基于多孔径映射的高光谱异常检测算法

针对高光谱遥感异常检测中复杂背景与异常目标之间光谱特征相关性导致背景模型难以准确估计的问题,提出了一种基于多孔径映射的高光谱遥感异常检测算法。首先,不同于背景建模提取背景特征的方法,多孔径映射从不同角度提取数据特征,通过构建基集合表征高光谱数据的光谱特性,获得用于衡量统计差异的异常显著性指标。其次,为了实现对具有适中及低异常显著性像素的精细分析,本文基于模糊逻辑理论构建隶属度函数获得关于像素异常显著性的连续性属性标记,并将隶属度值作为权重,通过加权迭代过程实现多孔径映射的自适应收敛。最后,借鉴模糊逻辑理论中的去模糊机制,对多孔径检测结果进行融合,获得最终的检测结果。本文仿真试验采用高光谱遥感数据,从稳健性及对低显著度目标敏感性方面对算法进行验证。

迭代分析相对密度的高光谱异常检测

目的针对复杂高光谱数据在不同地物规模和光谱特征上的差异,致使背景特征难以准确描述,导致异常检测算法检测效果不理想的问题,提出一种基于相对密度分析建立背景模型的高光谱遥感异常检测算法。方法该算法借助最大相对密度分析的思想,通过统计与待测像元相似像元的数目作为其相对相似性分布密度,在像元光谱特征相似性分布密度的驱动下,自动搜索聚类中心并实现自适应聚类。为了避免不同背景地物受类别规模差异的影响,设计迭代筛选方法不断提取具有相对最大分布密度的类作为背景地物类别。当迭代终止时即可获得关于背景地物的统计模型,最后采用经典的马氏距离实现异常检测。结果仿真实验采用两组常用的数据HyMap和HYDICE,与经典算法如基于聚类分析的异常检测算法(CBAD)、局部RX算法(LRX)和基于空间边缘特征变化的异常检测算法(2DCAD)等进行比较,并采用受试者工作特性曲线(ROC)和ROC曲线下面积(AUC)作为评价标准对实验结果进行分析。从实验数据中可以看到,本文算法在ROC曲线整体上表现优于其他算法,在HyMap下AUC值比同类算法至少高出5.6%,HYDICE下AUC值比同类算法至少高出13.6%。另外,对于不同数据,本文算法最终表现较为稳定,鲁棒性较好。结论实验结果表明该算法无需构建分类面以及设定类别数目,在每次迭代中根据数据本身特征自适应地获取当前规模下背景显著性强的像元。另外,本文建立背景模型的方法适用于不同复杂场景下的高光谱数据,可以获得对背景的准确描述,有助于改善高光谱数据异常检测中对异常目标显著性衡量的准确性。