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。

采用选择性分段PCA算法的高光谱图像异常检测

针对高光谱图像维数高且数据量大给数据分析和处理带来了极大的困难,提出了一种基于选择性分段主成分分析(SSPCA)算法的异常检测方法.该算法首先根据波段之间的相关性将一组多维的高光谱数据划分成多组波段子集,然后分别对各波段子集进行主成分分析,并综合每个波段子集中局部平均奇异度最大的一个波段,用于最后的KRX异常检测.最后用AVIRIS高光谱数据进行了实验研究,并与KRX算法以及选取信息量最大波段的相应算法进行了比较.结果表明,其检测性能得到了较好地改善,取得了较好的检测效果和较低的虚警率.

基于局部核RX算法的高光谱实时检测

提出了一种基于LKRX检测器的实时异常检测算法.利用局部因果滑动阵列窗,使检测系统保持因果性.根据卡尔曼滤波器的递归思想,利用Hermitian矩阵分块求逆引理和Woodbury引理,将LKRX算法中核协方差矩阵以及其逆矩阵以递归方式更新,避免了数据的重复计算和逆矩阵的求解,大大降低了算法复杂度.通过真实数据进行实验,结果表明,与LKRX算法相比,实时LKRX算法在保持相同检测精度的同时,消耗更少的计算时间;而与实时RX算法相比,实时LKRX算法能够检测到更多的异常目标.

一种改进PCA与IHS融合的高光谱图像异常检测算法

高光谱图像空间分辨率不足容易导致异常检测虚警率过高,针对此提出了一种新的异常检测算法。算法首先利用主成分分析PCA对低分辨率高光谱图像进行主成分提取,然后对所提取的主成分和高分辨率图像分别进行IHS变换,分别得到各自的强度分量。运用IHS变换的可逆性,将高光谱数据新的强度分量与原色度分量H和饱和度分量S进行IHS逆变换,得到空间信息增强的高光谱图像数据,最后使用改进的KwRX算法对空间信息增强的高光谱图像数据进行异常检测。仿真实验表明,与KRX算法、PCA-KRX算法相比,本算法在检测目标像素数和虚警个数上都有较大的改善,说明了本算法的的有效性和可行性。

基于最小噪声分离变换的高光谱异常检测方法研究

RX算法和核RX算法能很好地分离目标和背景,是较为广泛使用的异常检测算法,但是高光谱图像数据量大且存在冗余信息和噪声,直接进行RX及核RX异常探测运算量大且容易受噪声影响。针对此问题,提出一种基于最小噪声分离变换的高光谱图像异常检测方法,首先采用残差分析法估计噪声协方差矩阵以改进最小噪声分离变换,然后利用改进后的最小噪声分离变换来有效地降低高光谱图像数据的维数并分离出噪声,最后对低维降噪后的数据进行RX及核RX异常检测,避免了随机噪声对RX及核RX异常检测结果的影响并提高了异常检测率。对真实的AVIRIS数据测试表明,该算法优于传统的相应的RX、核RX异常检测算法。

高光谱异常检测中背景抑制方法研究

针对高光谱图像复杂背景导致异常检测效果下降的问题,提出了一种新的异常检测方法。首先使用小波分解将原始高光谱图像分解成高频信息图像和低频信息图像,使用主成分分析(PCA)方法抑制高光谱原始图像的背景信息;然后将背景抑制后图像和高频信息图像融合,得到处理后图像;最后使用Kerner-Reed-Xiaoli(KRX)算法进行异常检测,并仿真证明了本文方法在提高异常检测效果和效率方面的有效性。

Listing in Korea

As the Korean Exchange develops, Chinese companies could have a big role to