CN112990313B - 高光谱图像异常检测方法、装置、计算机设备及存储介质 - Google Patents
高光谱图像异常检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112990313B CN112990313B CN202110279231.0A CN202110279231A CN112990313B CN 112990313 B CN112990313 B CN 112990313B CN 202110279231 A CN202110279231 A CN 202110279231A CN 112990313 B CN112990313 B CN 112990313B
- Authority
- CN
- China
- Prior art keywords
- image data
- hyperspectral image
- sub
- score
- pixel
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 184
- 230000005856 abnormality Effects 0.000 claims abstract description 154
- 238000012545 processing Methods 0.000 claims abstract description 103
- 230000011218 segmentation Effects 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000003595 spectral effect Effects 0.000 claims abstract description 75
- 238000001228 spectrum Methods 0.000 claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 230000009467 reduction Effects 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 103
- 238000005457 optimization Methods 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000003708 edge detection Methods 0.000 claims description 33
- 238000000513 principal component analysis Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 20
- 238000003709 image segmentation Methods 0.000 claims description 19
- 230000001629 suppression Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 230000000007 visual effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000000926 separation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000011425 standardization method Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102100027094 Echinoderm microtubule-associated protein-like 1 Human genes 0.000 description 2
- 101001057941 Homo sapiens Echinoderm microtubule-associated protein-like 1 Proteins 0.000 description 2
- 101000653787 Mus musculus Protein S100-A11 Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例属于高光谱遥感图像异常检测技术领域,涉及一种高光谱图像异常检测方法,包括对原始高光谱图像数据进行归一化处理以及降维处理,得到第一主成分图像数据;对第一主成分图像数据进行边缘分割;获取光谱维特征;对光谱维特征进行异常检测,得到第一光谱异常得分;对第一主成分图像数据进行阈值分割;对中间高光谱图像数据进行空间分布特征提取操作以及空间维特征获取;对空间维特征进行异常检测,得到第二空间异常得分;对第一光谱异常得分和第二空间异常得分进行加权计算,得到每个像元的目标异常得分。本申请还提供一种高光谱图像异常检测装置、计算机设备及存储介质。本申请能够提升对高光谱图像中像元估计值获取的精确度。
Description
技术领域
本申请涉及高光谱遥感图像异常检测技术领域,尤其涉及一种高光谱图像异常检测方法、装置、计算机设备及存储介质。
背景技术
高光谱分辨率遥感,简称高光谱遥感,实现了成像技术和光谱技术的结合,可同步获取地物空间信息和精细的光谱信息。高光谱遥感数据是一个图像立方体,能够在描述地物二维空间分布特性的同时提供地物的光谱反射特性,再加之高光谱图像具备纳米级的光谱分辨率、上百个的波段数、从可见光到短波红外波段的大范围光谱覆盖等特点,近年来在国防军事、精准农业、环境检测等领域发挥着越来越重要的作用。其中,高光谱图像异常检测由于其无需任何先验光谱信息、实用性强等特点,逐渐成为国内外学者研究的热点问题之一。具体地,异常检测常广泛应用于海上搜救、战场目标快速提示、火灾灾情检测等场景。
由于传统的高光谱图像异常检测方法,大部分是基于异常像元与背景像元在光谱维上相比属于低概率发生事件,也就是光谱异常性这一论点,致力于计算异常像元与背景像元在光谱维上的差异程度,即基于光谱维设计异常检测算法,但在空间维上,异常像元与背景像元相比,通常也属于低概率发生事件,因此忽略像元之间的空间关系,只依赖于空间维的特征进行异常检测,使得传统方法大多存在较严重的漏检现象或较高的虚警率等问题。
例如,近年来,张量(Tensor)作为一种多维数据表示工具被引入到高光谱异常检测领域中来,同时对高光谱图像的空间信息与光谱信息进行处理,取得了较好的结果。其中,在文献“Zhang Xing,Wen Gongjian,Dai Wei.A Tensor Decomposition BasedAnomaly Detection Algorithm for Hyperspectral Image[J].IEEE Transactions onGeoscience and Remote Sensing,vol.54,no.10,pp:5801–5820.”公开了一种基于张量分解(TensorDecomposition)的高光谱图像异常检测方法,借助张量对多维数据的不同维度信息进行同时分析。该方法先利用三阶张量表示高光谱图像立方体,并对数据实施三阶张量的高阶奇异值分解(High Order Sigular Value Decompsition,HOSVD),也称Tucker分解;然后通过分解后每一维度的主要成分剔除高光谱图像中的背景信息;最后用剩余的特征成分重构出高光谱图像的异常数据,并利用恒虚警检测(Constant False-Alarm Rate,CFAR)算法进行检测。该方法利用张量分解将高光谱数据的空间维与光谱维数据同时分析,综合利用了空间特征与光谱特征,在一定程度上提高了异常检测精度。但由于该方法是沿用传统高光谱图像异常检测方法的思路,通过对背景地物精确建模,进而将异常像元从背景地物中分离出来的,然而,高光谱数据背景地物中异常目标的存在,以及复杂背景下多种小区域背景的影响,极大的限制了背景建模精度,进而影响着异常目标和背景地物的可区分性;且由于张量分解过程中三个维度的主要特征向量个数难以确定,易导致同等比重的利用了高光谱数据的空间信息与光谱信息,未能充分发挥高光谱数据具备精细光谱信息的优势;以及应用恒虚警检测(CFAR)方法对处理后的数据进行异常检测,其数学原理与基于马氏距离的RX算法类似;以及易影响到待检数据中大部分像元估计值的精确度,从而极大地影响着其检测性能。
又由于高光谱遥感图像对背景精确建模的巨大挑战,近年来,孤立森林算法常被引入到高光谱图像异常检测任务中来,用于避免对背景精确估计与建模,取得了较好的检测效果,其中,在文献“Wang R,Nie F,Wang Z,et al.Multiple Features and IsolationForest-Based Fast Anomaly Detector for Hyperspectral Imagery[J].IEEETransactions on Geoscience and Remote Sensing,2020,PP(99):1-13.DOI:10.1109/TGRS.2020.2978491”公开了一种基于孤立森林模型的高光谱图像空谱联合特性异常检测算法。该方法将原始高光谱数据、Gabor滤波后的数据、经扩展形态学剖面方法(EMP)处理后的数据和经扩展多属性剖面方法(EMAP)处理后的数据,这四部分数据作为输入数据分别利用孤立森林模型进行异常检测,进而得到相对应的四组结果,最终的异常目标检测结果由对上述四组结果取平均值得到。该方法是通过将原始高光谱数据作为输入利用孤立森立算法进行异常检测,是利用高光谱图像的光谱特征;将Gabor、EMP和EMAP处理后的数据作为输入,是利用高光谱图像的空间特征,虽然该方法利用了高光谱图像的空间-光谱联合特性进行异常目标检测,取得了较好的检测性能,但该方法在利用孤立森林模型进行异常检测时,由于每次切分操作只能随机选取一个波段,导致大量光谱特征未被利用,一定程度上造成了预警与漏检现象;以及该方法最终的异常得分主要由高光谱图像的空间特征决定,而光谱特征只起到了辅助检测的作用,导致未能充分发挥高光谱数据具备精细光谱信息的优势;以及基于孤立森林模型的异常检测算法仅对全局异常点敏感,不擅长处理局部异常点的问题。
发明内容
本申请实施例的目的在于提出一种高光谱图像异常检测方法、装置、计算机设备及存储介质,以解决传统的高光谱图像异常检测方法检测像元异常估计值的精确度不高以及存在漏检现象的问题。
为了解决上述技术问题,本申请实施例提供一种高光谱图像异常检测方法,采用了如下所述的技术方案:
响应携带有原始高光谱图像数据的高光谱图像异常检测请求;
对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;
基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据;
基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;
记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引;
基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征;
基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分;
基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;
记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引;
基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;
基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征;
基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分;
基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;
输出目标异常得分。
进一步的,基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据的步骤具体包括:
基于主成分分析算法构造原始集合{x1,x2,…,xN},其中x1,x2,…,xN为原始输入量;
计算原始集合的协方差矩阵,其中协方差矩阵表示为:
计算与协方差矩阵的最大特征值相对应的单位特征向量v1;
基于特征向量v1组成投影矩阵V,其中V=[v1];
将降维向量组成的集合作为第一主成分图像数据。
进一步的,基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集的步骤具体包括:
基于高斯滤波模板对第一主成分图像数据进行卷积处理,得到平滑图像数据;
基于微分算子计算与平滑图像数据相对应的梯度幅值以及梯度方向;
对梯度幅值以及梯度方向进行非极大值抑制,并基于双阈值算法确定平滑图像数据中的边缘;
基于边缘对平滑图像数据进行分割处理,得到第一子区域集。
进一步的,基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集的步骤具体包括:
基于最大类间方差法计算与第一主成分图像数据相对应的原始阈值;
将第一主成分图像数据的灰度值与原始阈值进行比较,并将大于或等于原始阈值的灰度值对应的像元作为目标类,以及将小于原始阈值的灰度值对应的像元作为背景类;
对背景类重复执行计算协方差矩阵以及计算单位特征向量的步骤,以获取最大背景类来实现对第一主成分图像数据的分割处理,得到第二子区域集。
进一步的,基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分的步骤具体包括:
基于高光谱图像优化训练集对孤立森林原始模型中的若干棵二叉树进行训练,得到孤立森林优化模型;
将空间维特征输入至孤立森林优化模型中计算得到每个空间维特征对应的空间异常性分数;
分别计算空间异常性分数的平均值,作为每个像元的第二空间异常得分。
进一步的,加权算法表示为:
S(x)=0.618×GS(x)+0.382×KS(x)
其中,S(x)为目标异常得分,GS(x)为第一光谱异常得分,KS(x)为第二空间异常得分。
为了解决上述技术问题,本申请实施例还提供一种高光谱图像异常检测装置,采用了如下所述的技术方案:
请求响应模块,用于响应携带有原始高光谱图像数据的高光谱图像异常检测请求;
数据获取模块,用于对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;
降维处理模块,用于基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据;
边缘分割处理模块,用于基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;
第一索引获取模块,用于记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引;
光谱维特征获取模块,用于基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征;
第一异常检测模块,用于基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分;
阈值分割处理模块,用于基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;
第二索引获取模块,用于记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引;
特征提取模块,用于基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;
空间维特征获取模块,用于基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征;
第二异常检测模块,用于基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分;
异常得分计算模块,用于基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;
得分输出模块,用于输出目标异常得分。
进一步的,边缘分割处理模块包括:
卷积处理单元,用于基于高斯滤波模板对第一主成分图像数据进行卷积处理,得到平滑图像数据;
梯度计算单元,用于基于微分算子计算与平滑图像数据相对应的梯度幅值以及梯度方向;
边缘检测单元,用于对梯度幅值以及梯度方向进行非极大值抑制,并基于双阈值算法确定平滑图像数据中的边缘;
边缘分割单元,用于基于边缘对平滑图像数据进行分割处理,得到第一子区域集。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的高光谱图像异常检测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的高光谱图像异常检测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请提供了一种高光谱图像异常检测方法,包括:响应携带有原始高光谱图像数据的高光谱图像异常检测请求;对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据;基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引;基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征;基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分;基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引;基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征;基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分;基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;输出目标异常得分。通过对原始高光谱图像数据进行归一化处理,能够将每个像元在各波段的灰度值进行映射以准确获取中间高光谱图像数据;进而基于主成分分析算法对若干个波段的中间高光谱图像数据进行降维,以获取第一主成分图像数据;然后,基于边缘检测的图像分割算法,根据多种背景地物之间的分界线将第一主成分图像数据分割为由若干个第一子区域组成的第一子区域集;并标记各个第一子区域的第一索引,以基于该第一索引将在各个第一子区域获取到的光谱维特征,应用于孤立森林优化模型中的异常检测,从而获取原始高光谱图像数据中的每个像元的第一光谱异常得分;同时,基于阈值分割的方法将第一主成分图像数据进行分割为由若干个第二子区域组成的第二子区域集;标记各个第一子区域的第二索引;以及基于Gabor滤波器提取中间高光谱图像数据的空间分布特征,并结合第二索引获取空间维特征;进而将空间三维特征应用于孤立森立优化模型进行异常检测,从而获取原始高光谱图像数据中的每个像元的第二空间异常得分;最后,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分,输出最终的目标异常得分作为异常检测结果。能够有效提高模型对于不同尺度不同维度的高光谱图像数据中的像元的异常估计值的检测,提升像元的异常估计值获取的精确度,减少漏检的情况。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是申请实施例一提供的高光谱图像异常检测方法的实现流程图;
图2是图1中步骤S3的实现流程图;
图3是图1中步骤S4的实现流程图;
图4是图1中步骤S8的实现流程图;
图5是图1中步骤S12的实现的流程图;
图6是申请实施例二提供的高光谱图像异常检测装置的结构示意图;
图7是图6所示计算模块的结构示意图;
图8是根据本申请的计算机设备的一个实施例的结构示意图;
图9是本申请可以应用于其中的示例性孤立森林模型中二叉树的结构示意图;
图10(a)以及图10(b)分别是本申请可以应用于其中的示例性飞机场高光谱遥感图像以及异常目标真实分布图;
图11(a)、图11(b)以及图11(c)分别是本申请可以应用于其中的示例性飞机场高光谱遥感图像的第一主成分灰度图、边缘分割结果示意图以及阈值分割结果示意图;
图12(a)、图12(b)以及图12(c)是传统RXD算法的一个检测结果示意图、传统孤立森林模型的一个检测结果示意图以及本申请可以应用于其中的示例性飞机场高光谱遥感图像的一个检测结果示意图;
图13是本申请可以应用于其中的示例性飞机场高光谱遥感图像的一个ROC曲线示意图;
图14是本申请可以应用于其中的示例性飞机场高光谱遥感图像的一个箱线示意图;
图15是本申请可以应用于其中的示例性飞机场高光谱遥感图像的一个AUC值示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
参阅图1,示出了本申请实施例一提供的高光谱图像异常检测的方法的一个实施例的流程图。所述的高光谱图像异常检测方法,包括以下步骤:
在步骤S1中,响应携带有原始高光谱图像数据的高光谱图像异常检测请求;
在步骤S2中,对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据。
在本申请实施例中,原始高光谱图像数据是预先采集到的高光谱遥感图像实验数据集,参见图10(a),具体可以是通过机载可见光/红外成像光谱仪AVIRIS传感器在美国洛杉矶飞机场地区采集获得的图像数据。
在本申请实施例中,中间高光谱图像数据是基于(0,1)标准化方法对原始高光谱图像数据进行归一化处理,即将原始高光谱图像数据中的每个像元在各波段的灰度值映射至(0,1]内的图像数据,具体的(0,1)标准化方法表示为:
其中,Xmin是其最小值,Xmax是其最大值。
例如,参见图10(a)以及图10(b),假设该高光谱图像空间分辨率为7.1m,采集时间是2011年9月,图像尺寸为100×100像元,预处理后共包含191个波段;该实验数据将图像中三架大小不同的飞机作为异常目标,其中,图10(a)用于表示该数据集第37波段的灰度图;图10(b)用于表示异常目标参考位置。
在步骤S3中,基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据。
在本申请实施例中,基于主成分分析方法(Principal Component Analysis,PCA)对中间高光谱图像数据进行降维并选取第一主成分图像数据,参考图11(a),先将原始高光谱图像数据转化为的形式进行处理,即转化为10000行191列的矩阵[X]10000×191进行处理,其中,矩阵的10000行代表图像的10000个像元,换言之,每个行向量代表图像的一个像元,且每个行向量由191个坐标组成,对应高光谱数据的191个波段;然后,将原始高光谱图像数据归一化后得到中间高光谱图像数据基于主成分分析(PCA)将该中间高光谱图像数据[X]10000×191降维至只包含第一主成分的数据[X]10000×1;进而本实施例可以将降维后所得第一主成分所表示的图像参照图11(a)与图10(a)进行对比,可知降维后的第一主成分图像数据在大大降低数据维度的同时,还能够较好的保留着原始高光谱图像数据的空间信息。
在步骤S4中,基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;
在步骤S5中,记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引。
在本申请实施例中,基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,具体可以是基于Canny算子的边缘检测方法对降维后得到的第一主成分图像数据X1进行分割,从而得到由若干个第一子区域组成的第一子区域集。
在本申请实施例中,第一索引是基于边缘检测得到的结果,将背景地物分割为若干个第一子区域,并记录各个第一子区域的像元坐标索引。
例如,参见图11(b),基于上述图11(a)的第一主成分图像数据,基于边缘检测的方法对第一主成分图像数据进行分割处理,是通过将原始100×100大小的图像划分为四个第一子区域,进而能够准确记录每个第一子区域内像元的坐标索引,以作为后续基于孤立森林优化模型在局部对图像的光谱特征进行异常检测的第一子区域的第一索引。
在步骤S6中,基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征。
在本申请实施例中,基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征是根据获取的分块后各个第一子区域的像元坐标索引,在各子区域内分别获与中间高光谱图像数据对应的光谱维特征,以将该光谱维特征应用于孤立森林优化模型进行异常检测。
在步骤S7中,基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分。
在本申请实施例中,第一光谱异常得分是基于叶结点与其直接父结点中像元个数之比,得到的第一子区域内每个像元的光谱异常性分数。
具体地,首先计算原始高光谱图像数据中所有像元被每一棵二叉树分割后的光谱异常性分数,然后计算该像元被孤立森林中所有二叉树分割后光谱异常性分数的平均值。具体可以是通过应用公式(1)计算每个像元在第i棵树的光谱异常性分数:
进一步地,像元x在孤立森林中光谱异常性分数的平均值GS(x)由公式(2)计算得到:
其中,t是孤立森林中预设的二叉树的棵数。
可以理解的是,当光谱异常性分数GS(x)的值越大时,像元x在光谱维与大多数像元存在较大差异的概率越大。
在步骤S8中,基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;
在步骤S9中,记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引。
在本申请实施例中,基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集具体可以是基于阈值的分割方法对第一主成分图像数据X1进行分割,从而得到由若干个第二子区域组成的第二子区域集。
在本申请实施例中,第二索引是基于阈值分割得到的结果,将背景地物分割为若干个第二子区域,并记录各个第二子区域的像元坐标索引。
例如,参见图11(c),基于上述图11(a)的第一主成分图像数据,基于阈值分割算法对第一主成分图像数据进行分割处理,是通过将原始第一主成分图像划分为七个第二子区域,进而能够准确记录每个第二子区域内像元的坐标索引,以作为后续基于孤立森林优化模型在局部对图像的空间特征进行异常检测的第二子区域的第二索引。
在步骤S10中,基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征。
在本申请实施例中,基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征,具体可以是通过一种短时加窗傅里叶变换的Gabor变换,即在特定时间窗内做傅里叶变换,是短时傅里叶变换中窗函数取为高斯函数时的一种特殊情况;因此,本实施例可以通过Gabor滤波器可以在频域上不同尺度、不同方向上对中间高光谱图像数据进行空间分布特征提取,以准确获取高光谱图像空间分布特征。另外,Gabor函数与人眼的作用相仿,常用于纹理识别,并取得了较好的效果。
在步骤S11中,基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征。
在本申请实施例中,基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征是根据获取的分块后各个第二子区域的像元坐标索引以及高光谱图像空间分布特征,在各子区域内分别获与中间高光谱图像数据对应的空间维特征,以将该空间维特征应用于孤立森林优化模型进行异常检测。
在步骤S12中,基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分。
在本申请实施例中,第二空间异常得分是基于叶结点与直接父结点中像元个数之比,得到的第二子区域内每个像元的空间异常性分数。
具体地,首先计算原始高光谱图像数据中所有像元被每一棵二叉树分割后的空间异常性分数,然后计算该像元被孤立森林中所有二叉树分割后空间异常性分数的平均值。具体可以是通过应用公式(3)计算每个像元在第i棵树的空间异常性分数:
进一步地,像元x在孤立森林中空间异常性分数的平均值KS(x)由公式(4)计算得到:
其中,t是孤立森林中预设的二叉树的棵数。
可以理解的是,当空间异常性分数KS(x)的值越大时,像元x在空间维与大多数像元存在较大差异的概率越大。
在步骤S13中,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;
在步骤S14中,输出目标异常得分。
在本申请实施例中,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分,具体可以是参见图12(c),例如,按照上述图11(b)得到的第一索引,将第一主成分图像数据[X]10000×191基于边缘检测分割为[XC1]1109×191、[XC2]1526×191、[XC3]3440×191、[XC4]3925×191四个第一子区域;并在每个第一子区域内应用面向高光谱数据改进后的孤立森林算法,计算该第一子区域内每个像元的光谱异常性分数,进而得到整幅图像10000个像元各自的光谱异常性分数,即第一光谱异常得分。
进一步地,空间维方面,基于阈值分割的方法,将经Gabor提取的空间特征划分为[YC1]896×160、[YC2]1590×160、[YC3]2105×160、[YC4]1565×160、[YC5]1536×160、[YC6]1145×160、[YC7]1163×160七个第二子区域,并在每个子区域内应用面向高光谱数据改进后的孤立森林算法,计算该第二子区域内每个像元的空间异常性分数,进而得到整幅图像10000个像元各自的空间异常性分数,即第二空间异常得分。
进一步地,将第一光谱异常得分以及第二空间异常得分按照S=0.618×GS(x)+0.382×KS(y)的权重进行加权求和,得到多尺度、多维度空间光谱联合特性下所有像元的异常得分,即每个像元的目标异常得分。最终可以得到如图12(c)所示的高光谱图像的异常目标检测结果。
可以理解的是,参照图12(c)可知,暗色像元代表背景地物,亮色像元代表异常像元,且越亮代表其异常性越高。如12(c)所示本实施例所得的检测结果在视觉上具有异常目标(三架飞机)更清晰、背景信息压制效果更好、虚警像元更少的特点,视觉效果明显优于如图12(a)所示的高光谱图像异常检测领域的经典算法RXD所得检测结果,以及优于如图12(b)所示的传统基于孤立森林模型的高光谱图像空谱联合特性异常检测方法所得检测结果。
进一步地,参见图13,本实施例不仅在主观视觉效果上优于传统算法,在客观评价指标上也具备优势。具体地,与传统方法进行比较,在横坐标一定时,本实施例所得的纵坐标值更大;在纵坐标一定时,本实施例所得横坐标值更小。也即,在相同虚警率时,本实施例具有更高的异常目标检出率;在相同异常目标检出率时,本实施例具有更低的虚警率。其中,RXD代表高光谱图像异常检测领域的经典算法RX检测器(Reed-XiaoliDetector),MFIFD代表传统基于孤立森林模型的高光谱图像空谱联合特性异常检测方法,SSMMD代表本申请实施例所提供的方法。
进一步地,参见图14,本实施例利用箱线图来表征高光谱图像中异常目标与背景地物的分离度情况。利用图10(b)中异常目标的参考位置信息,分别对异常目标像元和背景像元进行统计,统计两个类别的最大值、最小值、中位数以及主体值等参数。如图14所示,箱线图中上触须为数据最大值,下触须为数据最小值,箱体代表占总数据50%的数据主体值,箱体中的横线为数据的中位数。其中,粗实线部分代表异常目标,细实线部分代表背景地物,通过箱线图来分析不同方法下背景和异常目标分离度可知:RXD方法可以将背景抑制在很小的范围内,但背景与异常之间有较严重的交叉现象,即异常像元异常得分的最小值和背景像元异常得分的最大值有交叉,这说明RXD无法很好的将异常像元从背景中分离出来,反映在视觉上参照图12(a),两架较小的飞机未被检出。其中,观察现有MFIFD方法的箱线图,异常与背景之间没有交叉,说明该方法可以很好的检测出异常目标,但是其代表背景的细实线箱体较大,说明其无法很好的抑制背景,即在检测出异常像元的同时,也出现了较多的虚警像元,反映在视觉上参照图12(b),背景中有较多的亮点,带来了较高的虚警率。其中,本申请实施例提供的箱线图中异常的最小值与背景的最大值相距一定距离,即异常与背景无交叉现象,说明本申请实施例提供的方法可以很好的将异常像元与背景像元区分开来;并且,代表背景的细实线箱体很小,说明本发明提供方法很好的对背景进行了抑制,一定程度上改善了普遍存在的高虚警现象,视觉效果上参照图12(c),在较高水平检出异常像元的情况下,很大程度上减少了虚警像元的数量,具备较好的检测性能。
进一步地,参见图15,用于考察如图13所示的ROC曲线下面积(Area Under Curve,AUC)这一定量评价异常检测效果的指标,本申请实施例所提供的方法因为同时实现了高光谱图像空间特性的多尺度利用,与光谱特征的多维度利用,且对孤立森林模型面向高光谱数据进行了定向改进;故在不使用张量分解,进而大大降低计算复杂度的情况下,检测能力仍然优于传统基于孤立森林模型的高光谱图像空谱联合特性异常检测方法,以及优于高光谱异常检测的经典算法RXD方法。
本申请提供了一种高光谱图像异常检测方法,包括:响应携带有原始高光谱图像数据的高光谱图像异常检测请求;对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据;基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引;基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征;基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分;基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引;基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征;基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分;基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;输出目标异常得分。通过对原始高光谱图像数据进行归一化处理,能够将每个像元在各波段的灰度值进行映射以准确获取中间高光谱图像数据;进而基于主成分分析算法对若干个波段的中间高光谱图像数据进行降维,以获取第一主成分图像数据;然后,基于边缘检测的图像分割算法,根据多种背景地物之间的分界线将第一主成分图像数据分割为由若干个第一子区域组成的第一子区域集;并标记各个第一子区域的第一索引,以基于该第一索引将在各个第一子区域获取到的光谱维特征,应用于孤立森林优化模型中的异常检测,从而获取原始高光谱图像数据中的每个像元的第一光谱异常得分;同时,基于阈值分割的方法将第一主成分图像数据进行分割为由若干个第二子区域组成的第二子区域集;标记各个第一子区域的第二索引;以及基于Gabor滤波器提取中间高光谱图像数据的空间分布特征,并结合第二索引获取空间维特征;进而将空间三维特征应用于孤立森立优化模型进行异常检测,从而获取原始高光谱图像数据中的每个像元的第二空间异常得分;最后,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分,输出最终的目标异常得分作为异常检测结果。能够有效提高模型对于不同尺度不同维度的高光谱图像数据中的像元的异常估计值的检测,提升像元的异常估计值获取的精确度,减少漏检的情况。
继续参考图2,示出了图1中步骤S3的实现流程图,为了便于说明,仅示出与本申请相关的部分。
作为本申请实施例一的一些可选实现方式中,上述步骤S3具体包括:步骤S301、步骤S302、步骤S303、步骤S304、步骤S305以及步骤S306。
在步骤S301中,基于主成分分析算法构造原始集合{x1,x2,…,xN},其中x1,x2,…,xN为原始输入量;
在步骤S302中,计算原始集合的协方差矩阵,其中协方差矩阵表示为:
在步骤S303中,计算与协方差矩阵的最大特征值相对应的单位特征向量v1;
在步骤S304中,基于特征向量v1组成投影矩阵V,其中V=[v1];
在步骤S306中,将降维向量组成的集合作为第一主成分图像数据。
在本申请实施例中,基于主成分分析算法对中间高光谱图像数据进行降维处理,具体可以是基于主成分分析算法构造原始集合{x1,x2,…,xN},其中x1,x2,…,xN为原始输入量,然后,计算该原始集合的协方差矩阵Σ:
进一步地,基于获取到的协方差矩阵Σ的最大特征值相对应的单位特征向量v1,并利用特征向量v1组成投影矩阵V=[v1];
继续参考图3,示出了图1中步骤S4的实现流程图,为了便于说明,仅示出与本申请相关的部分。
作为本申请实施例一的一些可选实现方式中,上述步骤S4具体包括:步骤S401、步骤S402、步骤S403以及步骤S404。
在步骤S401中,基于高斯滤波模板对第一主成分图像数据进行卷积处理,得到平滑图像数据;
在步骤S402中,基于微分算子计算与平滑图像数据相对应的梯度幅值以及梯度方向;
在步骤S403中,对梯度幅值以及梯度方向进行非极大值抑制,并基于双阈值算法确定平滑图像数据中的边缘;
在步骤S404中,基于边缘对平滑图像数据进行分割处理,得到第一子区域集。
在本申请实施例中,基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,具体可以是通过应用高斯滤波模板进行卷积处理,以使得到的平滑图像数据的图像平滑,去除噪声;进而,利用微分算子,计算梯度的幅值和方向;然后,对梯度幅值进行非极大值抑制,即遍历图像,若某个像素的灰度值与其梯度方向上前后两个像素的灰度值的差值小于设定值,则该像素值置为0,即不是边缘;最后,应用双阈值算法检测和连接边缘,即基于累计直方图计算两个阈值,其中,大于高阈值的一定是边缘;小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值,则需要判断这个像素的邻接像素中有没有超过高阈值的边缘像素,如果有,则该像素就是边缘,否则就不是边缘,从而基于确定的边缘将平滑图像数据分割为由若干个第一子区域组成的第一子区域集。
继续参考图4,示出了图1中步骤S8的实现流程图,为了便于说明,仅示出与本申请相关的部分。
作为本申请实施例一的一些可选实现方式中,上述步骤S8具体包括:步骤S801、步骤S802以及步骤S803。
在步骤S801中,基于最大类间方差法计算与第一主成分图像数据相对应的原始阈值;
在步骤S802中,将第一主成分图像数据的灰度值与原始阈值进行比较,并将大于或等于原始阈值的灰度值对应的像元作为目标类,以及将小于原始阈值的灰度值对应的像元作为背景类;
在步骤S803中,对背景类重复执行计算协方差矩阵以及计算单位特征向量的步骤,以获取最大背景类来实现对第一主成分图像数据的分割处理,得到第二子区域集。
在本申请实施例中,基于阈值分割算法对第一主成分图像数据进行分割处理,具体可以是先基于最大类间方差法(OTSU)计算得到与第一主成分图像数据相对应的阈值T;进而将大于或等于阈值T的第一主成分图像数据的灰度值对应的像元归为目标类,以及将小于阈值T的第一主成分图像数据的灰度值对应的像元归为背景类;然后,对背景类再次重复执行计算协方差矩阵以及计算单位特征向量的步骤,直至达到最大背景类个数B,以基于该最大背景类个数B将第一主成分图像数据分割为由若干个第二子区域组成的第二子区域集。
继续参考图5,示出了图1中步骤S12的实现流程图,为了便于说明,仅示出与本申请相关的部分。
作为本申请实施例一的一些可选实现方式中,上述步骤S12具体包括:步骤S1201、步骤S1202以及步骤S1203。
在步骤S1201中,基于高光谱图像优化训练集对孤立森林原始模型中的若干棵二叉树进行训练,得到孤立森林优化模型。
在本申请实施例中,高光谱图像优化训练集是将孤立森林原始模型面向高光谱数据改进后得到图像数据。
其中,孤立森立原始模型中包含多棵树,每棵树都为二叉树,称为iTree,其结构示意图如图9所示。二叉树iTree中的结点分为叶结点(leaf node)、内部子结点(internalnode)和根结点(rootnode)。其中,根结点为树最顶端的结点,是树的起始点;每个内部子结点又可分为左右两个子结点;不断细分直至不可再分出子结点时称为叶结点。将原算法面向高光谱数据改进后,对孤立森林中的多棵二叉树iTree进行训练,得到孤立森林优化模型,具体包括如下步骤:
1)从中间高光谱图像数据中随机选取30%的像元,需要说明的是,选取像元可多选也可少选,但选太多计算量会大而精度提升有限,太少则会影响精度,而30%时,计算量与检测精度性价比较好,即0.3×N个像元作为训练子集每训练一棵树重复一次此随机选取子集步骤,也即孤立森林中的每棵树都是由随机选取的不同子集训练而来,故每棵树都是不同的。
2)随机确定向量其中, 任意选取pj,将Xsub中大于pj的像元分类至右子集中,小于pj的像元分类至左子集中,然后,基于公式(5)计算第i个波段(i∈[1,D]),子集Xsub所有0.3×N个像元中背景像元与异常目标像元的可分性评价指标Δ;其中,指标Δi的值越大,表示在第i个波段背景像元与异常像元的可分性越好;根据指标Δ确定背景与异常像元分离更好的前d(d=D/2)个波段。
3)构造满足高斯分布的随机向量并根据step8.1.2中随机确定的d个波段,将向量与之对应的坐标置1,其余坐标置0。如某次随机选取特征操作,选取了Xsub的第3、第6和第7个波段,则此时向量与之对应的坐标不做改变,其余坐标置0,即
4)根据判别公式(5)对Xsub中所有像元进行分类,将满足判别公式(6)的像元xsubi分类至左子结点,将不满足的像元分类至右子结点;也即将判别值小于等于零的像元放在左子结点,将判别值δi大于零的放在右子结点。
5)对于左子结点和右子结点分别重复上述步骤2)、步骤3)以及步骤4),直至满足下述条件:
条件(a):结点中的像元个数达到预设的最小个数K。
条件(b):树的最大高度已经达到预设的最大高度L。
6)将孤立森林原始模型中的每棵树都如上述步骤1)至步骤5)进行构造,组成森林,即孤立森林原始模型训练完毕,得到孤立森林优化模型。
在步骤S1202中,将空间维特征输入至孤立森林优化模型中计算得到每个空间维特征对应的空间异常性分数;
在步骤S1203中,分别计算空间异常性分数的平均值,作为每个像元的第二空间异常得分。
在本申请实施例中,将空间维特征输入至孤立森林优化模型即通过将空间维特征的所有N个像元输入至孤立森林优化模型中,首先计算原始高光谱图像中所有像元被每一棵二叉树分割后的空间异常性分数,然后计算该像元被孤立森林中所有二叉树分割后空间异常性分数的平均值,即每个像元的第二空间异常得分。
作为本申请实施例一的一些可选实现方式中,上述加权算法表示为:
S(x)=0.618×GS(x)+0.382×KS(x)
其中,S(x)为目标异常得分,GS(x)为第一光谱异常得分,KS(x)为第二空间异常得分。
在本申请实施例中,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,具体可以是通过赋予光谱性异常分数,即第一光谱异常得分更多的权重,加权求得各像元最终的空谱联合特征异常分数S,生成最终的异常检测结果。
综上,本申请提供了一种高光谱图像异常检测方法,包括:响应携带有原始高光谱图像数据的高光谱图像异常检测请求;对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据;基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引;基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征;基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分;基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引;基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征;基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分;基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;输出目标异常得分。基于(0,1)标准化方法对原始高光谱图像数据X∈R^(N×D)进行归一化处理,能够将每个像元在各波段的灰度值至(0,1]内,以准确获取中间高光谱图像数据;进而基于主成分分析算法对若干个波段的中间高光谱图像数据进行降维,以获取第一主成分图像数据,能够大大降低数据维度的同时,还能够较好的保留着原始高光谱图像数据的空间信息;然后,基于Canny算子的边缘检测方法对降维后得到的第一主成分图像数据X1进行分割,从而得到由若干个第一子区域组成的第一子区域集;并标记各个第一子区域的第一索引,以基于该第一索引将在各个第一子区域获取到的光谱维特征,应用于孤立森林优化模型中的异常检测,从而获取原始高光谱图像数据中的每个像元的第一光谱异常得分,实现了多维度的利用光谱特征进行异常检测;同时,基于阈值的分割方法对第一主成分图像数据X1进行分割,从而得到由若干个第二子区域组成的第二子区域集;标记各个第一子区域的第二索引;以及基于Gabor滤波器提取中间高光谱图像数据的空间分布特征,并结合第二索引获取空间维特征;进而将空间维维特征应用于孤立森立优化模型进行异常检测,从而获取原始高光谱图像数据中的每个像元的第二空间异常得分;最后,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分,输出最终的目标异常得分作为异常检测结果。不仅能够准确、快速的获取异常目标的感兴趣信息,还能够有效提高模型对于不同尺度不同维度的高光谱图像数据中的像元的异常估计值的检测,提升像元的异常估计值获取的精确度,提高异常目标检出率,以及能够压制背景降低虚警率,减少漏检的情况。
需要说明的是,本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图6,作为对上述图1所示方法的实现,本申请提供了一种高光谱图像异常检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的高光谱图像异常检测装置100包括:请求响应模块101、数据获取模块102、降维处理模块103、边缘分割处理模块104、第一索引获取模块105、光谱维特征获取模块106、第一异常检测模块107、阈值分割处理模块108、第二索引获取模块109、特征提取模块1010、空间维特征获取模块1011、第二异常检测模块1012、异常得分计算模块1013以及得分输出模块1014。其中:
请求响应模块101,用于响应携带有原始高光谱图像数据的高光谱图像异常检测请求;
数据获取模块102,用于对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;
在本申请实施例中,原始高光谱图像数据是预先采集到的高光谱遥感图像实验数据集,参见图10(a),具体可以是通过机载可见光/红外成像光谱仪AVIRIS传感器在美国洛杉矶飞机场地区采集获得的图像数据。
在本申请实施例中,中间高光谱图像数据是基于(0,1)标准化方法对原始高光谱图像数据进行归一化处理,即将原始高光谱图像数据中的每个像元在各波段的灰度值映射至(0,1]内的图像数据,具体的(0,1)标准化方法表示为:
其中,Xmin是其最小值,Xmax是其最大值。
例如,参见图10(a)以及图10(b),假设该高光谱图像空间分辨率为7.1m,采集时间是2011年9月,图像尺寸为100×100像元,预处理后共包含191个波段;该实验数据将图像中三架大小不同的飞机作为异常目标,其中,图10(a)用于表示该数据集第37波段的灰度图;图10(b)用于表示异常目标参考位置。
降维处理模块103,用于基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据;
在本申请实施例中,基于主成分分析方法(Principal Component Analysis,PCA)对中间高光谱图像数据进行降维并选取第一主成分图像数据,参考图11(a),先将原始高光谱图像数据转化为的形式进行处理,即转化为10000行191列的矩阵[X]10000×191进行处理,其中,矩阵的10000行代表图像的10000个像元,换言之,每个行向量代表图像的一个像元,且每个行向量由191个坐标组成,对应高光谱数据的191个波段;然后,将原始高光谱图像数据归一化后得到中间高光谱图像数据基于主成分分析(PCA)将该中间高光谱图像数据[X]10000×191降维至只包含第一主成分的数据[X]10000×1;进而本实施例可以将降维后所得第一主成分所表示的图像参照图11(a)与图10(a)进行对比,可知降维后的第一主成分图像数据在大大降低数据维度的同时,还能够较好的保留着原始高光谱图像数据的空间信息。
边缘分割处理模块104,用于基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;
第一索引获取模块105,用于记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引;
在本申请实施例中,基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,具体可以是基于Canny算子的边缘检测方法对降维后得到的第一主成分图像数据X1进行分割,从而得到由若干个第一子区域组成的第一子区域集。
在本申请实施例中,第一索引是基于边缘检测得到的结果,将背景地物分割为若干个第一子区域,并记录各个第一子区域的像元坐标索引。
例如,参见图11(b),基于上述图11(a)的第一主成分图像数据,基于边缘检测的方法对第一主成分图像数据进行分割处理,是通过将原始100×100大小的图像划分为四个第一子区域,进而能够准确记录每个第一子区域内像元的坐标索引,以作为后续基于孤立森林优化模型在局部对图像的光谱特征进行异常检测的第一子区域的第一索引。
光谱维特征获取模块106,用于基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征;
在本申请实施例中,基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征是根据获取的分块后各个第一子区域的像元坐标索引,在各子区域内分别获与中间高光谱图像数据对应的光谱维特征,以将该光谱维特征应用于孤立森林优化模型进行异常检测。
第一异常检测模块107,用于基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分;
在本申请实施例中,第一光谱异常得分是基于叶结点与其直接父结点中像元个数之比,得到的第一子区域内每个像元的光谱异常性分数。
具体地,首先计算原始高光谱图像数据中所有像元被每一棵二叉树分割后的光谱异常性分数,然后计算该像元被孤立森林中所有二叉树分割后光谱异常性分数的平均值。具体可以是通过应用公式(1)计算每个像元在第i棵树的光谱异常性分数:
进一步地,像元x在孤立森林中光谱异常性分数的平均值GS(x)由公式(2)计算得到:
其中,t是孤立森林中预设的二叉树的棵数。
可以理解的是,当光谱异常性分数GS(x)的值越大时,像元x在光谱维与大多数像元存在较大差异的概率越大。
阈值分割处理模块108,用于基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;
第二索引获取模块109,用于记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引;
在本申请实施例中,基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集具体可以是基于阈值的分割方法对第一主成分图像数据X1进行分割,从而得到由若干个第二子区域组成的第二子区域集。
在本申请实施例中,第二索引是基于阈值分割得到的结果,将背景地物分割为若干个第二子区域,并记录各个第二子区域的像元坐标索引。
例如,参见图11(c),基于上述图11(a)的第一主成分图像数据,基于阈值分割算法对第一主成分图像数据进行分割处理,是通过将原始第一主成分图像划分为七个第二子区域,进而能够准确记录每个第二子区域内像元的坐标索引,以作为后续基于孤立森林优化模型在局部对图像的空间特征进行异常检测的第二子区域的第二索引。
特征提取模块1010,用于基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;
在本申请实施例中,基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征,具体可以是通过一种短时加窗傅里叶变换的Gabor变换,即在特定时间窗内做傅里叶变换,是短时傅里叶变换中窗函数取为高斯函数时的一种特殊情况;因此,本实施例可以通过Gabor滤波器可以在频域上不同尺度、不同方向上对中间高光谱图像数据进行空间分布特征提取,以准确获取高光谱图像空间分布特征。另外,Gabor函数与人眼的作用相仿,常用于纹理识别,并取得了较好的效果。
空间维特征获取模块1011,用于基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征;
在本申请实施例中,基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征是根据获取的分块后各个第二子区域的像元坐标索引以及高光谱图像空间分布特征,在各子区域内分别获与中间高光谱图像数据对应的空间维特征,以将该空间维特征应用于孤立森林优化模型进行异常检测。
第二异常检测模块1012,用于基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分;
在本申请实施例中,第二空间异常得分是基于叶结点与直接父结点中像元个数之比,得到的第二子区域内每个像元的空间异常性分数。
具体地,首先计算原始高光谱图像数据中所有像元被每一棵二叉树分割后的空间异常性分数,然后计算该像元被孤立森林中所有二叉树分割后空间异常性分数的平均值。具体可以是通过应用公式(3)计算每个像元在第i棵树的空间异常性分数:
进一步地,像元x在孤立森林中空间异常性分数的平均值KS(x)由公式(4)计算得到:
其中,t是孤立森林中预设的二叉树的棵数。
可以理解的是,当空间异常性分数KS(x)的值越大时,像元x在空间维与大多数像元存在较大差异的概率越大。
异常得分计算模块1013,用于基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;
得分输出模块1014,用于输出目标异常得分。
在本申请实施例中,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分,具体可以是参见图12(c),例如,按照上述图11(b)得到的第一索引,将第一主成分图像数据[X]10000×191基于边缘检测分割为[XC1]1109×191、[XC2]1526×191、[XC3]3440×191、[XC4]3925×191四个第一子区域;并在每个第一子区域内应用面向高光谱数据改进后的孤立森林算法,计算该第一子区域内每个像元的光谱异常性分数,进而得到整幅图像10000个像元各自的光谱异常性分数,即第一光谱异常得分。
进一步地,空间维方面,基于阈值分割的方法,将经Gabor提取的空间特征划分为[YC1]896×160、[YC2]1590×160、[YC3]2105×160、[YC4]1565×160、[YC5]1536×160、[YC6]1145×160、[YC7]1163×160七个第二子区域,并在每个子区域内应用面向高光谱数据改进后的孤立森林算法,计算该第二子区域内每个像元的空间异常性分数,进而得到整幅图像10000个像元各自的空间异常性分数,即第二空间异常得分。
进一步地,将第一光谱异常得分以及第二空间异常得分按照S=0.618×GS(x)+0.382×KS(y)的权重进行加权求和,得到多尺度、多维度空间光谱联合特性下所有像元的异常得分,即每个像元的目标异常得分。最终可以得到如图12(c)所示的高光谱图像的异常目标检测结果。
可以理解的是,参照图12(c)可知,暗色像元代表背景地物,亮色像元代表异常像元,且越亮代表其异常性越高。如12(c)所示本实施例所得的检测结果在视觉上具有异常目标(三架飞机)更清晰、背景信息压制效果更好、虚警像元更少的特点,视觉效果明显优于如图12(a)所示的高光谱图像异常检测领域的经典算法RXD所得检测结果,以及优于如图12(b)所示的传统基于孤立森林模型的高光谱图像空谱联合特性异常检测方法所得检测结果。
进一步地,参见图13,本实施例不仅在主观视觉效果上优于传统算法,在客观评价指标上也具备优势。具体地,与传统方法进行比较,在横坐标一定时,本实施例所得的纵坐标值更大;在纵坐标一定时,本实施例所得横坐标值更小。也即,在相同虚警率时,本实施例具有更高的异常目标检出率;在相同异常目标检出率时,本实施例具有更低的虚警率。其中,RXD代表高光谱图像异常检测领域的经典算法RX检测器(Reed-XiaoliDetector),MFIFD代表传统基于孤立森林模型的高光谱图像空谱联合特性异常检测方法,SSMMD代表本申请实施例所提供的方法。
进一步地,参见图14,本实施例利用箱线图来表征高光谱图像中异常目标与背景地物的分离度情况。利用图10(b)中异常目标的参考位置信息,分别对异常目标像元和背景像元进行统计,统计两个类别的最大值、最小值、中位数以及主体值等参数。如图14所示,箱线图中上触须为数据最大值,下触须为数据最小值,箱体代表占总数据50%的数据主体值,箱体中的横线为数据的中位数。其中,粗实线部分代表异常目标,细实线部分代表背景地物,通过箱线图来分析不同方法下背景和异常目标分离度可知:RXD方法可以将背景抑制在很小的范围内,但背景与异常之间有较严重的交叉现象,即异常像元异常得分的最小值和背景像元异常得分的最大值有交叉,这说明RXD无法很好的将异常像元从背景中分离出来,反映在视觉上参照图12(a),两架较小的飞机未被检出。其中,观察现有MFIFD方法的箱线图,异常与背景之间没有交叉,说明该方法可以很好的检测出异常目标,但是其代表背景的细实线箱体较大,说明其无法很好的抑制背景,即在检测出异常像元的同时,也出现了较多的虚警像元,反映在视觉上参照图12(b),背景中有较多的亮点,带来了较高的虚警率。其中,本申请实施例提供的箱线图中异常的最小值与背景的最大值相距一定距离,即异常与背景无交叉现象,说明本申请实施例提供的方法可以很好的将异常像元与背景像元区分开来;并且,代表背景的细实线箱体很小,说明本发明提供方法很好的对背景进行了抑制,一定程度上改善了普遍存在的高虚警现象,视觉效果上参照图12(c),在较高水平检出异常像元的情况下,很大程度上减少了虚警像元的数量,具备较好的检测性能。
进一步地,参见图15,用于考察如图13所示的ROC曲线下面积(Area Under Curve,AUC)这一定量评价异常检测效果的指标,本申请实施例所提供的方法因为同时实现了高光谱图像空间特性的多尺度利用,与光谱特征的多维度利用,且对孤立森林模型面向高光谱数据进行了定向改进;故在不使用张量分解,进而大大降低计算复杂度的情况下,检测能力仍然优于传统基于孤立森林模型的高光谱图像空谱联合特性异常检测方法,以及优于高光谱异常检测的经典算法RXD方法。
本申请提供了一种高光谱图像异常检测装置,包括:通过对原始高光谱图像数据进行归一化处理,能够将每个像元在各波段的灰度值进行映射以准确获取中间高光谱图像数据;进而基于主成分分析算法对若干个波段的中间高光谱图像数据进行降维,以获取第一主成分图像数据;然后,基于边缘检测的图像分割算法,根据多种背景地物之间的分界线将第一主成分图像数据分割为由若干个第一子区域组成的第一子区域集;并标记各个第一子区域的第一索引,以基于该第一索引将在各个第一子区域获取到的光谱维特征,应用于孤立森林优化模型中的异常检测,从而获取原始高光谱图像数据中的每个像元的第一光谱异常得分;同时,基于阈值分割的方法将第一主成分图像数据进行分割为由若干个第二子区域组成的第二子区域集;标记各个第一子区域的第二索引;以及基于Gabor滤波器提取中间高光谱图像数据的空间分布特征,并结合第二索引获取空间维特征;进而将空间维维特征应用于孤立森立优化模型进行异常检测,从而获取原始高光谱图像数据中的每个像元的第二空间异常得分;最后,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分,输出最终的目标异常得分作为异常检测结果。能够有效提高模型对于不同尺度不同维度的高光谱图像数据中的像元的异常估计值的检测,提升像元的异常估计值获取的精确度,减少漏检的情况。
在本申请实施例二的一些可选的实现方式中,上述降维处理模块103包括:集合构造单元、矩阵计算单元、单位向量计算单元、向量投影单元、降维向量获取单元以及向量集合单元。其中:
集合构造单元,用于基于主成分分析算法构造原始集合{x1,x2,…,xN},其中x1,x2,…,xN为原始输入量;
矩阵计算单元,用于计算原始集合的协方差矩阵,其中协方差矩阵表示为:
单位向量计算单元,用于计算与协方差矩阵的最大特征值相对应的单位特征向量v1;
向量投影单元,用于基于特征向量v1组成投影矩阵V,其中V=[v1];
向量集合单元,用于将降维向量组成的集合作为第一主成分图像数据。
在本申请实施例中,基于主成分分析算法对中间高光谱图像数据进行降维处理,具体可以是基于主成分分析算法构造原始集合{x1,x2,…,xN},其中x1,x2,…,xN为原始输入量,然后,计算该原始集合的协方差矩阵Σ:
进一步地,基于获取到的协方差矩阵Σ的最大特征值相对应的单位特征向量v1,并利用特征向量v1组成投影矩阵V=[v1];
继续参考图7,示出了本申请实施例二提供的边缘分割处理模块104的结构示意图,为了便于说明,仅示出与本申请相关的部分。
在本申请实施例二的一些可选的实现方式中,如图7所示,上述边缘分割处理模块104包括:卷积处理单元701、梯度计算单元702、边缘检测单元703以及边缘分割单元704。其中:
卷积处理单元701,用于基于高斯滤波模板对第一主成分图像数据进行卷积处理,得到平滑图像数据;
梯度计算单元702,用于基于微分算子计算与平滑图像数据相对应的梯度幅值以及梯度方向;
边缘检测单元703,用于对梯度幅值以及梯度方向进行非极大值抑制,并基于双阈值算法确定平滑图像数据中的边缘;
边缘分割单元704,用于基于边缘对平滑图像数据进行分割处理,得到第一子区域集。
在本申请实施例中,基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,具体可以是通过应用高斯滤波模板进行卷积处理,以使得到的平滑图像数据的图像平滑,去除噪声;进而,利用微分算子,计算梯度的幅值和方向;然后,对梯度幅值进行非极大值抑制,即遍历图像,若某个像素的灰度值与其梯度方向上前后两个像素的灰度值的差值小于设定值,则该像素值置为0,即不是边缘;最后,应用双阈值算法检测和连接边缘,即基于累计直方图计算两个阈值,其中,大于高阈值的一定是边缘;小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值,则需要判断这个像素的邻接像素中有没有超过高阈值的边缘像素,如果有,则该像素就是边缘,否则就不是边缘,从而基于确定的边缘将平滑图像数据分割为由若干个第一子区域组成的第一子区域集。
在本申请实施例二的一些可选的实现方式中,上述阈值分割处理模块108包括:原始阈值计算单元、类别确定单元以及最大背景类分割单元。其中:
原始阈值计算单元,用于基于最大类间方差法计算与第一主成分图像数据相对应的原始阈值;
类别确定单元,用于将第一主成分图像数据的灰度值与原始阈值进行比较,并将大于或等于原始阈值的灰度值对应的像元作为目标类,以及将小于原始阈值的灰度值对应的像元作为背景类;
最大背景类分割单元,用于对背景类重复执行计算协方差矩阵以及计算单位特征向量的步骤,以获取最大背景类来实现对第一主成分图像数据的分割处理,得到第二子区域集。
在本申请实施例中,基于阈值分割算法对第一主成分图像数据进行分割处理,具体可以是先基于最大类间方差法(OTSU)计算得到与第一主成分图像数据相对应的阈值T;进而将大于或等于阈值T的第一主成分图像数据的灰度值对应的像元归为目标类,以及将小于阈值T的第一主成分图像数据的灰度值对应的像元归为背景类;然后,对背景类再次重复执行计算协方差矩阵以及计算单位特征向量的步骤,直至达到最大背景类个数B,以基于该最大背景类个数B将第一主成分图像数据分割为由若干个第二子区域组成的第二子区域集。
在本申请实施例二的一些可选的实现方式中,上述第二异常检测模块1012包括:模型训练单元、分数计算单元以及平均值计算单元。其中:
模型训练单元,用于基于高光谱图像优化训练集对孤立森林原始模型中的若干棵二叉树进行训练,得到孤立森林优化模型。
在本申请实施例中,高光谱图像优化训练集是将孤立森林原始模型面向高光谱数据改进后得到图像数据。
其中,孤立森立原始模型中包含多棵树,每棵树都为二叉树,称为iTree,其结构示意图如图9所示。二叉树iTree中的结点分为叶结点(leaf node)、内部子结点(internalnode)和根结点(rootnode)。其中,根结点为树最顶端的结点,是树的起始点;每个内部子结点又可分为左右两个子结点;不断细分直至不可再分出子结点时称为叶结点。将原算法面向高光谱数据改进后,对孤立森林中的多棵二叉树iTree进行训练,得到孤立森林优化模型,具体包括如下步骤:
1)从中间高光谱图像数据中随机选取30%的像元,需要说明的是,选取像元可多选也可少选,但选太多计算量会大而精度提升有限,太少则会影响精度,而30%时,计算量与检测精度性价比较好,即0.3×N个像元作为训练子集每训练一棵树重复一次此随机选取子集步骤,也即孤立森林中的每棵树都是由随机选取的不同子集训练而来,故每棵树都是不同的。
2)随机确定向量其中, 任意选取pj,将Xsub中大于pj的像元分类至右子集中,小于pj的像元分类至左子集中,然后,基于公式(5)计算第i个波段(i∈[1,D]),子集Xsub所有0.3×N个像元中背景像元与异常目标像元的可分性评价指标Δ;其中,指标Δi的值越大,表示在第i个波段背景像元与异常像元的可分性越好;根据指标Δ确定背景与异常像元分离更好的前d(d=D/2)个波段。
3)构造满足高斯分布的随机向量并根据step8.1.2中随机确定的d个波段,将向量与之对应的坐标置1,其余坐标置0。如某次随机选取特征操作,选取了Xsub的第3、第6和第7个波段,则此时向量与之对应的坐标不做改变,其余坐标置0,即
4)根据判别公式(5)对Xsub中所有像元进行分类,将满足判别公式(6)的像元分类至左子结点,将不满足的像元分类至右子结点;也即将判别值小于等于零的像元放在左子结点,将判别值δi大于零的放在右子结点。
5)对于左子结点和右子结点分别重复上述步骤2)、步骤3)以及步骤4),直至满足下述条件:
条件(a):结点中的像元个数达到预设的最小个数K。
条件(b):树的最大高度已经达到预设的最大高度L。
6)将孤立森林原始模型中的每棵树都如上述步骤1)至步骤5)进行构造,组成森林,即孤立森林原始模型训练完毕,得到孤立森林优化模型。
分数计算单元,用于将空间维特征输入至孤立森林优化模型中计算得到每个空间维特征对应的空间异常性分数;
平均值计算单元,用于分别计算空间异常性分数的平均值,作为每个像元的第二空间异常得分。
在本申请实施例中,将空间维特征输入至孤立森林优化模型即通过将空间维特征的所有N个像元输入至孤立森林优化模型中,首先计算原始高光谱图像中所有像元被每一棵二叉树分割后的空间异常性分数,然后计算该像元被孤立森林中所有二叉树分割后空间异常性分数的平均值,即每个像元的第二空间异常得分。
在本申请实施例二的一些可选的实现方式中,上述加权算法表示为:
S(x)=0.618×GS(x)+0.382×KS(x)
其中,S(x)为目标异常得分,GS(x)为第一光谱异常得分,KS(x)为第二空间异常得分。
在本申请实施例中,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,具体可以是通过赋予光谱性异常分数,即第一光谱异常得分更多的权重,加权求得各像元最终的空谱联合特征异常分数S,生成最终的异常检测结果。
综上,本申请提供了一种高光谱图像异常检测装置,包括:请求响应模块,用于响应携带有原始高光谱图像数据的高光谱图像异常检测请求;数据获取模块,用于对原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;降维处理模块,用于基于主成分分析算法对中间高光谱图像数据进行降维处理,得到第一主成分图像数据;边缘分割处理模块,用于基于边缘检测的图像分割算法对第一主成分图像数据进行分割处理,得到第一子区域集;第一索引获取模块,用于记录第一子区域集中各个第一子区域的索引,并将索引作为第一索引;光谱维特征获取模块,用于基于第一索引在各个第一子区域中获取与中间高光谱图像数据对应的光谱维特征;第一异常检测模块,用于基于孤立森林优化模型对光谱维特征进行异常检测,得到原始高光谱图像数据中的每个像元的第一光谱异常得分;阈值分割处理模块,用于基于阈值分割算法对第一主成分图像数据进行分割处理,得到第二子区域集;第二索引获取模块,用于记录第二子区域集中各个第二子区域的索引,并将索引作为第二索引;特征提取模块,用于基于Gabor滤波器对中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;空间维特征获取模块,用于基于第二索引以及高光谱图像空间分布特征在各个第二子区域中分别获取空间维特征;第二异常检测模块,用于基于孤立森林优化模型对空间维特征进行异常检测,得到每个像元的第二空间异常得分;异常得分计算模块,用于基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分;得分输出模块,用于输出目标异常得分。基于(0,1)标准化方法对原始高光谱图像数据X∈R^(N×D)进行归一化处理,能够将每个像元在各波段的灰度值至(0,1]内,以准确获取中间高光谱图像数据;进而基于主成分分析算法对若干个波段的中间高光谱图像数据进行降维,以获取第一主成分图像数据,能够大大降低数据维度的同时,还能够较好的保留着原始高光谱图像数据的空间信息;然后,基于Canny算子的边缘检测方法对降维后得到的第一主成分图像数据X1进行分割,从而得到由若干个第一子区域组成的第一子区域集;并标记各个第一子区域的第一索引,以基于该第一索引将在各个第一子区域获取到的光谱维特征,应用于孤立森林优化模型中的异常检测,从而获取原始高光谱图像数据中的每个像元的第一光谱异常得分,实现了多维度的利用光谱特征进行异常检测;同时,基于阈值的分割方法对第一主成分图像数据X1进行分割,从而得到由若干个第二子区域组成的第二子区域集;标记各个第一子区域的第二索引;以及基于Gabor滤波器提取中间高光谱图像数据的空间分布特征,并结合第二索引获取空间维特征;进而将空间维维特征应用于孤立森立优化模型进行异常检测,从而获取原始高光谱图像数据中的每个像元的第二空间异常得分;最后,基于加权算法对第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个像元的目标异常得分,输出最终的目标异常得分作为异常检测结果。不仅能够准确、快速的获取异常目标的感兴趣信息,还能够有效提高模型对于不同尺度不同维度的高光谱图像数据中的像元的异常估计值的检测,提升像元的异常估计值获取的精确度,提高异常目标检出率,以及能够压制背景降低虚警率,减少漏检的情况。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
所述计算机设备8包括通过***总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是,图中仅示出了具有组件81-83的计算机设备8,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器81至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器81可以是所述计算机设备8的内部存储单元,例如该计算机设备8的硬盘或内存。在另一些实施例中,所述存储器81也可以是所述计算机设备8的外部存储设备,例如该计算机设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中,所述存储器81通常用于存储安装于所述计算机设备8的操作***和各类应用软件,例如高光谱图像异常检测方法的计算机可读指令等。此外,所述存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器82在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制所述计算机设备8的总体操作。本实施例中,所述处理器82用于运行所述存储器81中存储的计算机可读指令或者处理数据,例如运行所述高光谱图像异常检测方法的计算机可读指令。
所述网络接口83可包括无线网络接口或有线网络接口,该网络接口83通常用于在所述计算机设备8与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的高光谱图像异常检测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种高光谱图像异常检测方法,其特征在于,包括下述步骤:
响应携带有原始高光谱图像数据的高光谱图像异常检测请求;
对所述原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;
基于主成分分析算法对所述中间高光谱图像数据进行降维处理,得到第一主成分图像数据;
基于边缘检测的图像分割算法对所述第一主成分图像数据进行分割处理,将背景地物分割为若干个第一子区域,得到第一子区域集;
记录所述第一子区域集中各个第一子区域的像元坐标索引,并将所述像元坐标索引作为第一索引;
基于所述第一索引在各个所述第一子区域中获取与所述中间高光谱图像数据对应的光谱维特征;
基于孤立森林优化模型对所述光谱维特征进行异常检测,得到所述原始高光谱图像数据中的每个像元的第一光谱异常得分;
基于阈值分割算法对所述第一主成分图像数据进行分割处理,将背景地物分割为若干个第二子区域,得到第二子区域集;
记录所述第二子区域集中各个第二子区域的像元坐标索引,并将所述像元坐标索引作为第二索引;
基于Gabor滤波器对所述中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;
基于所述第二索引以及所述高光谱图像空间分布特征在各个所述第二子区域中分别获取空间维特征;
基于孤立森林优化模型对所述空间维特征进行异常检测,得到每个所述像元的第二空间异常得分;
基于加权算法对所述第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个所述像元的目标异常得分;
输出所述目标异常得分;
所述孤立森林优化模型通过高光谱图像优化训练集对孤立森林原始模型中的每一棵二叉树进行训练得到。
3.根据权利要求1所述的高光谱图像异常检测方法,其特征在于,所述基于边缘检测的图像分割算法对所述第一主成分图像数据进行分割处理,得到第一子区域集的步骤具体包括:
基于高斯滤波模板对所述第一主成分图像数据进行卷积处理,得到平滑图像数据;
基于微分算子计算与所述平滑图像数据相对应的梯度幅值以及梯度方向;
对所述梯度幅值以及梯度方向进行非极大值抑制,并基于双阈值算法确定所述平滑图像数据中的边缘;
基于所述边缘对所述平滑图像数据进行分割处理,得到所述第一子区域集。
4.根据权利要求2所述的高光谱图像异常检测方法,其特征在于,所述基于阈值分割算法对所述第一主成分图像数据进行分割处理,得到第二子区域集的步骤具体包括:
基于最大类间方差法计算与所述第一主成分图像数据相对应的原始阈值;
将所述第一主成分图像数据的灰度值与所述原始阈值进行比较,并将大于或等于所述原始阈值的灰度值对应的像元作为目标类,以及将小于所述原始阈值的灰度值对应的像元作为背景类;
对所述背景类重复执行计算所述协方差矩阵以及计算所述单位特征向量的步骤,以获取最大背景类来实现对所述第一主成分图像数据的分割处理,得到所述第二子区域集。
5.根据权利要求1所述的高光谱图像异常检测方法,其特征在于,所述基于孤立森林优化模型对所述空间维特征进行异常检测,得到每个所述像元的第二空间异常得分的步骤具体包括:
基于高光谱图像优化训练集对孤立森林原始模型中的每一棵二叉树进行训练,得到所述孤立森林优化模型;
将所述空间维特征输入至所述孤立森林优化模型中计算得到每个所述空间维特征对应的空间异常性分数;
分别计算所述空间异常性分数的平均值,作为每个所述像元的第二空间异常得分。
6.根据权利要求1所述的高光谱图像异常检测方法,其特征在于,所述加权算法表示为:
S(x)=0.618×GS(x)+0.382×KS(x)
其中,S(x)为所述目标异常得分,GS(x)为所述第一光谱异常得分,KS(x)为所述第二空间异常得分。
7.一种高光谱图像异常检测装置,其特征在于,包括:
请求响应模块,用于响应携带有原始高光谱图像数据的高光谱图像异常检测请求;
数据获取模块,用于对所述原始高光谱图像数据进行归一化处理,得到中间高光谱图像数据;
降维处理模块,用于基于主成分分析算法对所述中间高光谱图像数据进行降维处理,得到第一主成分图像数据;
边缘分割处理模块,用于基于边缘检测的图像分割算法对所述第一主成分图像数据进行分割处理,将背景地物分割为若干个第一子区域,得到第一子区域集;
第一索引获取模块,用于记录所述第一子区域集中各个第一子区域的像元坐标索引,并将所述像元坐标索引作为第一索引;
光谱维特征获取模块,用于基于所述第一索引在各个所述第一子区域中获取与所述中间高光谱图像数据对应的光谱维特征;
第一异常检测模块,用于基于孤立森林优化模型对所述光谱维特征进行异常检测,得到所述原始高光谱图像数据中的每个像元的第一光谱异常得分;
阈值分割处理模块,用于基于阈值分割算法对所述第一主成分图像数据进行分割处理,将背景地物分割为若干个第二子区域,得到第二子区域集;
第二索引获取模块,用于记录所述第二子区域集中各个第二子区域的像元坐标索引,并将所述像元坐标索引作为第二索引;
特征提取模块,用于基于Gabor滤波器对所述中间高光谱图像数据进行空间分布特征提取操作,得到高光谱图像空间分布特征;
空间维特征获取模块,用于基于所述第二索引以及所述高光谱图像空间分布特征在各个所述第二子区域中分别获取空间维特征;
第二异常检测模块,用于基于孤立森林优化模型对所述空间维特征进行异常检测,得到每个所述像元的第二空间异常得分;
异常得分计算模块,用于基于加权算法对所述第一光谱异常得分以及第二空间异常得分进行加权计算,得到每个所述像元的目标异常得分;
得分输出模块,用于输出所述目标异常得分;
所述孤立森林优化模型通过高光谱图像优化训练集对孤立森林原始模型中的每一棵二叉树进行训练得到。
8.根据权利要求7所述的高光谱图像异常检测装置,其特征在于,所述边缘分割处理模块包括:
卷积处理单元,用于基于高斯滤波模板对所述第一主成分图像数据进行卷积处理,得到平滑图像数据;
梯度计算单元,用于基于微分算子计算与所述平滑图像数据相对应的梯度幅值以及梯度方向;
边缘检测单元,用于对所述梯度幅值以及梯度方向进行非极大值抑制,并基于双阈值算法确定所述平滑图像数据中的边缘;
边缘分割单元,用于基于所述边缘对所述平滑图像数据进行分割处理,得到所述第一子区域集。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的高光谱图像异常检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的高光谱图像异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279231.0A CN112990313B (zh) | 2021-03-16 | 2021-03-16 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279231.0A CN112990313B (zh) | 2021-03-16 | 2021-03-16 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990313A CN112990313A (zh) | 2021-06-18 |
CN112990313B true CN112990313B (zh) | 2023-04-07 |
Family
ID=76336065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279231.0A Active CN112990313B (zh) | 2021-03-16 | 2021-03-16 | 高光谱图像异常检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990313B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553914B (zh) * | 2021-06-30 | 2024-03-19 | 核工业北京地质研究院 | 一种casi高光谱数据异常目标检测方法 |
CN113627322A (zh) * | 2021-08-09 | 2021-11-09 | 台州市污染防治工程技术中心 | 一种用于剔除异常点的方法、***及电子设备 |
CN115082865B (zh) * | 2022-07-27 | 2022-11-11 | 国能大渡河检修安装有限公司 | 基于视觉图像识别的桥机入侵危险行为预警方法及*** |
CN116758361B (zh) * | 2023-08-22 | 2023-10-27 | 中国铁路设计集团有限公司 | 基于空间与光谱联合特征的工程岩组遥感分类方法及*** |
CN117688500B (zh) * | 2024-02-02 | 2024-06-14 | 山东万洋石油科技有限公司 | 一种三维电阻率异常数据提取方法 |
CN117853931B (zh) * | 2024-03-04 | 2024-05-14 | 中国铁路设计集团有限公司 | 基于最近邻距离的高光谱图像孤立异常检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593587B1 (en) * | 2005-04-12 | 2009-09-22 | The United States Of America As Represented By The Secretary Of The Army | Spectral feature generation using high-pass filtering for scene anomaly detection |
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 |
CN112396066A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种适用于高光谱影像的特征提取方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8559719B2 (en) * | 2010-03-12 | 2013-10-15 | The United States Of America, As Represented By The Secretary Of The Navy | Spectral anomaly detection in deep shadows |
US9147265B2 (en) * | 2012-06-04 | 2015-09-29 | Raytheon Company | System and method for rapid cluster analysis of hyperspectral images |
CN102938151A (zh) * | 2012-11-22 | 2013-02-20 | 中国人民解放军电子工程学院 | 一种高光谱图像异常检测的方法 |
CN103559715B (zh) * | 2013-11-07 | 2016-04-27 | 中国科学院对地观测与数字地球科学中心 | 一种高光谱图像的异常检测方法及装置 |
CN106023218B (zh) * | 2016-05-27 | 2018-10-26 | 哈尔滨工程大学 | 基于空谱联合背景共同稀疏表示的高光谱异常检测方法 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其*** |
CN107895361A (zh) * | 2017-10-24 | 2018-04-10 | 中国电子科技集团公司第二十八研究所 | 一种基于局部密度纯化背景的高光谱异常检测方法 |
US11417090B2 (en) * | 2019-02-18 | 2022-08-16 | Nec Corporation | Background suppression for anomaly detection |
CN110443125A (zh) * | 2019-06-27 | 2019-11-12 | 武汉大学 | 一种基于判别森林子空间选择的高光谱异常探测方法 |
CN110570395B (zh) * | 2019-08-06 | 2022-04-29 | 西安电子科技大学 | 基于空谱联合协同表示的高光谱异常检测方法 |
CN110929643B (zh) * | 2019-11-21 | 2022-04-26 | 西北工业大学 | 一种基于多特征和孤立树的高光谱异常检测方法 |
CN112067129B (zh) * | 2020-09-24 | 2022-06-14 | 江苏集萃苏科思科技有限公司 | 一种高光谱处理方法及波段选择方法 |
-
2021
- 2021-03-16 CN CN202110279231.0A patent/CN112990313B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593587B1 (en) * | 2005-04-12 | 2009-09-22 | The United States Of America As Represented By The Secretary Of The Army | Spectral feature generation using high-pass filtering for scene anomaly detection |
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 |
CN112396066A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种适用于高光谱影像的特征提取方法 |
Non-Patent Citations (1)
Title |
---|
Xiangyu Song等.Spectral–Spatial Anomaly Detection of Hyperspectral Data Based on Improved Isolation Forest.《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》.2021,第60卷1-16. * |
Also Published As
Publication number | Publication date |
---|---|
CN112990313A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990313B (zh) | 高光谱图像异常检测方法、装置、计算机设备及存储介质 | |
Kang et al. | Hyperspectral anomaly detection with attribute and edge-preserving filters | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Li et al. | Contextual hypergraph modeling for salient object detection | |
CN101763507B (zh) | 人脸识别方法及人脸识别*** | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
Tu et al. | Hyperspectral anomaly detection using dual window density | |
EP2273424A1 (en) | Automated target detection and recognition system and method | |
CN108427913B (zh) | 联合光谱、空间和层次结构信息的高光谱影像分类方法 | |
Johnson et al. | AutoGAD: An improved ICA-based hyperspectral anomaly detection algorithm | |
Zhang et al. | Robust image corner detection based on scale evolution difference of planar curves | |
CN106295498B (zh) | 光学遥感图像目标区域检测装置与方法 | |
Deng et al. | Cloud detection in satellite images based on natural scene statistics and gabor features | |
Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
CN103617413B (zh) | 一种在图像中识别物体的方法 | |
CN105512622B (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
Kowkabi et al. | A fast spatial–spectral preprocessing module for hyperspectral endmember extraction | |
CN112990314A (zh) | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 | |
Elmikaty et al. | Car detection in aerial images of dense urban areas | |
Raza Shah et al. | Hyperspectral anomaly detection: a performance comparison of existing techniques | |
Giannarou et al. | Optimal edge detection using multiple operators for image understanding | |
Al-Ghrairi et al. | Classification of satellite images based on color features using remote sensing | |
Zhang et al. | Region-of-interest extraction based on spectrum saliency analysis and coherence-enhancing diffusion model in remote sensing images | |
Yang et al. | Hyperspectral image classification based on spatial and spectral features and sparse representation |
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 |