
- 2018-07-16 CN CN201810775653.5A patent/CN109146890B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916440A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于数字图像形态学理论的高光谱异常检测方法 |
| CN104318515A (zh) * | 2014-10-20 | 2015-01-28 | 西安电子科技大学 | 基于nnia进化算法的高光谱图像波段降维方法 |
| CN107038436A (zh) * | 2017-05-24 | 2017-08-11 | 哈尔滨工业大学 | 一种基于张量光谱匹配滤波的高光谱图像目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Hyperspectral Anomaly Detection With Attribute and Edge-Preserving Filters;Xudong Kan 等;《 IEEE Transactions on Geoscience and Remote Sensing》;20170727;第5600-5611页 * |
| 联合空间与光谱信息的高光谱图像异常目标检测方法研究;张香萍;《中国优秀硕士学位论文全文数据库信息科技辑》;20180715(第7期);正文第11-13,16-17,19-24页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109146890A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146890B (zh) | 基于滤波器的高光谱图像的异常目标检测方法 | |
| Fang et al. | A variational approach for pan-sharpening | |
| US11227367B2 (en) | Image processing device, image processing method and storage medium | |
| WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
| Li et al. | Hyperspectral image recovery employing a multidimensional nonlocal total variation model | |
| CN110570395B (zh) | 基于空谱联合协同表示的高光谱异常检测方法 | |
| Imani | Anomaly detection using morphology-based collaborative representation in hyperspectral imagery | |
| CN113191979B (zh) | 一种分区域sar图像非局部均值去噪方法 | |
| CN110991493B (zh) | 一种协同表示和异常剔除的高光谱异常检测方法 | |
| CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| Zhang et al. | Translate SAR data into optical image using IHS and wavelet transform integrated fusion | |
| Ouma et al. | Urban-trees extraction from Quickbird imagery using multiscale spectex-filtering and non-parametric classification | |
| KR102160687B1 (ko) | 항공 이미지 융합 방법 | |
| CN111310771A (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN113446998B (zh) | 一种基于高光谱目标探测数据的动态解混方法 | |
| CN111047616B (zh) | 一种遥感图像滑坡目标约束性主动轮廓特征提取方法 | |
| Loncan | Fusion of hyperspectral and panchromatic images with very high spatial resolution | |
| Meenakshisundaram | Quality assessment of IKONOS and Quickbird fused images for urban mapping | |
| Réjichi et al. | SVM spatio-temporal vegetation classification using HR satellite images | |
| CN110084203B (zh) | 基于上下文关联的全卷积网络飞机层级检测方法 | |
| Irmak et al. | A map-based approach to resolution enhancement of hyperspectral images | |
| Sghaier et al. | A novel approach toward rapid road mapping based on beamlet transform | |
| WO2014142317A1 (ja) | 林相解析装置、林相解析方法及びプログラム | |
| Plaza et al. | Impact of vector ordering strategies on morphological unmixing of remotely sensed hyperspectral images | |
| Zare-Baghbidi et al. | Improving the RX anomaly detection algorithm for hyperspectral images using FFT |
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 |