亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于多孔徑映射的高光譜異常檢測算法

        2016-11-24 09:14:50朱國康張學武范新南李普煌
        測繪學報 2016年10期
        關鍵詞:全局孔徑背景

        李 敏,朱國康,張學武,范新南,李普煌

        1.河海大學物聯(lián)網工程學院,江蘇 常州 213022;2.上海電力學院計算機科學與技術學院,上海200090

        ?

        基于多孔徑映射的高光譜異常檢測算法

        李 敏1,朱國康2,張學武1,范新南1,李普煌1

        1.河海大學物聯(lián)網工程學院,江蘇 常州 213022;2.上海電力學院計算機科學與技術學院,上海200090

        針對高光譜遙感異常檢測中復雜背景與異常目標之間光譜特征相關性導致背景模型難以準確估計的問題,提出了一種基于多孔徑映射的高光譜遙感異常檢測算法。首先,不同于背景建模提取背景特征的方法,多孔徑映射從不同角度提取數(shù)據(jù)特征,通過構建基集合表征高光譜數(shù)據(jù)的光譜特性,獲得用于衡量統(tǒng)計差異的異常顯著性指標。其次,為了實現(xiàn)對具有適中及低異常顯著性像素的精細分析,本文基于模糊邏輯理論構建隸屬度函數(shù)獲得關于像素異常顯著性的連續(xù)性屬性標記,并將隸屬度值作為權重,通過加權迭代過程實現(xiàn)多孔徑映射的自適應收斂。最后,借鑒模糊邏輯理論中的去模糊機制,對多孔徑檢測結果進行融合,獲得最終的檢測結果。本文仿真試驗采用高光譜遙感數(shù)據(jù),從穩(wěn)健性及對低顯著度目標敏感性方面對算法進行驗證。

        高光譜遙感;異常檢測;多孔徑映射;模糊邏輯

        隨著傳感器技術的不斷發(fā)展,高光譜遙感實現(xiàn)了地表地物波譜信息的精細描述,這使得面向地表特定目標的遙感目標檢測與辨識技術成為可能。與此同時,通過光譜特征分析技術挖掘具有特殊光譜變化特征區(qū)域的遙感異常檢測技術引起了學者們的廣泛關注。遙感異常檢測技術是一種無須目標光譜先驗信息的盲檢測技術,旨在通過數(shù)據(jù)分析的方法挖掘具有特殊光譜變化特性的感興趣目標,在國防軍事安全、精準農業(yè)耕作、地質勘測、環(huán)境檢測等諸多領域具有重要的應用價值[1-3]。

        通常,異常目標具備兩個特征:①不同于周圍背景的特殊波譜變化特性;②出現(xiàn)概率較小,在空間分布特征上表現(xiàn)出稀疏性。基于該假設前提,若周圍背景的光譜特征可由統(tǒng)計模型描述,那么不同于背景光譜特征的像素則被判定為異常,這類異常檢測算法統(tǒng)稱為基于背景建模的異常檢測算法。該算法中背景模型描述光譜變化特征的準確性與穩(wěn)健性決定了異常檢測效果。因此,如何獲得準確且穩(wěn)健的背景模型是這類異常檢測算法的關鍵。目前基于背景建模的異常檢測算法根據(jù)所描述的背景范圍,可將其分為局部背景建模與全局背景建模兩種。

        局部背景建模僅考慮待測像素周圍領域的背景,選取待檢測像素周圍局部區(qū)域內的像素作為背景進行建模,不僅實現(xiàn)了局部背景光譜變化的特征描述,同時降低了背景協(xié)方差矩陣的計算量。最經典的基于局部背景建模的異常檢測算法是在1990年由文獻[4]提出的LRX算法,該算法在背景光譜特征平滑且服從高斯分布的假設前提下,通過滑動窗口獲得每個待測像素周圍的背景區(qū)域并進行參數(shù)估計,從而實現(xiàn)基于局部背景建模的異常檢測。由于該算法無須滿足全局背景平滑的假設,可以較好地適應背景在光譜特征與空間特征上的不斷變化,因此針對復雜背景下的異常檢測,基于局部背景建模的異常檢測算法可以獲得較理想的檢測效果。然而,由于LRX算法缺乏對全局背景的統(tǒng)一描述,容易產生局部異常[5]。

        全局背景建模從全局角度描述背景光譜統(tǒng)計特性,試圖構建關于背景的全局統(tǒng)一描述用于克服局部異常問題。目前基于全局背景建模的異常檢測算法主要有基于多元正態(tài)分布模型的異常檢測算法[6](multivariate normal,MVN)、基于分類的異常檢測算法[7-8](cluster-based anomaly detector,CBAD)和基于子空間變換的異常檢測算法[9](sub-space RX,SSRX),這些算法均從不同的角度實現(xiàn)了對全局背景光譜變化特征的統(tǒng)一描述。多元正態(tài)分布模型MVN在滿足全局背景光譜特征描述要求的同時,其扎實的理論基礎和易于處理的數(shù)學特性保證了算法較低的計算復雜度。CBAD算法通過分類算法將復雜背景描述問題轉換為多個簡單背景描述問題獲得了較好的檢測效果。然而,由于缺乏背景地物種類數(shù)量的先驗知識,最優(yōu)分類結果難以確定從而影響異常檢測算法的性能。

        全局背景建模避免了局部異常問題,但由于模型描述范圍較大,尤其是存在復雜光譜變化特性的背景,較難獲得合適的統(tǒng)計模型;另外,模型參數(shù)估計需涉及全局背景像素,在無任何異常先驗信息的前提下,純背景像素子集較難獲得。而當背景像素子集混入異常像素時,檢測算法對異常目標的敏感度將大大降低,從而導致漏檢率升高[10]。為了降低異常對背景估計的干擾,許多新穎的全局型異常檢測算法不斷涌現(xiàn),在背景參數(shù)估計穩(wěn)健性及復雜背景描述等方面取得了較好的效果。

        基于塊自適應計算的高效異常檢測算法(block adaption computationally outlier nominator,BACON)[11]解決了純背景子集難以獲得及遍歷時間長等問題,采用迭代估計最大可能地逼近真實背景模型,從而實現(xiàn)異常檢測。該算法檢測速度快,穩(wěn)健性好?;诳沼蛳嚓P性濾波器的異常檢測算法(whitening special correlation filtering,WSCF)[12]無須背景建模,實現(xiàn)了全局異常檢測,特別是對較大尺寸異常目標的檢測效果較顯著?;陔S機子集估計的異常檢測算法(random selection anomaly detector,RSAD)[13-14]試圖克服BACON對背景子集選擇的單一性,采用隨機抽取背景像素的方法獲得初始估計,并通過多次隨機選擇與反復迭代消除異常對背景子集的干擾,獲得更加準確的全局背景描述。然而,RSAD與BACON類似,同樣涉及閾值計算問題?;诤俗儞Q的RX算法[15-17]是一種借助子空間變換的全局性異常檢測算法,通過核函數(shù)的非線性映射將高光譜數(shù)據(jù)映射到高維特征空間,獲得可由高斯模型描述的高維特征信息。然而尺度參數(shù)的選擇決定了模型描述能力。基于區(qū)分測度學習的異常檢測算法[18]通過流型理論,分析像素最近鄰域的可分解性判定是否存在異常?;诼兓盘柗治龅漠惓z測算法[19]是在假設背景光譜特征具有緩慢變化特性的前提下,提取具有緩慢變化特性的數(shù)據(jù)實現(xiàn)異常檢測。然而,復雜背景下異常檢測準確率低的根本原因在于背景的復雜空間結構,導致背景與異常在光譜特征上存在相關性,因此,純背景像素難以獲取,無法準確地描述復雜背景。

        昆蟲視覺的多孔徑系統(tǒng)通過若干獨立單個子孔徑獲得關于整個視場的統(tǒng)一完整的描述,是一種兼顧局部特征與全局特征的綜合系統(tǒng)。每個孔徑中視場的大小由孔徑的直徑確定,相鄰孔徑之間互不干擾,獨立成像??讖絻瘸傻南駮蚩讖浇嵌炔煌煌?,具有局部區(qū)域特性,可以實現(xiàn)對存在局部特征差異的復雜背景的描述。與此同時,昆蟲多孔徑視覺系統(tǒng)的融合處理機制負責綜合各個孔徑的觀測結果,獲得關于場景的全局性整體感知。昆蟲的多孔徑視覺成像系統(tǒng)對細節(jié)描述與全局感知的優(yōu)勢有效地平衡了局部差異性與全局一致性之間的矛盾。

        本文借鑒昆蟲多孔徑視覺系統(tǒng)中并行子孔徑分析與融合決策的相關機理,提出一種基于多孔徑映射的高光譜異常檢測器(multi-aperture anomaly detector,MAAD)。首先,通過構建多孔徑映射模型將高光譜數(shù)據(jù)電磁波譜范圍按照光譜亮度變化從高到低拆分為不同的子孔徑,并從每個子孔徑中獲得關于高光譜數(shù)據(jù)中局部電磁波譜的變化特征。然后,從異常目標光譜特征的相對異常性出發(fā),通過對子孔徑的分析判斷,獲得待測像素在特定子孔徑下的屬性結果,并通過模糊隸屬度值進行編碼,實現(xiàn)對適中異常顯著性像素的屬性分析。最后,將不同孔徑下獲得的屬性判定結果進行融合,獲取全局視角下的異常檢測結果。為了增強算法的穩(wěn)健性,本文通過迭代估計獲得子孔徑映射結果。在迭代過程中采用像素隸屬度值作為權重估算背景特征。另外,為了增強算法對低異常顯著性目標的敏感性,本文設計的融合規(guī)則將最大限度地降低漏檢率。本文算法無須背景建模與先驗信息,仿真試驗采用真實高光譜遙感數(shù)據(jù)對算法的穩(wěn)健性及低顯著性異常目標的敏感性進行驗證。

        1 高光譜數(shù)據(jù)的多孔徑映射

        1.1 總體框架設計

        基于多孔徑映射的高光譜異常檢測算法流程如圖1所示,該算法主要包括3個部分。

        圖1 MAAD信息處理流程Fig.1 Flow chart of information process by MAAD

        (1) 借鑒昆蟲多孔徑視覺系統(tǒng)的映射過程,將高光譜數(shù)據(jù)進行多孔徑映射處理。本文中采用加權迭代估算多孔徑映射結果。每個子孔徑對應一段電磁波譜變化范圍,不同子孔徑對應的電磁波譜范圍不重疊,所有子孔徑的電磁波譜覆蓋了整個高光譜數(shù)據(jù)電磁波譜范圍。根據(jù)映射結果提取每個子孔徑內像素光譜均值向量與協(xié)方差向量作為該子孔徑的基,因而整個高光譜數(shù)據(jù)的光譜特征可由所有子孔徑基的集合進行表征。子孔徑映射的初始估計由歐氏距離的聚類計算獲得,迭代過程中將像素的異常顯著性作為像素光譜值的權重,采用全局像素計算子孔徑基的加權估計值,最后通過比較相鄰兩次均值變化量作為迭代終止條件。

        (2) 參考子孔徑基,計算全局范圍內所有待測像素的異常顯著性,用于衡量待測像素與子孔徑基之間的光譜特征相對統(tǒng)計差異??紤]到多孔徑映射中各個子孔徑互不相同,參考不同子孔徑基將獲得不同的異常顯著性。為了對不同孔徑下異常顯著性的統(tǒng)一描述及融合處理,本文采用模糊邏輯理論,通過隸屬度函數(shù)映射將待測像素的異常顯著性轉化為表示屬性概率的隸屬度值。與二值化標記相比,這種模糊化的屬性標記方法實現(xiàn)了對具有適中異常顯著性像素屬性的精細描述,彌補了傳統(tǒng)檢測算法無法對低顯著度像素屬性進行精細分析的缺點。

        (3) 本文借鑒模糊邏輯理論中的去模糊機制,對多孔徑下獲得的不同檢測結果進行融合。首先,將各個子孔徑基下獲得的檢測結果按照屬性類別進行疊加;然后,通過比較異常屬性與非異常屬性概率累計值的大小,將有較大隸屬度值的屬性作為最終的檢測結果。

        1.2 多孔徑映射模型

        (1)

        (2)

        2 基于多孔徑映射的異常檢測算法

        2.1 異常顯著性指標

        (3)

        2.2 異常顯著性的模糊分析

        模糊邏輯理論在描述事物的不確定、模糊性等問題上具有不可替代的優(yōu)勢。模糊邏輯理論不同于傳統(tǒng)的集合理論,它采用連續(xù)型的隸屬度值表征變量屬性的不確定性,更能滿足實際應用的需要。其中Pal和Rosenfeld函數(shù)[19]是較經典的模糊隸屬度函數(shù),常用于處理圖像增強及目標檢測中的模糊邊界判定問題。

        2.2.1 隸屬度函數(shù)映射

        基于以上分析,通過隸屬度函數(shù)映射,可將待測像素Ii的異常顯著性向量映射為該像素的隸屬度向量。采用隸屬度值向量不僅實現(xiàn)了距離的歸一化處理,同時還有利于融合計算。隸屬度值的大小代表待測像素屬于異常的概率值。具體操作如下:根據(jù)Pal和Rosenfeld隸屬度函數(shù)的定義,對于待測像素Ii在子孔徑sl基下,其異常顯著性d(i,l)可映射為一對隸屬度值v0(i,l)和v1(i,l),分別用于表示待測像素Ii屬于非異常或異常的概率值

        (4)

        (5)

        (6)

        (7)

        式中,max_dl為子孔徑sl基下全局內所有待測像素異常顯著性的最大值;min_dl為子孔徑sl基下全局內所有待測像素異常顯著性的最小值;a和c會隨子孔徑映射結果自適應地調節(jié)大??;參數(shù)β1、β2控制異常與非異常之間統(tǒng)計差異(0≤β1,β2<1)。

        v0(i,l)+v1(i,l)=1

        (8)

        2.2.2 融合去模糊決策

        考慮到單個子孔徑基對整個高光譜數(shù)據(jù)表征的片面性以及子孔徑與子孔徑之間的電磁波譜特征的差異性,相同待測像素在不同子孔徑基下其屬性判定結果可能不同,且每個屬性判定結果都具有相同的可信度。因此,應綜合考慮所有子孔徑基下的屬性判定結果,給出待測像素屬性的最終檢測結果。

        (9)

        式中,V0(i)和V1(i)為像素Ii屬于異?;蚍钱惓5碾`屬度值,L為孔徑數(shù)。通過比較V0(i)和V1(i)的值,將具有較高概率值的屬性作為像素Ii的最終檢測結果

        (10)

        式中,Iouti是像素Ii的最終檢測結果,值為1表示像素Ii屬于異常;值為0表示像素Ii屬于背景。

        2.3 算法設計

        為了獲得穩(wěn)健的多孔徑映射結果,本文采用迭代估計的方法不斷逼近最優(yōu)的映射結果??紤]到迭代過程中初始估計不影響迭代結果,因此采用簡單快速的歐氏距離聚類算法獲得關于多孔徑映射的初始估計。

        2.3.1 初始估計

        統(tǒng)計高光譜遙感各波段光譜亮度的最小值與最大值分別組成向量Ilow及向量Ihig。根據(jù)孔徑數(shù)目L,將高光譜數(shù)據(jù)的電磁波譜范圍[Ilow,Ihig]等分為L個子集。每個子集都對應一個子孔徑。按照光譜亮度從低到高定義第一個子孔徑為s1,其光譜亮度的最小值為Ib1即整個高光譜數(shù)據(jù)的最小光譜亮度值。其余子孔徑中光譜亮度的最小值Ibl可由Ib1得到

        (11)

        式中,Ibl的大小為1×K的響鈴,K為高光譜數(shù)據(jù)的波段總數(shù);Ibl是子孔徑sl光譜亮度的最小值或稱基本水平?;谧涌讖絪1初始映射估計,計算全局待測像素Ii與子孔徑sl初始亮度值Ibl之間的歐氏距離

        (12)

        式中,較小Mori,l表示待測像素Ii與子孔徑sl的光譜特征差異性較小,從而判定像素Ii屬于子孔徑sl;反之,像素Ii不屬于子孔徑sl。本文設置閾值ζ對待測像素與子孔徑之間的從屬關系進行區(qū)分,并采用標記變量U(i,l)標記待測像素Ii的歸屬特性

        (13)

        式中,U(i,l)=1表示待測像素Ii屬于子孔徑sl;U(i,l)=0表示待測像素Ii不屬于子孔徑sl;閾值ζ定義如式(14)所示

        ζ=Ibl+γ×(Ibl-Ibl-1)

        (14)

        式中,[Ibl,Ibl-1]是子孔徑sl的光譜亮度變化范圍;參數(shù)γ(0≤γ≤1)為誤差調節(jié)參數(shù),用于增強算法對噪聲干擾的穩(wěn)健性。

        2.3.2 加權迭代更新

        考慮到待測像素的隸屬度值v0(i,l)的大小反映了該像素屬于非異常屬性的概率,本文將v0(i,l)作為權重,采用全局像素計算子孔徑sl的均值向量與協(xié)方差矩陣

        (15)

        (16)

        基于以上分析,多孔徑映射下的高光譜遙感異常檢測算法流程如下:

        (1) 子孔徑sl光譜亮度值的初始估計Ibl;

        (2) 根據(jù)歐氏距離聚類獲得子孔徑sl映射初始估計;

        (4) 計算待測像素Ii的異常顯著性d(i,l);

        (5) 根據(jù)模糊函數(shù)計算Ii的隸屬度值[v0(i,l),v1(i,l)];

        3 試 驗

        3.1 試驗數(shù)據(jù)

        本文選擇不同類型遙感平臺獲得的真實高光譜遙感數(shù)據(jù)對本文算法的檢測效果進行試驗驗證。

        3.1.1 HYDICE數(shù)據(jù)

        該數(shù)據(jù)是通過機載HYDICE傳感器獲得。HYDICE成像系統(tǒng)的光譜分辨率為10 nm,空間分辨率為1 m。去掉低信噪比波段及水蒸氣吸收波段后,剩余160個波段。整組數(shù)據(jù)大小為307×307像素,背景包含不同的地物種類,如植被、建筑物、瀝青路面和機動車??紤]到異常目標光譜特征及尺寸大小等因素,選取圖2(a)中右上角部分作為試驗場景。異常目標為地面機動車與建筑物屋頂,其真實地表參考位置如圖2(b)所示,異常目標尺寸約為1×2~2×2個像素之間。

        3.1.2 HyMap數(shù)據(jù)

        該數(shù)據(jù)是由HyVista提供的HyMap成像光譜儀拍攝,為美國蒙大拿州庫克城區(qū)域的地表數(shù)據(jù)。HyMap成像儀的空間分辨率為3 m,提供126個波段的光譜數(shù)據(jù)。本文選擇大小為100×100像素的市中心區(qū)域作為試驗場景如圖2(c)所示,其中包括道路,屋頂和車輛。該區(qū)域的地面參考數(shù)據(jù)由The Target Detection Blind Test data網站提供[21],如圖2(d)所示,其中有包括建筑區(qū)和車輛6個真正的目標。不考慮單個像素的異常情況,異常目標包含35個異常像素,異常目標尺寸在2×2~3×3個像素之間。

        3.2 試驗結果

        將本文提出的算法與經典的異常檢測算法進行比較,如LRX、BACON、RSAD、CBAD和2DCAD。檢測結果如圖3所示。LRX是基于高斯分布統(tǒng)計理論的經典異常檢測算法,本文中考慮到異常目標的尺寸在4×4像素以內,因此選擇局部滑動窗口的尺寸為13×13像素,檢測結果的閾值為95%×Max(dis(xi))。RSAD是通過對背景模型數(shù)據(jù)的多重估計,旨在獲得準確的背景模型。在卡方分布的前提假設下,用于計算分割閾值的卡方參數(shù)χ2(K)中自由度為波段數(shù)K,初始背景子集中像素的個數(shù)為c×K,其中c=5;迭代終止條件為子集像素個數(shù)增長在10個像素以內。高階二維交叉濾波器(2-D crossing anomaly detector,2DCAD)[22]根據(jù)異常目標因其特殊光譜特性產生高頻邊緣信息實現(xiàn)異常檢測??紤]到異常目標尺寸在4×4像素之內,因此2DCAD的窗口尺寸為內部窗口7×7像素,外部窗口11×11像素。本文算法中的兩個參數(shù)β1和β2的值為β1=β2=0,均值誤差參數(shù)ε=10,孔徑數(shù)為6。兩種數(shù)據(jù)的檢測結果如圖3和圖4所示。

        HYDICE數(shù)據(jù)中目標尺寸較小,周邊存在較明顯的邊緣信息。結合HYDICE數(shù)據(jù)的地表參考數(shù)據(jù),可知本文算法可將圖2(a)中異常目標全部檢測到,如圖3(e)所示。RSAD與BACON算法獲得檢測結果比較相似,2DCAD對具有邊緣特征的目標非常敏感,因此圖像中的道路邊緣也當作目標檢測出來,導致虛警。

        HyMap數(shù)據(jù)中異常目標的光譜異常性不顯著,而背景中的地物光譜亮度較高,因此異常目標的顯著性降低。LRX算法可以檢測到部分異常目標,但是虛警率較高。RSAD與BACON可以檢測到圖像中的一個異常目標。由于背景中存在一個光譜亮度較高的背景物體,邊緣特征顯著,對該背景地物較敏感2DCAD算法僅僅獲得了背景地物的檢測結果。CBAD的檢測結果中可以觀測到3個異常目標,但是虛警率較高。本文算法檢測結果如圖4(e)所示。雖然本文算法也將背景中的高亮度目標作為異常檢測出來,產生虛警,但是對于真實異常目標,本文算法同樣獲得較好的命中率,如圖4(f)所示。

        3.3 評價與分析

        本文采用ROC曲線及AUC對不同檢測算法的效果進行定量比較。考慮到2DCAD是通過邊緣特征信息進行二值化的分割,因此無法采用ROC曲線進行分析。其余算法例如CBAD、BACON、RSAD、LRX與本文算法(multi-aperture anomaly detector,MAAD)進行虛警率比較。對于HYDICE數(shù)據(jù)檢測結果的ROC曲線如圖5所示,HyMap數(shù)據(jù)檢測結果的ROC曲線如圖6所示。同時將不同檢測算法獲得結果的AUC值進行比較,如表1所示。

        分析各類算法的虛警率指標,可知MAAD算法在虛警率上優(yōu)于BACON與RSAD算法,且明顯優(yōu)于LRX算法與CBAD算法。但是考慮到MAAD算法無須涉及參數(shù)計算問題,相對比BACON與RSAD算法,MAAD算法自適應強。

        4 結 論

        針對復雜背景下異常與背景在光譜特征上的相關性,純背景像素難以提取以及異常像素的光譜異常顯著性下降問題,本文提出了一種基于多孔徑映射的異常檢測算法。該算法有以下幾個優(yōu)點:首先,該算法避開尋找純背景像素構建背景模型的方式,采用多孔徑映射獲得關于高光譜數(shù)據(jù)的統(tǒng)計特征描述,實現(xiàn)全局視角下對局部光譜變化特征的描述。其次,基于模糊邏輯理論將異常顯著性映射為連續(xù)的屬性概率值,采用定量描述分析具有適中異常顯著性像素的屬性,從而降低檢測虛警率。最后,采用去模糊融合方法對多孔徑獲得的不同結果進行融合,大大改善了檢測算法對微弱異常目標的敏感性。仿真試驗證明本文算法對于具有適中異常顯著性的目標具有較強的敏感性。同時滿足了復雜背景描述的局部差異性與全局一致性的要求。由于對異常目標的尺寸沒有特殊要求與限制,不涉及局部窗口選擇問題及參數(shù)計算問題,本文算法具有較好的自適應性與穩(wěn)健性。

        圖2 試驗數(shù)據(jù)及地表參考圖Fig.2 Experiment data and reference map of ground truth

        圖3 HYDICE數(shù)據(jù)的試驗驗證Fig.3 Experiment result of HYDICE data

        圖4 HyMap數(shù)據(jù)的試驗驗證Fig.4 Experiment result of HyMap data

        圖5 HYDICE數(shù)據(jù)的ROC曲線Fig.5 ROC curve of HYDICE data

        圖6 HyMap數(shù)據(jù)的ROC曲線Fig.6 ROC curve of HyMap data

        [1] MANOLAKIS D,SHAW G.Detection Algorithms for Hyperspectral Imaging Applications[J].IEEE Signal Processing Magazine,2002,19(1): 29-43.

        [2] CHANDOLA V,BANERJEE A,KUMAR V.Anomaly Detection: A Survey[J].ACM Computing Surveys (CSUR),2009,41(3): 15.

        [3] MATTEOLI S,DIANI M,CORSINI G.A Tutorial Overview of Anomaly Detection in Hyperspectral Images[J].IEEE Aerospace and Electronic Systems Magazine,2010,25(7): 5-28.

        [4] REED I S,YU X.Adaptive Multiple-band CFAR Detection of An Optical Pattern with Unknown Spectral Distribution[J].IEEE Transactions on Acoustics,Speech,and Signal Processing,1990,38(10): 1760-1770.

        [5] MATTEOLI S,VERACINI T,DIANI M,et al.Models and Methods for Automated Background Density Estimation in Hyperspectral Anomaly Detection[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(5): 2837-2852.

        [6] CATTERALL S P.Anomaly Detection Based on the Statistics of Hyperspectral Imagery[C]∥Proceedings of the SPIE 5546,Imaging Spectrometry X.Denver,CO: SPIE,2004: 171-178.

        [7] CHANG C I,CHIANG S S.Anomaly Detection and Classification for Hyperspectral Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(6): 1314-1325.

        [8] CARLOTTO M J.A Cluster-Based Approach for Detecting Man-Made Objects and Changes in Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(2): 374-387.

        [9] STEIN D W J,BEAVEN S G,Hoff L E,et al.Anomaly Detection from Hyperspectral Imagery[J].IEEE Signal Processing Magazine,2002,19(1): 58-69.

        [10] FRONTERA-PONS J,VEGANZONES M A,PASCAL F,et al.Hyperspectral Anomaly Detectors Using Robust Estimators[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2016,9(2): 720-731.

        [11] BILLOR N,HADI A S,VELLEMAN P F.BACON: Blocked Adaptive Computationally Efficient Outlier Nominators[J].Computational Statistics & Data Analysis,2000,34(3): 279-298.

        [12] GAUECL J M,GUILLAUME M,BOURENNANE S.Whitening Spatial Correlation Filtering for Hyperspectral Anomaly Detection[C]∥Proceedings of the IEEE International Conference on Acoustics,Speech,and Signal Processing.Philadelphia,PA: IEEE,2005,5: 333-336.

        [13] KANAEV A V,ALLMAN E,MURRAY-KREZAN J.Reduction of False Alarms Caused by Background Boundaries in Real Time Subspace RX Anomaly Detection[C]∥ Proc.SPIE 7334,Algorithms and Technologies for Multispectral,Hyperspectral,and Ultraspectral Imagery XV,733405.Orlando,Florida,USA: SPIE,2009: 733405.

        [14] DU Bo,ZHANG Liangpei.Random-Selection-Based Anomaly Detector for Hyperspectral Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(5): 1578-1589.

        [15] KWON H,NASRABADI N M.Kernel RX-Algorithm: A Nonlinear Anomaly Detector for Hyperspectral Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2005,43(2): 388-397.

        [16] MATTEOLI S,DIANI M,THEILER J.An Overview of Background Modeling for Detection of Targets and Anomalies in Hyperspectral Remotely Sensed Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(6): 2317-2336.

        [17] KWON H,NASRABADI N M.Hyperspectral Anomaly Detection Using Kernel RX-Algorithm[C]∥Proceedings of the International Conference on Image Processing.Singapore: IEEE,2004,5: 3331-3334.

        [18] DU Bo,ZHANG Liangpei.A Discriminative Metric Learning Based Anomaly Detection Method[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(11): 6844-6857.

        [19] ZHAO Rui,DU Bo,ZHANG Liangpei,et al.Beyond Background Feature Extraction: An Anomaly Detection Algorithm Inspired by Slowly Varying Signal Analysis[J].IEEE Transactions on Geoscience and Remote Sensing,2015,54(3): 1757-1774.

        [20] PAL S K,ROSENFELD A.Image Enhancement and Thresholding by Optimization of Fuzzy Compactness[J].Pattern Recognition Letters,1988,7(2): 77-86.(本條文獻在正文中未被引用,請核對)

        [21] SNYDER D,KEREKES J,FAIRWEATHER I,et al.Development of A Web-Based Application to Evaluate Target Finding Algorithms[C]Proceedings of the International Geoscience and Remote Sensing Symposium.Boston,MA: IEEE,2008,2: 915-918.

        [22] YUAN Yuan,WANG Qi,ZHU Guokang.Fast Hyperspectral Anomaly Detection via High-Order 2-D Crossing Filter[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(2): 620-630.

        (責任編輯:張艷玲)

        An Anomaly Detector Based on Multi-aperture Mapping for Hyperspectral Data

        LI Min1,ZHU Guokang2,ZHANG Xuewu1,F(xiàn)AN Xinnan1,LI Puhuang1

        1.College of Internet of Things,Hohai University,Changzhou 213022,China;2. College of Computer Science and Technology,Shanghai University of Electric Power,Shanghai 200090,China

        Considering the correlationship of spectral content between anomaly and clutter background,inaccurate selection of background pixels induced estimation error of background model.In order to solve the above problems,a multi-aperture mapping based anomaly detector was proposed in this paper.Firstly,differing from background model which focused on feature extraction of background,multi-aperture mapping of hyperspectral data characterized the feature of whole hyperspectral data.According to constructed basis set of multi-aperture mapping,anomaly salience index of every test pixel was proposed to measure the relative statistic difference.Secondly,in order to analysis the moderate salience anomaly precisely,membership value was constructed to identify anomaly salience of test pixels continuously based on fuzzy logical theory.At same time,weighted iterative estimation of multi-aperture mapping was expected to converge adaptively with membership value as weight.Thirdly,classical defuzzification was proposed to fuse different detection results.Hyperspectral data was used in the experiments,and the robustness and sensitivity to anomaly with lower silence of proposed detector were tested.

        hyperspectral data; anomaly detection; multi-aperture model; fuzzy logical theory

        The National Natural Science Foundation of China (Nos.41301448; 61503235; 61273170; 61573128;61671202); The National Key Research Program of China (No.2016YEC0401606);The Fundamental Research Funds for the Central Universities (No.2015B25214)

        LI Min(1982—),female,PhD,lectuver,majors in target detection and image restoration

        李敏,朱國康,張學武,等.基于多孔徑映射的高光譜異常檢測算法[J].測繪學報,2016,45(10):1222-1230.

        10.11947/j.AGCS.2016.20160119.

        LI Min,ZHU Guokang,ZHANG Xuewu,et al.An Anomaly Detector Based on Multi-aperture Mapping for Hyperspectral Data[J].Acta Geodaetica et Cartographica Sinica,2016,45(10):1222-1230.DOI:10.11947/j.AGCS.2016.20160119.

        P237

        A

        1001-1595(2016)10-1222-09

        國家自然科學基金(41301448;61503235;61273170;61573128;61671202); 國家重大研發(fā)計劃(2016YEC0401606);中央高?;究蒲袠I(yè)務費專項資金(2015B25214)

        2016-03-25

        修回日期:2016-08-26

        李敏(1982—),女,博士,講師,研究方向為目標檢測與圖像恢復。

        E-mail:lm_0711@163.com

        猜你喜歡
        全局孔徑背景
        Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
        量子Navier-Stokes方程弱解的全局存在性
        “新四化”背景下汽車NVH的發(fā)展趨勢
        《論持久戰(zhàn)》的寫作背景
        當代陜西(2020年14期)2021-01-08 09:30:42
        落子山東,意在全局
        金橋(2018年4期)2018-09-26 02:24:54
        不同滲透率巖芯孔徑分布與可動流體研究
        分布式孔徑相參合成雷達技術
        雷達學報(2017年1期)2017-05-17 04:48:53
        晚清外語翻譯人才培養(yǎng)的背景
        基于子孔徑斜率離散采樣的波前重構
        新思路:牽一發(fā)動全局
        久久精品国产亚洲AⅤ无码剧情 | 亚洲色中文字幕无码av| 亚洲欧美日韩人成在线播放| 无码中文日韩Av| 日日麻批视频免费播放器| 蜜桃一区二区在线视频| 亚洲国产精华液网站w| 青青操国产在线| 91国产超碰在线观看| 国产成人高清在线观看视频| 男人的天堂无码动漫av| 热99re久久精品这里都是免费| 国产在线观看网址不卡一区| 国产三级不卡一区不卡二区在线| 久久精品夜色国产亚洲av| 大地资源网更新免费播放视频| 麻豆成年视频在线观看| 自拍视频在线观看首页国产| 国产成人久久精品一区二区三区| 伊人影院综合在线| 亚洲一区二区三区偷拍自拍 | 丰满少妇又紧又爽视频| 午夜免费观看一区二区三区| 精品伊人久久大线蕉色首页| 又污又黄又无遮挡的网站| 青青草视频在线视频播放| 在线观看国产视频你懂得| 中文字幕人妻无码一夲道| 亚洲天堂资源网| 日韩精品久久伊人中文字幕| 国产狂喷水潮免费网站www| 亚洲国产精品久久久久秋霞影院| 啊v在线视频| 日韩av天堂一区二区| 朝鲜女人大白屁股ass| AV无码中文字幕不卡一二三区| 伊人久久亚洲综合av影院| 亚洲av无码乱码在线观看性色| 亚洲精品成人片在线观看| 美女一区二区三区在线观看视频| 在线观看一级黄片天堂|