CN111986162A - 基于粗定位和协同表示的高光谱异常点快速检测方法 - Google Patents
基于粗定位和协同表示的高光谱异常点快速检测方法 Download PDFInfo
- Publication number
- CN111986162A CN111986162A CN202010738646.5A CN202010738646A CN111986162A CN 111986162 A CN111986162 A CN 111986162A CN 202010738646 A CN202010738646 A CN 202010738646A CN 111986162 A CN111986162 A CN 111986162A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- abnormal
- hyperspectral
- spectral
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 27
- 238000006731 degradation reaction Methods 0.000 claims abstract description 17
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims description 49
- 238000001228 spectrum Methods 0.000 claims description 43
- 238000005070 sampling Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于粗定位和协同表示的高光谱异常点快速检测方法，首先对输入的高光谱遥感影像进行空间维降质；然后对降质后的图像和原始图像进行对比，粗定位异常点；将粗定位的异常点用于指导空间维像素间的协同表示，通过设置合适的内外窗大小，将内外窗之间当前的所有背景点像元用于协同表示，重构中心点像元，并通过衡量重构中心点像元与实际像元之间的差异，获取最终的空间异常响应图；最后设定阈值，根据空间异常响应图进行异常点的检测，得到最终的异常与背景检测图。本发明在减少计算复杂度的同时解决了现有技术中存在的高光谱遥感影像异常检测方法检测精度不高的问题。
Description
技术领域
本发明属于遥感影像技术领域，具体涉及一种基于粗定位和协同表示的高光谱异常点快速检测方法。
背景技术
20世纪80年代，随着遥感技术的迅速发展，高光谱图像技术得到了广泛的关注，并逐渐成为遥感科学领域的一个重要研究方向。高光谱图像往往被定义为光谱分辨率在10纳米范围内的光谱图像，其波段可达数百条甚至数千条。搭载在不同空间平台上的光谱成像仪以成百上千的连续光谱记录目标区域，使得高光谱影像不但能获取到成像物体的空间信息，还能获得该物体的光谱信息，得到的是一个三维的立方体数据，其中两维是空间维，一维是光谱维。高光谱遥感影像丰富的光谱信息，可以用于反演空间上任意一点的物质属性。通过分析高光谱影像中光谱信息和空间信息，用于区分图像中的背景地物和异常信息，使得高光谱遥感影像被广泛应用于军事侦察，矿产探测，以及环境监测等领域。
然而，由于高光谱影像的高维性，使得现有的异常检测算法计算代价较高。同时由于地表地物分布的复杂性，异常物体的尺寸小，导致异常目标往往以少数几个像元的形式存在，难以区分背景与异常目标。如何实现背景与异常快速且有效的检测，是高光谱遥感影像异常检测方法要解决的问题。
发明内容
本发明的目的是提供一种基于粗定位和协同表示的高光谱异常点快速检测方法，解决了现有技术中存在的高光谱遥感影像异常检测方法效率低且检测精度不高的问题。
本发明所采用的技术方案是，一种基于粗定位和协同表示的高光谱异常点快速检测方法，具体按照以下步骤实施：
步骤1、对输入的高光谱遥感影像进行空间维降质；
步骤2：对步骤1中降质后的图像和原始图像进行对比，粗定位异常点；
步骤3：将步骤2粗定位的异常点用于指导空间上像素间的协同表示，通过设置合适的内外窗大小，将内外窗之间的所有粗定位为背景点的像元进行协同表示，重构中心点像元，并通过衡量重构中心点像元与实际像元之间的差异，获取最终的空间异常响应图；
步骤4：设定阈值，根据步骤3中的空间异常响应图进行异常点的检测，得到最终的异常与背景检测图。
本发明的特点还在于，
步骤1具体按照以下步骤实施：
步骤1.1、设置下采样率位0.5，相应的上采样率为2，相应的上下采样方式均为双三次插值方式；
步骤1.2、对输入的原始高光谱遥感影像X按照步骤1.1中设置的下采样率和方式进行下采样；
步骤1.3、将步骤1.2中下采样后的影像按照上步骤1.1中设置的上采样率和方式进行上采样，得到空间降质的高光谱遥感影像
其大小与原始高光谱遥感影像X一致。
步骤2具体按照以下步骤实施：
步骤2.1、将步骤1.3中得到的空间降质的高光谱遥感影像
和原始高光谱遥感影像X相减，得到三维差影像D；
步骤2.2、计算步骤2.1中三维差影像D空间上任一点所对应光谱曲线的一阶范数，得到二维的一阶范数分布图M；
步骤2.3、设定阈值k用于步骤2.2中二维的一阶范数分布图M中异常的粗定位，将步骤2.2中得到的一阶范数分布图M中排名前k的像素点标记为1，粗略地定为异常点，其余像素点标记为0，即暂认为是背景点，得到标记图p；此处设置k为12％。
步骤3具体按照以下步骤实施：
步骤3.1、设置内窗大小win为11，外窗大小wout为19；
步骤3.2、记录原始高光谱遥感影像X空间维的宽与高分别为w和h；
步骤3.3、将原始高光谱遥感影像X沿着空间维的四条边分别进行镜面复制，得到空间维宽和高分别为3*w和3*h的高光谱遥感影像Y；
步骤3.4、将步骤2得到的标记图p采用步骤3.3中相同方式进行镜面复制，得到空间维宽和高分别为3*w和3*h的标记图Q；
步骤3.5、将标记图Q用于指导高光谱遥感影像Y中像元之间的系统表示，最终得到空间异常响应图。
步骤3.5具体按照以下步骤实施：
步骤3.5.1、在高光谱遥感影像Y中，内外窗中心点同时以先行后列顺序进行遍历，其中每次遍历间隔为1个像素，宽的遍历范围为w+1到2*w，高的遍历范围为h+1到2*h，记录当前中心点的光谱曲线l；
步骤3.5.2、找到当前中心点内外窗之间的所有光谱曲线，构成光谱集合S，共包含
条光谱曲线，并记录相应坐标；
步骤3.5.3、找到步骤3.5.2中
条光谱曲线相应坐标在步骤3.4所得标记图中的标记，如果标记为1则从光谱集合S中排除该条光谱曲线，若标记为0则保留该条光谱曲线，所有被保留的光谱曲线构成光谱集合SS，共包含n条光谱曲线；
步骤3.5.4、通过主成分分析找到光谱集合SS中的前50个主成分；
步骤3.5.5、以步骤3.5.4中前50个主成分的协方差矩阵代替光谱集合SS中全部光谱曲线的协方差矩阵，计算光谱集合SS中所有光谱曲线的马氏距离；
步骤3.5.6、将步骤3.5.5中所得的马氏距离分别除以所有光谱曲线的马氏距离总和，得到光谱集合SS中每条光谱曲线的权重，以保证所有权重累加和为1；
步骤3.5.7、将步骤3.5.6中所得的权重与对应的光谱曲线相乘后累加，得到当前中心点的重构光谱曲线
步骤3.5.8、将3.5.7中的重构光谱曲线
与步骤3.5.1中记录的光谱曲线l相减，得到光谱差曲线ld；
步骤3.5.9、计算并记录光谱差曲线ld的一阶范数，作为当前中心点的重构误差，即当前中心点处的异常响应值；
步骤3.5.10、遍历步骤3.5.1～步骤3.5.9，直至高光谱遥感影像Y完成了宽从w+1到2*w的遍历，且高完成了从h+1到2*h的遍历，得到最终的异常响应图H。
步骤4具体按照以下步骤实施：
针对步骤3中得到的异常响应图H，设定响应阈值t，其中异常响应图H中大于阈值t的坐标判定为异常点，反之则判定为背景像元点，即得到最终的异常与背景检测图。
本发明的有益效果是，一种基于粗定位和协同表示的高光谱异常点快速检测方法，将原始高光谱图像首先按照一定比例进行下采样，并将下采样后的影像按照对应比例上采样，进行原始高光谱遥感影像的降质。降质后的高光谱遥感影像与原始高光谱遥感影像进行对比，通过计算空间上每一像素点的一阶范数，根据一阶范数值找到部分高信度的异常点。然后，通过内外滑窗遍历空间上的像素，在排除高信度的异常点的前提下，将内外窗之间的像素当成背景像素协同表示中心点，并将表示的中心点与实际中心点进行对比，由一阶范数进行衡量，差距较大的则认为是异常点。利用图像中大量的背景信息均表现为低频分量，而异常这类区别于背景的细节信息则以高频的形式存在于图像之中，且图像降质过程中损失的也都是一些高频细节信息，从而通过衡量降质图像与原始图像之间的差异，快速且粗略的定位异常点，并指导背景像素的协同表示过程，从而有效且快速的进行高光谱遥感影像中异常点的检测。通过简单的降质操作，快速定位一些高信度的异常点，并在协同表示的过程中排除这些高信度异常点，一方面避免异常点对于表示过程的干扰，保证了检测精度；另一方面减少了表示光谱的个数，提高了方法效率。
附图说明
图1是本发明的具体实施流程图；
图2是本发明中针对圣地亚哥机场，本发明的方法、基准检测器RX、以及未采用粗定位的协同表示方法分别的ROC曲线图；
图3是本发明中针对圣地亚哥机场，本发明的方法、基准检测器RX、以及未采用粗定位的协同表示方法分别的检测结果目视对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于粗定位和协同表示的高光谱异常点快速检测方法，流程图如图1所示，具体按照以下步骤实施：
步骤1、对输入的高光谱遥感影像进行空间维降质；
步骤1具体按照以下步骤实施：
步骤1.1、设置下采样率位0.5，相应的上采样率为2，相应的上下采样方式均为双三次插值方式；
步骤1.2、对输入的原始高光谱遥感影像X按照步骤1.1中设置的下采样率和方式进行下采样；
步骤1.3、将步骤1.2中下采样后的影像按照上步骤1.1中设置的上采样率和方式进行上采样，得到空间降质的高光谱遥感影像
其大小与原始高光谱遥感影像X一致。
步骤2：对步骤1中降质后的图像和原始图像进行对比，粗定位异常点；
步骤2具体按照以下步骤实施：
步骤2.1、将步骤1.3中得到的空间降质的高光谱遥感影像
和原始高光谱遥感影像X相减，得到三维差影像D；
步骤2.2、计算步骤2.1中三维差影像D空间上任一点所对应光谱曲线的一阶范数，得到二维的一阶范数分布图M；
步骤2.3、设定阈值k用于步骤2.2中二维的一阶范数分布图M中异常的粗定位，将步骤2.2中得到的一阶范数分布图M中排名前k的像素点标记为1，粗略地定为异常点，其余像素点标记为0，即暂认为是背景点，得到标记图p；此处设置k为12％。
步骤3：将步骤2粗定位的异常点用于指导空间上像素间的协同表示，通过设置合适的内外窗大小，将内外窗之间的所有粗定位为背景点的像元进行协同表示，重构中心点像元，并通过衡量重构中心点像元与实际像元之间的差异，获取最终的空间异常响应图；
步骤3具体按照以下步骤实施：
步骤3.1、设置内窗大小win为11，外窗大小wout为19；
步骤3.2、记录原始高光谱遥感影像X空间维的宽与高分别为w和h；
步骤3.3、将原始高光谱遥感影像X沿着空间维的四条边分别进行镜面复制，得到空间维宽和高分别为3*w和3*h的高光谱遥感影像Y；
步骤3.4、将步骤2得到的标记图p采用步骤3.3中相同方式进行镜面复制，得到空间维宽和高分别为3*w和3*h的标记图Q；
步骤3.5、将标记图Q用于指导高光谱遥感影像Y中像元之间的系统表示，最终得到空间异常响应图。
步骤3.5具体按照以下步骤实施：
步骤3.5.1、在高光谱遥感影像Y中，内外窗中心点同时以先行后列顺序进行遍历，其中每次遍历间隔为1个像素，宽的遍历范围为w+1到2*w，高的遍历范围为h+1到2*h，记录当前中心点的光谱曲线l；
步骤3.5.2、找到当前中心点内外窗之间的所有光谱曲线，构成光谱集合S，共包含
条光谱曲线，并记录相应坐标；
步骤3.5.3、找到步骤3.5.2中
条光谱曲线相应坐标在步骤3.4所得标记图中的标记，如果标记为1则从光谱集合S中排除该条光谱曲线，若标记为0则保留该条光谱曲线，所有被保留的光谱曲线构成光谱集合SS，共包含n条光谱曲线；
步骤3.5.4、通过主成分分析找到光谱集合SS中的前50个主成分；
步骤3.5.5、以步骤3.5.4中前50个主成分的协方差矩阵代替光谱集合SS中全部光谱曲线的协方差矩阵，计算光谱集合SS中所有光谱曲线的马氏距离；
步骤3.5.6、将步骤3.5.5中所得的马氏距离分别除以所有光谱曲线的马氏距离总和，得到光谱集合SS中每条光谱曲线的权重，以保证所有权重累加和为1；
步骤3.5.7、将步骤3.5.6中所得的权重与对应的光谱曲线相乘后累加，得到当前中心点的重构光谱曲线
步骤3.5.8、将3.5.7中的重构光谱曲线
与步骤3.5.1中记录的光谱曲线l相减，得到光谱差曲线ld；
步骤3.5.9、计算并记录光谱差曲线ld的一阶范数，作为当前中心点的重构误差，即当前中心点处的异常响应值；
步骤3.5.10、遍历步骤3.5.1～步骤3.5.9，直至高光谱遥感影像Y完成了宽从w+1到2*w的遍历，且高完成了从h+1到2*h的遍历，得到最终的异常响应图H。
步骤4：设定阈值，根据步骤3中的空间异常响应图进行异常点的检测，得到最终的异常与背景检测图。
步骤4具体按照以下步骤实施：
针对步骤3中得到的异常响应图H，设定响应阈值t，其中异常响应图H中大于阈值t的坐标判定为异常点，反之则判定为背景像元点，即得到最终的异常与背景检测图。
基于异常点粗定位和协同表示的高光谱遥感影像异常点快速检测方法，根据高频细节信息在降质过程优先会被破坏这一知识，首先通过下采样进行降质以粗定位部分高信度的异常点，其次根据背景像素点能由周围像素线性表征，而异常则不能这一前提，通过在线性表示过程中排除高信度异常点的操作，一方面减少了马氏距离计算的复杂度，另一方面避免了异常点参与到线性表征过程中对表征精度所造成的影响，既保证了检测精度，又提升了方法效率。
为了验证本发明对于高光谱遥感影像进行异常检测的有效性和算法时效性，通过仿真实验给出的对比实验。实验平台是处理器为Intel core i5@2.8GHZ、内存为16.0GB的Windows上的MATLAB(R2015b)。采用的对比算法有经典的RX检测方法，以及未采用粗定位的完全协同表示方法，其中内外窗的大小参与均与本发明一致。
实验选取的数据集为圣地亚哥机场高光谱遥感数据，它是由机载可见光/近红外成像光谱仪对圣地亚哥机场进行拍摄所得。去除噪声波段和水吸收波段，整幅高光谱影像包含224个波段，空间大小为100×100，图像的空间分辨率为3.5米。场景内主要是由机场植被和街道组成，也就是背景，其中飞机被认为是异常信息。
实验工作是通过不采用异常点粗定位的全协同表征检测器和使用本发明所提出的基于异常点粗定位和协同表示的异常检测器来验证算法的可行性。另外，经典的RX检测器也被作为检测率基线进行了对比。
对实验结果所采用的评价指标有：接受者操作特征曲线(Receiver OperatingCharacteristic,ROC)曲线，AUC(Area Under Curve)值。ROC曲线是通过设定不同的阈值，对最终的响应图进行二值化，计算相应的虚警率和探测率，将这若干组对应的虚警率和探测率分别作为坐标横轴和纵轴，进行曲线的绘制，所得的曲线越靠近左上角性能越好。具体的虚警率和探测率计算公式为：
本发明中不同方法的ROC曲线在图2中进行了展示。
AUC的值指的是ROC曲线与坐标轴所围成的面积。AUC的理想值为1，其真实值越接近1，则该方法的检测结果越好。其计算公式如下所示：
其中fROC(x)表示ROC曲线函数。
另外，本发明还将检测结果的目视效果图在图3进行了展示，对异常检测器的性能进行定性评价。通过对目视效果图进行观察，可以看出不同异常检测器对影像中背景地物与异常目标的区分程度。
表1 本发明与基准检测器RX、未采用粗定位检测的AUC值与时间对比
| 基准检测器RX | 未采用粗定位 | 本发明 | |
| AUC | 0.9403 | 0.9763 | 0.9910 |
| 时间(s) | / | 177.26 | 160.67 |
结合表1和图2图3可以看出，本发明对于异常检测有着较为优异的结果，性能较好，且算法的运行效率也能得到一定程度的提升。
Claims (6)
1.一种基于粗定位和协同表示的高光谱异常点快速检测方法，其特征在于，具体按照以下步骤实施：
步骤1、对输入的高光谱遥感影像进行空间维降质；
步骤2：对步骤1中降质后的图像和原始图像进行对比，粗定位异常点；
步骤3：将步骤2粗定位的异常点用于指导空间上像素间的协同表示，通过设置合适的内外窗大小，将内外窗之间的所有粗定位为背景点的像元进行协同表示，重构中心点像元，并通过衡量重构中心点像元与实际像元之间的差异，获取最终的空间异常响应图；
步骤4：设定阈值，根据步骤3中的空间异常响应图进行异常点的检测，得到最终的异常与背景检测图。
2.根据权利要求1所述的一种基于粗定位和协同表示的高光谱异常点快速检测方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、设置下采样率位0.5，相应的上采样率为2，相应的上下采样方式均为双三次插值方式；
步骤1.2、对输入的原始高光谱遥感影像X按照步骤1.1中设置的下采样率和方式进行下采样；
步骤1.3、将步骤1.2中下采样后的影像按照上步骤1.1中设置的上采样率和方式进行上采样，得到空间降质的高光谱遥感影像
其大小与原始高光谱遥感影像X一致。
3.根据权利要求2所述的一种基于粗定位和协同表示的高光谱异常点快速检测方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1、将步骤1.3中得到的空间降质的高光谱遥感影像
和原始高光谱遥感影像X相减，得到三维差影像D；
步骤2.2、计算步骤2.1中三维差影像D空间上任一点所对应光谱曲线的一阶范数，得到二维的一阶范数分布图M；
步骤2.3、设定阈值k用于步骤2.2中二维的一阶范数分布图M中异常的粗定位，将步骤2.2中得到的一阶范数分布图M中排名前k的像素点标记为1，粗略地定为异常点，其余像素点标记为0，即暂认为是背景点，得到标记图p；此处设置k为12％。
4.根据权利要求3所述的一种基于粗定位和协同表示的高光谱异常点快速检测方法，其特征在于，所述步骤3具体按照以下步骤实施：
步骤3.1、设置内窗大小win为11，外窗大小wout为19；
步骤3.2、记录原始高光谱遥感影像X空间维的宽与高分别为w和h；
步骤3.3、将原始高光谱遥感影像X沿着空间维的四条边分别进行镜面复制，得到空间维宽和高分别为3*w和3*h的高光谱遥感影像Y；
步骤3.4、将步骤2得到的标记图p采用步骤3.3中相同方式进行镜面复制，得到空间维宽和高分别为3*w和3*h的标记图Q；
步骤3.5、将标记图Q用于指导高光谱遥感影像Y中像元之间的系统表示，最终得到空间异常响应图。
5.根据权利要求4所述的一种基于粗定位和协同表示的高光谱异常点快速检测方法，其特征在于，所述步骤3.5具体按照以下步骤实施：
步骤3.5.1、在高光谱遥感影像Y中，内外窗中心点同时以先行后列顺序进行遍历，其中每次遍历间隔为1个像素，宽的遍历范围为w+1到2*w，高的遍历范围为h+1到2*h，记录当前中心点的光谱曲线l；
步骤3.5.2、找到当前中心点内外窗之间的所有光谱曲线，构成光谱集合S，共包含
条光谱曲线，并记录相应坐标；
步骤3.5.3、找到步骤3.5.2中
条光谱曲线相应坐标在步骤3.4所得标记图中的标记，如果标记为1则从光谱集合S中排除该条光谱曲线，若标记为0则保留该条光谱曲线，所有被保留的光谱曲线构成光谱集合SS，共包含n条光谱曲线；
步骤3.5.4、通过主成分分析找到光谱集合SS中的前50个主成分；
步骤3.5.5、以步骤3.5.4中前50个主成分的协方差矩阵代替光谱集合SS中全部光谱曲线的协方差矩阵，计算光谱集合SS中所有光谱曲线的马氏距离；
步骤3.5.6、将步骤3.5.5中所得的马氏距离分别除以所有光谱曲线的马氏距离总和，得到光谱集合SS中每条光谱曲线的权重，以保证所有权重累加和为1；
步骤3.5.7、将步骤3.5.6中所得的权重与对应的光谱曲线相乘后累加，得到当前中心点的重构光谱曲线
步骤3.5.8、将3.5.7中的重构光谱曲线
与步骤3.5.1中记录的光谱曲线l相减，得到光谱差曲线ld；
步骤3.5.9、计算并记录光谱差曲线ld的一阶范数，作为当前中心点的重构误差，即当前中心点处的异常响应值；
步骤3.5.10、遍历步骤3.5.1～步骤3.5.9，直至高光谱遥感影像Y完成了宽从w+1到2*w的遍历，且高完成了从h+1到2*h的遍历，得到最终的异常响应图H。
6.根据权利要求5所述的一种基于粗定位和协同表示的高光谱异常点快速检测方法，其特征在于，所述步骤4具体按照以下步骤实施：
针对步骤3中得到的异常响应图H，设定响应阈值t，其中异常响应图H中大于阈值t的坐标判定为异常点，反之则判定为背景像元点，即得到最终的异常与背景检测图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010738646.5A CN111986162B (zh) | 2020-07-28 | 2020-07-28 | 基于粗定位和协同表示的高光谱异常点快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010738646.5A CN111986162B (zh) | 2020-07-28 | 2020-07-28 | 基于粗定位和协同表示的高光谱异常点快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111986162A true CN111986162A (zh) | 2020-11-24 |
| CN111986162B CN111986162B (zh) | 2021-11-16 |
Family
ID=73444328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010738646.5A Active CN111986162B (zh) | 2020-07-28 | 2020-07-28 | 基于粗定位和协同表示的高光谱异常点快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986162B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967241A (zh) * | 2021-02-26 | 2021-06-15 | 西安理工大学 | 一种基于局部梯度引导的高光谱图像异常检测方法 |
| CN113657199A (zh) * | 2021-07-28 | 2021-11-16 | 西安理工大学 | 基于空-谱提取的高光谱图像异常检测方法 |
| CN114136895A (zh) * | 2021-11-19 | 2022-03-04 | 深圳市威视佰科科技有限公司 | 一种酱油成分检测方法和装置 |
| CN114353800A (zh) * | 2021-12-31 | 2022-04-15 | 哈尔滨工业大学 | 一种基于谱图方法的多机器人互定位可观性判别方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20160132754A1 (en) * | 2012-05-25 | 2016-05-12 | The Johns Hopkins University | Integrated real-time tracking system for normal and anomaly tracking and the methods therefor |
| CN106291737A (zh) * | 2016-08-30 | 2017-01-04 | 广州市固润光电科技有限公司 | 一种水下光谱复合成像探测系统及方法 |
| CN106600602A (zh) * | 2016-12-30 | 2017-04-26 | 哈尔滨工业大学 | 基于聚类自适应窗高光谱图像异常检测方法 |
| CN106650681A (zh) * | 2016-12-29 | 2017-05-10 | 哈尔滨工业大学 | 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 |
| US20180268195A1 (en) * | 2016-01-27 | 2018-09-20 | Shenzhen University | Gabor cube feature selection-based classification method and system for hyperspectral remote sensing images |
| CN110570395A (zh) * | 2019-08-06 | 2019-12-13 | 西安电子科技大学 | 基于空谱联合协同表示的高光谱异常检测方法 |
| CN110991493A (zh) * | 2019-11-09 | 2020-04-10 | 华东师范大学 | 一种协同表示和异常剔除的高光谱异常检测方法 |
| CN111242910A (zh) * | 2020-01-07 | 2020-06-05 | 西北工业大学 | 基于张量分解的高光谱遥感影像由粗到精异常检测方法 |
-
2020
- 2020-07-28 CN CN202010738646.5A patent/CN111986162B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160132754A1 (en) * | 2012-05-25 | 2016-05-12 | The Johns Hopkins University | Integrated real-time tracking system for normal and anomaly tracking and the methods therefor |
| 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 |
| US20180268195A1 (en) * | 2016-01-27 | 2018-09-20 | Shenzhen University | Gabor cube feature selection-based classification method and system for hyperspectral remote sensing images |
| CN106291737A (zh) * | 2016-08-30 | 2017-01-04 | 广州市固润光电科技有限公司 | 一种水下光谱复合成像探测系统及方法 |
| CN106650681A (zh) * | 2016-12-29 | 2017-05-10 | 哈尔滨工业大学 | 基于低秩矩阵恢复的空谱联合高光谱图像目标识别方法 |
| CN106600602A (zh) * | 2016-12-30 | 2017-04-26 | 哈尔滨工业大学 | 基于聚类自适应窗高光谱图像异常检测方法 |
| CN110570395A (zh) * | 2019-08-06 | 2019-12-13 | 西安电子科技大学 | 基于空谱联合协同表示的高光谱异常检测方法 |
| CN110991493A (zh) * | 2019-11-09 | 2020-04-10 | 华东师范大学 | 一种协同表示和异常剔除的高光谱异常检测方法 |
| CN111242910A (zh) * | 2020-01-07 | 2020-06-05 | 西北工业大学 | 基于张量分解的高光谱遥感影像由粗到精异常检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967241A (zh) * | 2021-02-26 | 2021-06-15 | 西安理工大学 | 一种基于局部梯度引导的高光谱图像异常检测方法 |
| CN112967241B (zh) * | 2021-02-26 | 2023-09-12 | 西安理工大学 | 一种基于局部梯度引导的高光谱图像异常检测方法 |
| CN113657199A (zh) * | 2021-07-28 | 2021-11-16 | 西安理工大学 | 基于空-谱提取的高光谱图像异常检测方法 |
| CN113657199B (zh) * | 2021-07-28 | 2023-09-15 | 西安理工大学 | 基于空-谱提取的高光谱图像异常检测方法 |
| CN114136895A (zh) * | 2021-11-19 | 2022-03-04 | 深圳市威视佰科科技有限公司 | 一种酱油成分检测方法和装置 |
| CN114353800A (zh) * | 2021-12-31 | 2022-04-15 | 哈尔滨工业大学 | 一种基于谱图方法的多机器人互定位可观性判别方法及系统 |
| CN114353800B (zh) * | 2021-12-31 | 2023-10-24 | 哈尔滨工业大学 | 一种基于谱图方法的多机器人互定位可观性判别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111986162B (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986162B (zh) | 基于粗定位和协同表示的高光谱异常点快速检测方法 | |
| Broadwater et al. | Hybrid detectors for subpixel targets | |
| Mohan et al. | Hyperspectral image processing and analysis | |
| Shakya et al. | Deep learning algorithm for satellite imaging based cyclone detection | |
| WO2019153746A1 (zh) | 基于张量投票耦合霍夫变换的地质线性体提取方法 | |
| Gu et al. | Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China | |
| Uss et al. | Maximum likelihood estimation of spatially correlated signal-dependent noise in hyperspectral images | |
| Zhao et al. | A spectral–spatial anomaly target detection method based on fractional Fourier transform and saliency weighted collaborative representation for hyperspectral images | |
| CN101101338A (zh) | 一种油气勘探方法及系统 | |
| CN104463808B (zh) | 基于空间相关性的高光谱数据降噪方法及系统 | |
| Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
| CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
| CN111242910B (zh) | 基于张量分解的高光谱遥感影像由粗到精异常检测方法 | |
| Zhao et al. | Hyperspectral target detection based on transform domain adaptive constrained energy minimization | |
| Zhang et al. | Infrared small target detection via interpatch correlation enhancement and joint local visual saliency prior | |
| Vafadar et al. | Hyperspectral anomaly detection using outlier removal from collaborative representation | |
| CN114202539A (zh) | 基于端到端rx的高光谱图像异常检测方法 | |
| Li et al. | Spectral-Spatial Depth-Based Framework for Hyperspectral Underwater Target Detection | |
| CN111275680B (zh) | 基于Gabor卷积网络的SAR图像变化检测方法 | |
| Wang et al. | A novel filter-based anomaly detection framework for hyperspectral imagery | |
| Zhang et al. | Feature Bands Based Unsupervised Hyperspectral Underwater Target Detection Near the Coastline | |
| Syarif et al. | The effect of minimum noise fraction on multispectral imagery data for vegetation canopy density modelling | |
| CN109190506A (zh) | 一种基于核稀疏和空间约束的高光谱目标检测方法 | |
| Vafadar et al. | Hyperspectral anomaly detection using Modified Principal component analysis reconstruction error | |
| Liu et al. | Research on multi-focus image fusion algorithm based on total variation and quad-tree decomposition |
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 |