CN113222924B - 基于fpga的高光谱图像异常检测系统 - Google Patents

基于fpga的高光谱图像异常检测系统 Download PDF

Info

Publication number
CN113222924B
CN113222924B CN202110484719.7A CN202110484719A CN113222924B CN 113222924 B CN113222924 B CN 113222924B CN 202110484719 A CN202110484719 A CN 202110484719A CN 113222924 B CN113222924 B CN 113222924B
Authority
CN
China
Prior art keywords
result
module
reconstruction
pixels
value
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
CN202110484719.7A
Other languages
English (en)
Other versions
CN113222924A (zh
Inventor
雷杰
杨埂
张梦波
谢卫莹
李云松
江涛
刘凯
高隆
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202110484719.7A priority Critical patent/CN113222924B/zh
Publication of CN113222924A publication Critical patent/CN113222924A/zh
Application granted granted Critical
Publication of CN113222924B publication Critical patent/CN113222924B/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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T2207/10004—Still image; Photographic image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于FPGA的高光谱异常检测系统，主要解决在卫星遥感应用条件下现有技术检测速度慢，计算成本高的问题。该系统是在FPGA上设置包括5个功能单元的深度流水架构，其中：特征融合单元，用于进行光谱合并，以降低高光谱图像维度；特征定位单元，用于对降维后的图像进行形态学开重建和闭重建，以定位不同于背景的特征；特征提取单元，用于对开重建和闭重建结果进行差分计算，以提取异常信息；特征聚类单元，用于进行修正自引导滤波，完成对异常特征聚类；数据输出单元，对聚类结果加权求和，得到高光谱图像的预检测结果。本发明检测精度高、处理速度快、资源消耗低，可用于卫星遥感条件下从高光谱图像中实时获取异常目标。

Description

基于FPGA的高光谱图像异常检测系统
技术领域
本发明属于图像处理技术领域，更进一步涉及一种图像异常检测方法，可用于卫星遥感应用条件下从高光谱图像中实时获取异常目标。
背景技术
高光谱异常检测技术的目标是在没有目标光谱特征的先验知识条件下，识别在空间或者光谱上与周围环境完全不同的感兴趣目标。由于异常检测的过程可以不依赖于大气校正和辐射校正等复杂的预处理过程，因而更适合高光谱图像的星上实时处理场景，在农业、人员搜索与救援、军事目标侦察等领域都有非常重要的应用。
Kwon在其发表的论文“Kernel RX-algorithm:A nonlinear anomaly detectorfor hyperspectral imagery”(IEEE地球科学与遥感汇刊TGRS IEEE Transactions OnGeoscience And Remote Sensing期刊论文2005年)提出将原始高光谱数据的光谱信号非线性映射到高维特征空间中，使得在原始空间中线性不可分的成分经过非线性映射到高维特征空间后线性可分，从而更好地分离背景和目标信息。然而，这种技术所采用的高阶Gram矩阵以及矩阵求逆所带来的高计算复杂度给硬件实现带来了巨大难度。
Xudong Kang在其发表的论文“Hyperspectral Anomaly Detection WithAttribute and Edge-Preserving Filters”(IEEE地球科学与遥感汇刊TGRS IEEETransactions On GeoscienceAnd Remote Sensing期刊论文2017年)中提出了一种基于属性滤波和边缘保持滤波的高光谱异常检测方法AED。该方法在光谱特征提取的过程中进一步利用了高光谱图像的空间信息。首先使用主成分分析法对高光谱图像进行降维并提取特征图像，然后通过基于空间属性的形态学属性滤波器提取具有特定面积属性的异常候选，最后使用域变换递归滤波器进行边缘保留及平滑，得到最终的检测结果。然而，该方法所采用的降维方法以及全局的基于树表示的形态学属性滤波技术在硬件实现上都十分困难。
目前大多数广泛使用的高光谱异常检测方法尽管在检测精度上表现出色，但是这些方法往往采用大规模复杂的矩阵计算，比如矩阵的协方差、矩阵的逆、特征值求解等，这样的高计算复杂度给星上实时检测带来了更大的难度。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于FPGA的低复杂度高光谱异常检测系统，以避免复杂耗时的大规模矩阵运算，并进一步提升高光谱图像异常检测精度，便于星上实时检测。
为实现上述目的，本发明基于FPGA的高光谱图像异常检测系统，是在FPGA上设置深度流水架构，其特征在于，包括：
特征融合单元，用于对通过AXI互联总线从片外存储器读取的高光谱图像进行光谱合并，以降低高光谱图像的维度，并将光谱合并后的结果传输至特征定位单元；
特征定位单元，用于对特征融合单元的光谱合并结果进行形态学开重建和形态学闭重建，以定位不同于背景的特征，并将形态学开重建后的结果和形态学闭重建后的结果传输至特征提取单元；
特征提取单元，用于对特征定位单元的形态学开重建结果和形态学闭重建结果进行差分操作，以提取异常信息，并将差分结果传输至特征聚类单元；
特征聚类单元，用于对特征提取模块的差分结果进行修正自引导滤波，并将修正自引导滤波的结果传输至数据输出单元；
数据输出单元，用于对特征聚类单元的修正自引导滤波结果进行加权求和，并将加权求和的结果通过AXI互联总线存入片外存储器，通过加权求和结果的灰度值大小预判定其对应的像素是否为异常像素：灰度值越大，则该像素为异常目标的可能性越大；反之，该像素被看作为背景。
本发明与现有的技术相比具有以下优点：
第一，本发明由于采用简单有效的形态学重建和修正自引导滤波技术，可在保证检测性能的同时避免复杂耗时的大规模矩阵运算。
第二，本发明由于采用基于FPGA的低成本深度流水架构，可以通过几个参数的调整应用于不同场景下多种空间尺寸和光谱维度的高光谱图像，便用于星上在轨的实时异常检测。
实验结果表明，本发明的检测精度比现有技术基于属性滤波和边缘保持滤波的高光谱异常检测方法AED提高了4.35％。
附图说明
图1是本发明的整体架构图；
图2是本发明中修正自引导滤波子模块的结构图；
图3是分别采用本发明和现有AED方法对高光谱图像进行异常检测的仿真图。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步的详细描述。
参照图1，本实例是在FPGA上部署深度流水架构对高光谱图像进行异常检测，该深度流水架构主要包含特征融合单元1、特征定位单元2、特征提取单元3、特征聚类单元4和数据输出单元5四个单元。
所述特征融合单元1，包括数据加载/分发模块11和Q个光谱合并模块12，该数据加载/分发模块11用于将通过AXI互联总线从片外存储器读取的低位宽像素合并为高位宽像素后，存储在比特宽度为512的先进先出缓存FIFO中，再将高位宽像素同时传递给Q个并行工作的光谱合并单元12；该光谱合并模块12用于将高位宽像素拆分为低位宽像素后，对低位宽像素进行求和平均运算，并将运算的结果传输给特征定位单元2。
所述特征定位单元2，包括Q个形态学开重建模块21和Q个形态学闭重建模块22，每个形态学开重建模块21由腐蚀子模块211和膨胀重建子模块212组成；每个形态学闭重建模块22由膨胀子模块221和腐蚀重建子模块222组成；
该腐蚀子模块211，用于计算尺寸为ra×ra的结构元中像素的最小值，具体实现是依次进行腐蚀行处理和腐蚀列处理。其中，腐蚀行处理，是在每个时钟周期内，通过比较先进先出缓存FIFO中的新像素和当前大小为ra-1的寄存器中的像素，得到几个像素中的最小值，将该最小值传递至腐蚀列处理，再移除当前寄存器中的旧像素，并将先进先出缓存FIFO中的新像素存入寄存器；腐蚀列处理，是在每个时钟周期内，先通过比较腐蚀行处理的结果和当前大小为(ra-1)×N的BRAM中的一列ra-1个像素，得到这几个像素中的最小值，再将该最小值结果传递到下一个膨胀重建子模块212，然后移除当前BRAM的旧像素，并将腐蚀列处理的最小值结果存入BRAM中，其中N表示高光谱图像的宽，ra的取值为奇数；
该膨胀重建子模块212，对腐蚀子模块211的最小值结果顺序执行k次膨胀操作和最小值比较得到形态学开重建的结果，并将形态学开重建的结果传递给特征提取单元 3；
该膨胀子模块221，是通过依次进行膨胀行处理和膨胀列处理计算尺寸为ra×ra的结构元中像素的最大值。其中，膨胀行处理，是在每个时钟周期内，首先通过比较先进先出缓存FIFO中的新像素和当前大小为ra-1的寄存器中的像素，得到几个像素中的最大值，将该最大值传递至膨胀列处理，然后移除当前寄存器中的旧像素，并将先进先出缓存FIFO中的新像素存入寄存器；膨胀列处理，是在每个时钟周期内，首先通过比较膨胀行处理的结果和当前大小为(ra-1)×N的BRAM中的一列ra-1个像素，得到几个像素中的最大值，并将该最大值结果传递到下一个腐蚀重建子模块222，然后移除当前 BRAM的旧像素，并将膨胀列处理的最大值结果存入BRAM中；
该腐蚀重建子模块222，用于对膨胀子模块221的最大值结果顺序执行k次腐蚀操作和最大值比较操作得到形态学闭重建的结果，并将形态学闭重建的结果传递给特征提取单元3。
所述特征提取单元3，包括Q个差分模块31，每个差分模块，用于计算来自于特征定位单元2中形态学开重建模块21所对应的形态学开重建结果γq和形态学闭重建模块22所对应的形态学闭重建结果βq的差值Lq＝βq-γq，并将差分结果Lq传输至特征聚类单元4，q的取值范围是1,2,3,…,Q。
所述特征聚类单元4，包括Q个修正自引导模块41，每个修正自引导滤波模块41 完成对异常特征的聚类。
参照图2，每个修正自引导滤波模块进行异常特征聚类的具体实现如下：
1)将特征提取单元3中差分模块所对应的差分结果Lq存储到第一先进先出缓存FIFO1；
2)从第一先进先出缓存FIFO1中读取Lq，计算差分结果的乘积L2q＝Lq×Lq，通过均值滤波操作计算Lq均值滤波的结果MLq＝mean(Lq)，并将Lq，L2q，MLq存储到第二先进先出缓存FIFO2，其中，mean()表示均值滤波操作；
3)从第二先进先出缓存FIFO2中读取Lq，L2q，MLq，通过均值滤波操作计算L2q的均值滤波结果Cq＝mean(L2q)；计算MLq的乘积：MMq＝MLq×MLq，并将Lq，Cq， MMq，MLq存储到第三先进先出缓存FIFO3；
4)从第三先进先出缓存FIFO3读取Lq，Cq，MMq，MLq，分别计算Cq与MMq的差值：Vq＝Cq-MMq和Vq与ε的和值：VEq＝Vq+ε，将Lq，Vq，VEq，MLq存储到第四先进先出缓存FIFO4，其中，ε是平滑参数；
5)从第四先进先出缓存FIFO4中读取Lq，Vq，VEq，MLq，计算第一系数 aq＝Vq/VEq，将aq，Lq，MLq存储到第五先进先出缓存FIFO5；
6)从第五先进先出缓存FIFO5中读取aq，Lq，MLq，分别计算第二系数： bq＝(1-aq)×MLq和aq与Lq的乘积：dq＝aq×Lq，将bq，dq存储到第六先进先出缓存 FIFO6；
7)从第六进先出缓存FIFO6中读取bq，dq，计算修正的自引导滤波单元的结果 Pq＝bq+dq将Pq传递给数据输出单元5。
上述2)和3)中使用的均值滤波操作，是通过依次进行均值行处理和均值列处理计算尺寸为(2rb+1)×(2rb+1)局部窗口中像素的平均值。其中，均值行处理，是在每个时钟周期内，计算先进先出缓存FIFO中的新像素和当前大小为2rb的寄存器中的像素的均值，再将该均值传递至均值列处理，然后移除当前寄存器中的旧像素，并将先进先出缓存FIFO中的新像素存入寄存器；均值列处理，是在每个时钟周期内，计算均值行处理的结果和当前大小为2rb的BRAM中的一列2rb个像素中的均值，即为均值滤波操作的结果，然后移除当前BRAM的旧像素，并将均值滤波操作的结果存入BRAM中，其中，rb的取值范围是1，2，3，4，5，N表示高光谱图像的宽。
所述数据输出单元5，用于将特征聚类单元4中Q个修正自引导滤波模块41得到的Q个自引导滤波结果Pq进行加权求和：并将加权求和的结果S通过AXI 互联总线存入片外存储器，其中，加权系数ωq设置为1/Q。
通过对片外存储器中加权求和结果的灰度值大小预判定其对应的像素是否为异常像素：灰度值越大，则该像素为异常目标的可能性越大；反之，该像素被看作为背景。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真条件：
本发明的软件仿真实验是在主频2.50GHz*8的Intel(R)Core(TM)i5-7200U CPU、内存为8GB的window 10操作系统下采用MATLAB R2017b和Visual studio 2017进行。硬件仿真环境是在主频2.50GHz*8的Intel(R)Core(TM)i5-7200U CPU、内存为8GB的 window 10操作系统下采用Vivado2018.3 HLS进行，并在XilinxVirtex 7XC7VX690T FPGA上完成性能评估。
2.仿真内容与结果分析：
本发明在上述仿真条件下，分别进行了三个仿真实验。
仿真1，分别用本发明和现有AED方法对高光谱图像进行异常检测，检测结果如图3所示。其中：
图3(a)为来自于机载可见/红外成像光谱仪采集的真实高光谱图像；
图3(b)为来自于机载可见/红外成像光谱仪采集的真实高光谱图像附带的异常标签，该图中的白色区域表示真实高光谱图像中的异常；
图3(c)为采用现有AED方法对图3(a)的检测结果；
图3(d)为采用本发明方法对图3(a)的检测结果。
比较图3(c)和图3(d)的检测结果，可以看出：本发明可以更好的检测出右上角的四个异常区域，且检测背景更为干净，进而证明了本发明良好的检测效果。
为了对两种方法的检测性能进行评价，按照下式，计算检测精度AUC值：
其中，TPR(H)表示当检测图像的阈值被设置为H时，将异常目标正确检测为异常的概率，即为检测概率。虚警概率表示FPR(H)表示当检测图像的阈值被设置为H时，不是异常的目标错误检测为异常的概率。AUC越接近于1，其检测精度越高，检测性能越好。
两种方法的检测精度AUC值如表1所示：
表1本发明方法和现有技术方法的异常检测精度对比表
方法类型 检测精度AUC
现有技术 95.59％
本发明的仿真结果 99.94％
从表1可见，本发明的检测精度相比现有AED方法提高了4.35％。
仿真2，对本发明在Xilinx Virtex 7XC7VX690T FPGA上的资源消耗情况作进一步说明，资源消耗情况如表2所示。
表2本发明的架构在FPGA上的资源消耗评估
从表2可见，评估的板卡Xilinx Virtex 7XC7VX690T FPGA包含433200个查找表LUT，174200个分布式随机存取存储器LUTRAM，866400个触发器FF，1470个块随机存取存储器BRAM以及3600个数字信号处理器DSP。在时钟频率为200MHz下，本发明所设计的架构中消耗的LUT、LUTRAM、FF、BRAM以及DSP仅占FPGA上对应资源总量的10.13％，0.575％，6.69％，9.59％，12％，资源消耗非常少。
仿真3，对本发明在Xilinx Virtex 7XC7VX690T FPGA上的处理速度分别与Matlab、 C++进行对比，对比结果如表3所示。
表3本发明基于FPGA的架构与Matlab、C++版本在处理速度上的对比
Matlab(ms) C++(ms) 本发明(ms)
232 55 0.553
如表3所示，本发明的处理速度相比Matlab和C++软件版本分别提高了419倍和 99倍。
综上所述，本发明基于FPGA的高光谱图像异常检测系统在检测精度，资源消耗以及处理速度上都有着出色的表现，对于星上实时处理有着极高的适用性。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改进，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于FPGA的高光谱图像异常检测系统，是在FPGA上设置深度流水架构，其特征在于，包括：
特征融合单元(1)，用于对通过AXI互联总线从片外存储器读取的高光谱图像进行光谱合并，以降低高光谱图像的维度，并将光谱合并后的结果传输至特征定位单元(2)；
特征定位单元(2)，用于对特征融合单元(1)的光谱合并结果进行形态学开重建和形态学闭重建，以定位不同于背景的特征，并将形态学开重建后的结果和形态学闭重建后的结果传输至特征提取单元(3)；所述特征定位单元(2)包括Q个形态学开重建模块(21)和Q个形态学闭重建模块(22)，每个形态学开重建模块(21)由腐蚀子模块(211)和膨胀重建子模块(212)组成；每个形态学闭重建模块(22)由膨胀子模块(221)和腐蚀重建子模块(222)组成；
所述腐蚀子模块(211)，用于计算尺寸为ra×ra的结构元中像素的最小值，并将最小值结果传递给膨胀重建子模块(212)，ra的取值为奇数；
所述膨胀重建子模块(212)，对腐蚀子模块(211)的最小值结果顺序执行k次膨胀操作和最小值比较得到形态学开重建的结果，并将形态学开重建的结果传递给特征提取单元(3)；
所述膨胀子模块(221)，用于计算尺寸为ra×ra为结构元中像素的最大值结果，并将最大值结果传递给腐蚀重建子模块(222)，ra的取值为奇数；
所述腐蚀重建子模块(222)，用于对膨胀子模块(221)的最大值结果顺序执行k次腐蚀操作和最大值比较操作得到形态学闭重建的结果，并将形态学闭重建的结果传递给特征提取单元(3)；
特征提取单元(3)，用于对特征定位单元(2)的形态学开重建结果和形态学闭重建结果进行差分操作，以提取异常信息，并将差分结果传输至特征聚类单元(4)；
特征聚类单元(4)，用于对特征提取模块(3)的差分结果进行修正自引导滤波，并将修正自引导滤波的结果传输至数据输出单元(5)；所述特征聚类单元(4)包括Q个修正自引导模块(41)，每个修正自引导滤波模块(41)完成对异常特征的聚类：
将特征提取单元(3)中差分模块所对应的差分结果Lq存储到第一先进先出缓存FIFO1,q的取值范围是1,2,3,…,Q；
读取第一先进先出缓存FIFO1中存储的Lq，计算差分结果的乘积L2q＝Lq×Lq，通过均值滤波操作计算Lq均值滤波的结果MLq＝mean(Lq)，并将Lq，L2q，MLq存储到第二先进先出缓存FIFO2，其中，mean()表示均值滤波操作；
读取第二先进先出缓存FIFO2中存储的Lq，L2q，MLq，通过均值滤波操作计算L2q的均值滤波结果Cq＝mean(L2q)；计算MLq的乘积：MMq＝MLq×MLq，并将Lq，Cq，MMq，MLq存储到第三先进先出缓存FIFO3；
读取第三先进先出缓存FIFO3中存储的Lq，Cq，MMq，MLq，分别计算Cq与MMq的差值：Vq＝Cq-MMq和Vq与ε的和值：VEq＝Vq+ε，将Lq，Vq，VEq，MLq存储到第四先进先出缓存FIFO4，其中，ε是平滑参数；
读取第四先进先出缓存FIFO4中存储的Lq，Vq，VEq，MLq，计算第一系数aq＝Vq/VEq，将aq，Lq，MLq存储到第五先进先出缓存FIFO5；
读取第五先进先出缓存FIFO5中存储的aq，Lq，MLq，分别计算第二系数：bq＝(1-aq)×MLq和aq与Lq的乘积：dq＝aq×Lq，将bq，dq存储到第六先进先出缓存FIFO6；
读取第六进先出缓存FIFO6中存储的bq，dq，计算修正的自引导滤波单元的结果Pq＝bq+dq，将Pq传递给数据输出单元(5)；
数据输出单元(5)，用于对特征聚类单元(4)的修正自引导滤波结果进行加权求和，并将加权求和的结果通过AXI互联总线存入片外存储器，通过加权求和结果的灰度值大小预判定其对应的像素是否为异常像素：灰度值越大，则该像素为异常目标的可能性越大；反之，该像素被看作为背景。
2.根据权利要求1所述的系统，其特征在于，特征融合单元(1)包括数据加载/分发模块(11)和Q个光谱合并模块(12)，该数据加载/分发模块(11)用于将通过AXI互联总线从片外存储器读取的低位宽像素合并为高位宽像素后，存储在比特宽度为512的先进先出缓存FIFO中，再将高位宽像素同时传递给Q个并行工作的光谱合并单元(12)；该光谱合并模块(12)用于将高位宽像素拆分为低位宽像素后，对低位宽像素进行求和平均运算，并将运算的结果传输给特征定位单元(2)。
3.根据权利要求1所述的系统，其特征在于，所述腐蚀子模块(211)计算尺寸为ra×ra的结构元中像素的最小值，分为腐蚀行处理和腐蚀列处理，其中：
所述腐蚀行处理，是在每个时钟周期内，通过比较先进先出缓存FIFO中的新像素和当前大小为ra-1的寄存器中的像素，得到几个像素中的最小值，将该最小值传递至腐蚀列处理，再移除当前寄存器中的旧像素，并将先进先出缓存FIFO中的新像素存入寄存器，其中ra的取值为奇数；
所述腐蚀列处理，是在每个时钟周期内，先通过比较腐蚀行处理的结果和当前大小为(ra-1)×N的BRAM中的一列ra-1个像素，得到这几个像素中的最小值，再将该最小值结果传递到下一个膨胀重建子模块212，然后移除当前BRAM的旧像素，并将腐蚀列处理的最小值结果存入BRAM中，其中N表示高光谱图像的宽。
4.根据权利要求1所述的系统，其特征在于，所述膨胀子模块(221)计算尺寸为ra×ra的结构元中像素的最大值，分为膨胀行处理和膨胀列处理：
所述膨胀行处理，是在每个时钟周期内，首先通过比较先进先出缓存FIFO中的新像素和当前大小为ra-1的寄存器中的像素，得到几个像素中的最大值，将该最大值传递至膨胀列处理，然后移除当前寄存器中的旧像素，并将先进先出缓存FIFO中的新像素存入寄存器，ra的取值为奇数；
所述膨胀列处理，是在每个时钟周期内，首先通过比较膨胀行处理的结果和当前大小为(ra-1)×N的BRAM中的一列ra-1个像素，得到几个像素中的最大值，并将该最大值结果传递到下一个腐蚀重建子模块222，然后移除当前BRAM的旧像素，并将膨胀列处理的最大值结果存入BRAM中，N表示高光谱图像的宽。
5.根据权利要求1所述的系统，其特征在于，特征提取单元(3)包括Q个差分模块(31)，每个差分模块，用于将来自于特征定位单元(2)中形态学开重建模块(21)所对应的形态学开重建结果和形态学闭重建模块(22)所对应的形态学闭重建结果进行差分操作，并将差分结果传输至特征聚类单元(4)。
6.根据权利要求1所述的系统，其特征在于，所述的均值滤波操作，是通过依次进行均值行处理和均值列处理计算尺寸为(2rb+1)×(2rb+1)局部窗口中像素的平均值；
所述均值行处理，是在每个时钟周期内，计算先进先出缓存FIFO中的新像素和当前大小为2rb的寄存器中的像素的均值，再将该均值传递至均值列处理，然后移除当前寄存器中的旧像素，并将先进先出缓存FIFO中的新像素存入寄存器，其中，rb的取值范围是1，2，3，4，5；
所述均值列处理，是在每个时钟周期内，计算均值行处理的结果和当前大小为2rb的BRAM中的一列2rb个像素中的均值，即为均值滤波操作的结果，然后移除当前BRAM的旧像素，并将均值滤波操作的结果存入BRAM中，N表示高光谱图像的宽。
CN202110484719.7A 2021-04-30 2021-04-30 基于fpga的高光谱图像异常检测系统 Active CN113222924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110484719.7A CN113222924B (zh) 2021-04-30 2021-04-30 基于fpga的高光谱图像异常检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110484719.7A CN113222924B (zh) 2021-04-30 2021-04-30 基于fpga的高光谱图像异常检测系统

Publications (2)

Publication Number Publication Date
CN113222924A CN113222924A (zh) 2021-08-06
CN113222924B true CN113222924B (zh) 2023-08-18

Family

ID=77090663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110484719.7A Active CN113222924B (zh) 2021-04-30 2021-04-30 基于fpga的高光谱图像异常检测系统

Country Status (1)

Country Link
CN (1) CN113222924B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688926B (zh) * 2021-08-31 2024-03-08 济南大学 一种网站行为分类方法、系统、存储介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009105943A (ja) * 2009-01-09 2009-05-14 Konica Minolta Business Technologies Inc 画像形成装置、線幅制御方法、および線幅制御プログラム
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
CN103310419A (zh) * 2013-06-18 2013-09-18 深圳大学 一种小目标图像处理装置
CN109146890A (zh) * 2018-07-16 2019-01-04 西安电子科技大学 基于滤波器的高光谱图像的异常目标检测方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019202878B4 (de) * 2019-03-04 2022-11-03 Siemens Healthcare Gmbh Verfahren zur Rauschreduzierung in Computertomographiedaten, Röntgeneinrichtung, Computerprogramm und elektronisch lesbarer Datenträger

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009105943A (ja) * 2009-01-09 2009-05-14 Konica Minolta Business Technologies Inc 画像形成装置、線幅制御方法、および線幅制御プログラム
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
CN103310419A (zh) * 2013-06-18 2013-09-18 深圳大学 一种小目标图像处理装置
CN109146890A (zh) * 2018-07-16 2019-01-04 西安电子科技大学 基于滤波器的高光谱图像的异常目标检测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于FPGA的运动目标实时检测跟踪算法及其实现技术;邢凯;李彬华;陶勇;王锦良;何春;;光学技术(第02期);全文 *

Also Published As

Publication number Publication date
CN113222924A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Ma et al. Infrared and visible image fusion methods and applications: A survey
Meng et al. Pansharpening for cloud-contaminated very high-resolution remote sensing images
Xu et al. Attention mechanism-based generative adversarial networks for cloud removal in Landsat images
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
Xiang et al. Adaptive superpixel generation for SAR images with linear feature clustering and edge constraint
Chen et al. A novel infrared small target detection method based on BEMD and local inverse entropy
Wang et al. The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation
CN113222924B (zh) 基于fpga的高光谱图像异常检测系统
CN114937206A (zh) 基于迁移学习和语义分割的高光谱图像目标检测方法
Venugopal Sample selection based change detection with dilated network learning in remote sensing images
Paschos et al. A color texture based visual monitoring system for automated surveillance
CN112784777B (zh) 基于对抗学习的无监督高光谱图像变化检测方法
Ye et al. Optical and SAR image fusion based on complementary feature decomposition and visual saliency features
Kim et al. ADOM: ADMM-based optimization model for stripe noise removal in remote sensing image
CN108509835B (zh) 基于DFIC超像素的PolSAR图像地物分类方法
Zhang et al. Feature-band-based unsupervised hyperspectral underwater target detection near the coastline
CN107464255B (zh) 一种基于信息量与多尺度异常检测的船舶目标检测方法
Chen et al. Change detection of multispectral remote-sensing images using stationary wavelet transforms and integrated active contours
Shire et al. A review paper on: agricultural plant leaf disease detection using image processing
CN113421198A (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
Zehtabian et al. Adaptive restoration of multispectral datasets used for SVM classification
CN113887656B (zh) 一种联合深度学习与稀疏表示的高光谱图像分类方法
CN112700437B (zh) 基于分块和低秩先验的发射率域热红外高光谱异常探测方法
CN114972075A (zh) 一种基于残差学习和混合域注意力的高光谱图像去噪方法
Hou et al. Novel hyperspectral anomaly detection methods based on unsupervised nearest regularized subspace

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