FPGA和多DSP系统的并行RX探测算法

针对高光谱图像异常目标探测过程运算量大、结果不能实时应用的问题,在FPGA和多数字信号处理的硬件平台上实现了RX并行处理算法.结合RX算法的原理与特征,研究了该算法的并行特性;通过计算机仿真验证了RX算法并行化的可行性及特点;该平台通过FPGA完成高光谱图像数据立方体的奇异值分解降维,降低了数据处理量和传输量;通过多数字信号处理完成RX算法的并行化,实现了高光谱图像异常目标探测的快速处理.用该系统处理64波段280×800大小的高光谱图像数据,得到探测结果仅需4.86s,能够满足高光谱遥感应用中异常目标探测的载荷平台在线处理和探测结果的快速获取及应用的需求.

红外多波段点目标检测RX算法性能分析

给出了多波段条件下用于点目标检测的RX算法模型,以接收机工作特性曲线ROC以及恒虚警率条件下的检测概率为性能评价手段,分析了探测器像元数、光谱波段数以及广义信噪比对算法性能的影响,并重点分析了波段数与广义信噪比需要满足的匹配关系,据此给出了用于点目标检测的波段参量优化选择方法.最后应用该方法对飞机尾焰进行了最优化探测波段优化选择,证明了该方法的有效性.

基于加权组合核RX算法异物检测及其参量选择

为了融合光谱形状差异信息和多项式核函数全局信息,充分挖掘地物特征,提高异常检测正确率,提出了一种加权组合核RX算法。该算法在高斯核函数的基础上,增加一个光谱角核函数。由于核函数参量和加权参量直接影响算法性能,分别采用了随机函数法、爬山法和粒子群算法对上述参量进行了选择。结果表明,在恒虚警率下使用粒子群算法进行参量设定得到的效果最好,且采用加权组合核函数RX算法得到的目标检测率为83.5%,相对于普通的核RX算法,正确率得到了提高。

基于PCA和KRX算法的高光谱异常检测

针对高光谱图像背景复杂导致高光谱图像异常检测效果下降的问题,提出了一种新的基于抑制背景的高光谱图像异常检测方法。该方法首先使用主成分分析法抑制高光谱图像中的背景信息,得到背景抑制后的图像,然后再使用基于核的RX算法(KRX算法)异常检测,最后将检测结果图进行阈值分割,得到一幅二值图像。最后使用ROC曲线对检测结果进行评价,通过与RX、KRX算法对比,证明本文方法得到的结果具有较高的检测率和较低的虚警率,充分说明文中方法的有效性。

基于RX算法的高光谱红外弱小目标检测

主要针对高光谱红外图像中弱小目标的检测方法进行研究,根据目标检测的RX算法模型,给出了算法在高光谱目标检测中的性能评价,分析了检测器像元数、光谱波段数对算法性能的影响,在RX算法及相关改进算法的基础上,通过对AVIRIS数据的仿真实验,分析了相关矩阵在高光谱目标检测中算法的应用优势,提出了一种目标自动检测方法,验证了UTD算法对有特定波段依赖性的小目标有良好检测效果。理论分析和仿真实验证明了RX算法在红外高光谱目标自动检测中的有效性。

服务于赤潮高精度快速检测的决策树RX高光谱遥感算法

本文应用辽东湾鲅鱼圈研究区赤潮高光谱遥感数据,针对互信息RX(Reed-Xiaoli)和传统相关系数RX等单源算法赤潮检测结果不稳定,可能出现漏检和误检的问题,提出基于互信息和相关系数的决策树RX赤潮高精度检测模型,结果表明:与单源算法相比,决策树RX算法赤潮高光谱遥感检测得到的ROC曲线较稳定;与经典的非监督和监督遥感分类算法相比,决策树RX算法的错分情况明显减少,检测精度较高,总体精度达96%以上;子空间划分得到的特征波段组合,能够在不降低赤潮检测精度的前提下,检测速度提高3倍;耀斑抑制后数据1的特征波段组合赤潮检测总体精度提高了1.82%。

基于空间分布特性多层RX高光谱点目标检测

针对目前高光谱图像异常点目标检测过程中准确率低和虚警率高的问题,本文结合目标的空间分布特性,提出了一种多层级RX检测方法。通过计算被检测区域图像谱向相似性响应图,采用非线性抑制的方法,突出点目标并抑制背景。为进一步提高检测算法的表达能力和泛化性能,采用多级检测器级联的方式,逐层级增强异常点处的相对能量,削弱背景的影响,从而达到较高的检测性能。在外场挂飞试验数据集上进行验证,结果表明:该方法AUC值达到0.9881,明显优于CEM算法的0.9626和传统RX算法的0.9392。

基于波段选择的RX改进算法

针对高光谱检测亚像元飞机的问题,提出基于大气吸收谱段的改进RX异常检测算法,实现亚像元检测能力和检测效率的提升。阐述了改进算法的基本原理,对比了10 km高度和地面大气吸收系数的曲线差异,建立了改进算法的检测模型,采用仿真的客用飞机可见-短波高光谱数据和海水背景高光谱数据,获得了信噪比10 dB的高光谱仿真图像。采用经典RX算法和基于4个大气吸收波段的改进RX算法,对150个谱段仿真图像进行检测,获得了2种算法亚像元的检测能力和受试者工作特征(ROC)曲线。结果显示,改进RX算法能够有效提升亚像元检测能力,缩短检测时间。

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。

基于多尺度分解的超光谱图像异常检测

提出了一种基于多尺度分解的超光谱图像异常检测算法。在目标和背景均未知的前提下,利用光谱和空间两种信息完成对异常目标信号的定位,从而实现超光谱遥感数据中异常目标检测。首先利用非下采样塔式变换对超光谱图像进行分解,将其划分为不同尺度子块;然后依据超光谱图像同一波段不同尺度空间内相邻系数的相关性,采用不同波段各个尺度空间的反锐化掩模方法优化背景数据分布,从而抑制异常数据对背景的干扰;最后利用设计的核RX算子得到异常目标检测结果。为验证方法的有效性,利用真实和模拟的AVIRIS数据进行了实验,并与经典RX算法相比较,实验结果表明,基于非下采样塔式分解的异常检测方法具有更好的检测性能和较低的虚警。

基于Hausdorff度量的高光谱异常目标检测算法

高光谱遥感异常目标检测中,目标和背景光谱信息难以精确地界定,导致目标检测性能下降。针对经典RX检测算法存在虚警概率高、计算量大、过程繁琐等缺点,将Hausdorff度量引入高光谱异常检测,利用改进的Hausdorff距离(MHD)从光谱匹配程度的角度,进行了高光谱异常目标检测,最大程度地将异常目标和背景分离。采用模拟数据和真实高光谱数据进行大量实验,检测性能大幅提升,算法的计算效率提高了60%,证明了本文算法比RX算法、因果RX算法和KRX算法检测效果好,效率高等优势,算法的低复杂度特性为硬件实现提供了良好的算法支持。

基于目标正交子空间投影加权的高光谱图像异常检测算法

在高光谱图像的异常目标检测问题中,针对原始数据源不能正确地表征背景数据的分布而造成虚警概率较高的现象,本文提出了一种基于目标正交子空间投影加权的KRX高光谱图像异常检测算法。该算法从背景协方差矩阵的估算角度入手,将每个像素投影到目标的正交子空间中,为每个像素自适应地赋予合适的权值,从而减小目标信息的存在对背景特性估计的影响。并用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。将该算法与其他算法进行了比较,结果表明,本文提出算法的检测性能明显地优于传统算法,降低了虚警概率,具有较好的检测效果。

一种新的基于结构的神经网络规则抽取方法

针对已有规则抽取方法的不足,提出一种新的基于结构的神经网络规则抽取方法(SRE)。SRE在保证网络精度的情况下,自动确定最优的剪枝参数,而且抽取出的规则更为简练。最后以银行贷款风险预警为例,分别采用SRE和RX两种方法进行规则抽取,并对结果进行比较分析,结果表明,SRE抽取出的规则不仅简单,而且效果更好。

基于密度背景纯化的高光谱异常检测算法

在高光谱图像异常检测中,背景存在异常像元会造成背景统计信息失真,这将导致检测结果具有较高的虚警率。针对此问题,本文提出了一种基于密度背景纯化的异常检测算法。首先计算背景中每个像元的密度;然后根据高光谱图像中背景密度远大于异常密度的特性,利用最大类间方差法将异常从背景中分离;最后,将纯化后的背景用于统计信息的估计,通过RX检测算法(Reed-Xiaoli detector,RXD)对高光谱图像进行检测。为验证算法的有效性,利用两组真实的高光谱数据进行仿真实验。实验结果表明与RXD比,所提算法在两组数据下的曲线下面积值分别提高了0.024 6和0.008 6。与当前的异常检测算法相比:所提算法有较好的接收机工作特性曲线。

多窗口融合判别子空间的高光谱图像异常检测

由于高光谱图像异常检测受到不规则背景和噪声的干扰,直接应用传统的RX异常检测算法会造成很高的虚警和很大的运算量.针对这一问题,提出了一种基于判别子空间的结合多窗口融合的RX算法.首先在无先验信息的前提下采用聚类的方式得到样本类别,并对占优聚类样本进行判别特征提取;然后利用正交子空间投影使背景和目标信息达到最大程度的分离以实现对背景的抑制,从而在抑制背景的基础上利用局部多窗口融合的RX算法进行异常检测;最后将AUC值作为评价检测方法性能的指标. NUANCE和HYDICE高光谱数据异常目标检测实验的AUC值统计结果表明:多窗口融合算法在检测性能方面优于经典的全局和局部RX算法,它对背景和噪声有更强的抑制作用,且检测到的异常目标精确,可见该算法是有效而可行的.

基于色彩空间变换与异常检测的多光谱舰船感兴趣区域检测

针对多光谱遥感图像中复杂海面背景下海上舰船检测问题,在高斯模型RX异常检测算法的基础上进行改进,提出一种基于色彩空间变换的复杂海面上舰船感兴趣区域(ROI)的自动检测方法,解决了传统的阈值分割方法在遥感图像复杂海面背景下较难将目标与背景分离的问题。在多种不同复杂海面背景下的舰船ROI检测实验中,与传统阈值分割方法比较,该舰船ROI检测方法有较好的检测效果。

基于机器学习的多光谱舰船图像异常目标检测方法

针对现有舰船异常目标检测方法,出现高相似度异常目标辨识度低的问题。提出基于机器学习的多光谱舰船图像异常目标检测方法,基于机器学习技术,对现有图像分析算法进行优化改进,通过采用多光谱AI协同CRD算法对图像构成原子进行划类提取,明确目标图像边缘。在此基础上,利用精准图源RX处理算法,精准确认图像内异常目标特征,完成提出的方法设计。对比实验证明,提出的基于机器学习的多光谱舰船图像异常目标检测方法,能够准确识别恶劣环境下的图像目标异常,具备高精度识别高相似度图像内的异常目标的要求,并且在处理速度、运算稳定性与后期学习能力上都优于传统舰船图像异常目标检测方法。

基于光谱角背景纯化的高光谱异常检测算法

为了解决利用高光谱图像进行异常检测时结果不准确、虚警率较高的问题,提出了一种基于光谱角背景纯化的异常检测算法。该算法以局部RX算法为基础,根据光谱角距离分离出内外窗口间背景像元中的异常成分,得到纯化后的背景像元,然后进行异常检测。为验证算法的有效性,选取了两组机载可见光/红外光成像光谱仪真实高光谱数据进行仿真实验,并与经典的全局RX、局部RX算法进行对比。结果表明,与局部RX算法相比,该算法在两组数据下的曲线下面积分别提高了0.0317和0.0053。这些结果为下一步的研究方向提供了参考。

基于像元递归的高光谱局部异常检测算法

阐述了基于传统RX算法(Reed-Xiaoli Detector,RXD)架构的高光谱实时局部异常检测算法研究方案.基于高光谱空间成像方式的特点,针对摆扫型成像光谱仪逐像元成像的机理,采用局部因果阵列窗,两次利用Woodbury矩阵求逆引理,实现高光谱目标的局部异常检测.首先,将经典的矩阵窗改进为滑动因果阵列窗;然后,对局部实时算子的因果阵列窗窗长的参数设定进行优化,选取四组数据进行测试对比,选取最优参数;最后,就检测结果灰度图、ROC曲线(Receiver Operating Characteristic Curve)、AUC数值(Area Under Curve)以及算法运行时间等四个方面,对局部异常检测算子与经典双窗算子、全局实时算子分别进行仿真实验比较.结果表明,虽然因果阵列窗窗长的参数优化使局部异常检测算子的计算复杂度有略微升高,但异常目标点的观测更加清晰,AUC值明显提高,具有更好的检测效果.

一种改进的星上高光谱异常检测算法研究

为解决传统RX异常检测算法导致的星上高光谱图像异常检测准确率低、成本高等问题,对一种改进的星上高光谱异常检测算法进行了研究。在传统RX异常检测算法的基础上,用噪声自适应主成分变换对原始图像进行变换,选择变换后大于设定的合适信噪比阈值的数据;用局部正交子空间投影(LOSP)算法将相应数据投影到正交子空间获得图像残差数据,通过抑制背景等强干扰信息而突出小概率的异常目标信息;用空域滤波方法提取残差数据的特征,将大部分图像信息以某种标准集中于少数的主成分;对获得的波段子集用中值滤波器滤波,消除噪声干扰;用RX异常检测算子对滤波后的波段子集进行异常目标检测。试验结果证明了算法的有效性,算法通过数据量压缩,降低维度、抑制干扰信息,减少了异常检测处理的数据量以提高异常检测效率和精度。