CN113537150B - 高光谱图像目标异常检测方法、***、终端及存储介质 - Google Patents
高光谱图像目标异常检测方法、***、终端及存储介质 Download PDFInfo
- Publication number
- CN113537150B CN113537150B CN202110921317.9A CN202110921317A CN113537150B CN 113537150 B CN113537150 B CN 113537150B CN 202110921317 A CN202110921317 A CN 202110921317A CN 113537150 B CN113537150 B CN 113537150B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- weight
- image target
- hyperspectral
- maximum cross
- 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 69
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000008407 joint function Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 241001466077 Salina Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
一种高光谱图像目标异常检测方法、***、终端及存储介质,检测方法包括以下步骤:通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重;对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素。本发明通过对高光谱图像的不同波段自适应赋予不同权重,能够有效避免波段噪声与异常像素点段对于检测准确度的影响,提高算法的鲁棒性。本发明目标函数构建的是联合函数,同时求解波段权重和邻域像素点权重,使用迭代求解算法高效求解,避免了单独学习二者其中一个可能带来的次优解问题。本发明能够有效的提高准确率。
Description
技术领域
本发明属于遥感图像处理领域,具体涉及一种高光谱图像目标异常检测方法、***、终端及存储介质。
背景技术
高光谱图像拥有众多的光谱域,可以提供地球表面的大量光谱信息和空间信息,由于高光谱图像的良好检测性能,它被广泛的应用于场景分类、混合、聚类、变化检测和目标检测等领域。高光谱图像的应用之一—高光谱异常检测已经是当前研究的热点之一,目前高光谱异常检测被广泛应用于军事和民用领域,并已经取得了不错的效果。高光谱异常检测是一种无监督的二分类问题,不需要先验知识。在高光谱异常检测中,将光谱与其周围的光谱显著不同的对象视为异常,将整个图像中除异常以外的对象定义为背景。
当前已有的很多方法都可以完成高光谱异常检测。Reed-Xiaoli(RX)算法基于像素与背景之间的Mahalanobis距离,并假设使用多元高斯背景分布来识别异常,详细的又分为使用整个图像建模背景的GRX和使用局部双窗口进行建模的LRX。后来又有学者提出了非线性版本的RX(KRX),KRX通过非线性映射函数扩展到与原始输入空间相关的特征空间。由于KRX存在目标污染背景的问题,又有学者基于此问题对算法进行了改进,提出了在内核空间中使用鲁棒回归分析的鲁棒性非线性异常检测算法(RNAD)。基于协作表示的检测器(CRD)在后来被提出并被广泛使用。CRD假设背景中的每个像素都可以使用其邻域像素进行近似,而异常像素则不能。假设背景像素是相邻像素的线性组合,并且通过最小化范数来增强协作表示。当前已有基于RX的检测器都是假定背景是均匀的,并使用多元高斯分布进行建模。但是实际情况中往往无法满足此假设,这将导致准确率下降。
除此以外,由于高光谱图像在获取时并不能完全屏蔽噪声和异常的干扰,因此在高光谱图像中某个波段可能会存在噪声和异常像素点。CRD以及其派生算法都是假设每个波段都具有相同的重要性,这样的假设对于噪声波段的鲁棒性将会很差,从而降低异常检测的效果。
相关文献:
【1】Reed I S,Yu X.Adaptive multiple-band CFAR detection of an opticalpattern with unknown spectral distribution[J].IEEE Transactions on Acoustics,Speech,and Signal Processing,1990,38(10):1760-1770.
【2】Molero J M,Garzón E M,García I,et al.Analysis and optimizations ofglobal and local versions of the RX algorithm for anomaly detection inhyperspectral data[J].IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2013,6(2):801-814.
【3】Kwon H,Nasrabadi N M.Kernel RX-algorithm:Anonlinear anomalydetector for hyperspectral imagery[J].IEEE transactions on Geoscience andRemote Sensing,2005,43(2):388-397.
【4】Zhao R,Du B,Zhang L.Arobust nonlinear hyperspectral anomalydetection approach[J].IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2014,7(4):1227-1234.
【5】Li W,Du Q.Collaborative representation for hyperspectral anomalydetection[J].IEEE Transactions on Geoscience and Remote Sensing,2014,53(3):1463-1474.
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种高光谱图像目标异常检测方法、***、终端及存储介质,能够有效避免噪声和异常波段对于高光谱异常检测的影响。
为了实现上述目的,本发明有如下的技术方案:
一种高光谱图像目标异常检测方法,包括以下步骤:
通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重;
对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素。
作为本发明高光谱图像目标异常检测方法的一种优选方案,所述的高光谱图像定义为表示具有n个像素的高光谱图像,维度为d维;使用滑动双窗口来进行局部近似,外窗和内窗的尺寸分别用wout和win来表示,因此,所在邻域的像素用/> 来表示,其中s=wout×wout-win×win。
作为本发明高光谱图像目标异常检测方法的一种优选方案,所述高光谱图像的最大互相关熵协作表示目标函数如下:
其中,表示所使用的每个邻域像素的权重,λ为正则化参数;
式中,越大代表协作表示的差异越大,则/>越小。
作为本发明高光谱图像目标异常检测方法的一种优选方案,将所述最大互相关熵协作表示目标函数通过半二次技术进行重构得到如下表达式:
式中,是一个对角矩阵,对角线上的每一个元素/>代表该波段的权重;
wk的定义如下:
作为本发明高光谱图像目标异常检测方法的一种优选方案,与中心像素差异较大的像素点对应较小的系数,利用对角正则化矩阵求解
其中Γi为Tikhonov正则化矩阵,表达式如下:
作为本发明高光谱图像目标异常检测方法的一种优选方案,采用迭代优化的方式对提出的目标函数进行优化,完成无监督高光谱图像目标异常检测。
本发明还提出一种高光谱图像目标异常检测***,包括:
光谱波段加权模块,用于通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重;
异常像素筛选模块,用于对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素。
本发明还提出一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述的处理器执行所述的计算机程序时实现所述的高光谱图像目标异常检测方法的步骤。
本发明还提出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程序,所述的计算机程序被处理器执行时实现所述的高光谱图像目标异常检测方法的步骤。
相较于现有技术,本发明至少具有以下有益效果:
在高光谱图像目标异常检测过程中,通过对高光谱图像的不同波段自适应赋予不同权重,对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素,能有效避免波段噪声与异常像素点段对于检测准确度的影响,提高算法的鲁棒性。本发明提出的方法与当前主流高光谱图像目标异常检测方法相比具有明显优势,在公开数据集上的准确率都大幅领先其它方法。
进一步的,本发明目标函数构建的是联合函数,同时求解波段权重和邻域像素点权重,使用迭代求解算法高效求解,避免了单独学习二者其中一个可能带来的次优解问题。
附图说明
图1本发明与其它方法在AVIRIS-I数据集上ROC曲线对比图;
图2本发明与其它方法在ABU-airport-1数据集上ROC曲线对比图;
图3 AVIRIS-I数据集伪彩色图;
图4 AVIRIS-I数据集标签图;
图5 AVIRIS-I数据集CRD检测结果图;
图6 AVIRIS-I数据集本发明检测结果图;
图7 AVIRIS-II数据集伪彩色图;
图8 AVIRIS-II数据集标签图;
图9 AVIRIS-II数据集CRD检测结果图;
图10 AVIRIS-II数据集本发明检测结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
假设高光谱图像定义为表示具有n个像素的高光谱图像,维度为d维;使用滑动双窗口来进行局部近似,外窗和内窗的尺寸分别用wout和win来表示,因此,所在邻域的像素用/>来表示,其中s=wout×wout-win×win。
S1、通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重;
S2、对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素。
本发明提出的高光谱图像目标异常检测方法基于信息理论学习(ITL)中提出的最大熵理论(MCC)来构建检测器。ITL提供了一种统一的方法来提高针对异常值鲁棒性的机器学习方法。MCC可以从数据中获得更多信息以进行调整,因此在处理非高斯信号时可以具有更大的优势。熵引入了一个新的度量,当两点接近时,该度量等于范数。随着两点逐渐远离,度量将接近/>范数,最终接近/>范数。因此,MCC对于异常值有着强鲁棒性。
所述高光谱图像的最大互相关熵协作表示目标函数如下:
其中,表示所使用的每个邻域像素的权重,λ为正则化参数;
式中,越大代表协作表示的差异越大,则/>越小。
将所述最大互相关熵协作表示目标函数通过半二次技术进行重构得到如下表达式:
式中,是一个对角矩阵,对角线上的每一个元素/>代表该波段的权重;
wk的定义如下:
与中心像素差异较大的像素点对应较小的系数,利用对角正则化矩阵求解 其中Γi为Tikhonov正则化矩阵,表达式如下:
采用迭代优化的方式对提出的目标函数进行优化,完成无监督高光谱图像目标异常检测。
本发明提出的高光谱图像目标异常检测方法,能够有效避免噪声和异常波段对于高光谱异常检测的影响。通过本发明的方法给予噪声波段足够小的权重以至于不会影响推理结果,而给予贡献大的波段更多的权重,以便它能够提供更多的有效信息。
本发明还提出一种高光谱图像目标异常检测***,包括:
光谱波段加权模块,用于通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重;
异常像素筛选模块,用于对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素。
本发明还提出一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述的处理器执行所述的计算机程序时实现所述的高光谱图像目标异常检测方法的步骤。
本发明还提出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程序,所述的计算机程序被处理器执行时实现所述的高光谱图像目标异常检测方法的步骤。
所述的计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明高光谱图像目标异常检测方法。
所述终端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,也可以是处理器、存储器。处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现高光谱图像目标异常检测***的各种功能。
实施例
一种高光谱图像目标异常检测方法,包括以下步骤:
步骤一:输入高光谱图像正则项参数λ,σ以及滑动窗口大小wout和win。
步骤二:对于目标函数进行求解,固定Wi(赋予初始值I)更新αi,目标函数将转化为:
对于上述公式令其对αi求导并置导数为0,可以得到:
根据此公式可对αi进行更新。
步骤三:固定αi,通过公式更新Wi。
步骤四:重复进行步骤二和步骤三,直至收敛。
步骤五:移动滑动窗口,对下一个像素进行处理。对其进行步骤二、步骤三和步骤四的操作。
步骤六:通过得到高光谱全像素异常分数,设置阈值得到异常像素。
表1是本发明基于最大熵准则的协作表示方法进行高光谱异常检测在公开数据集上与当前主流方法的AUC值对比,其中,AUC值越大越好。
表1
Dataset | GRX | LRX | CRD | LSMAD | SWCRD | ERCRD | Ours |
AVIRIS-I | 0.9111 | 0.8584 | 0.9911 | 0.9758 | 0.9936 | 0.9678 | 0.9985 |
AVIRIS-II | 0.9403 | 0.8466 | 0.9696 | 0.9703 | 0.9798 | 0.9614 | 0.9855 |
AVIRIS-III | 0.8771 | 0.8411 | 0.9828 | 0.9318 | 0.9837 | 0.9349 | 0.9904 |
ABU-airport-1 | 0.8221 | 0.8886 | 0.923 | 0.8806 | 0.9273 | 0.897 | 0.9631 |
ABU-airport-2 | 0.8404 | 0.9706 | 0.9735 | 0.9315 | 0.9692 | 0.9693 | 0.9879 |
Salinas | 0.8872 | 0.9172 | 0.9606 | 0.9351 | 0.951 | 0.9447 | 0.9643 |
图1和图2是本发明与当前主流方法在AVIRIS-I和ABU-airport-1数据集上的ROC曲线对比图,图中的曲线越靠近左上角效果越好。图3,图4,图5和图6分别为AVIRIS-I数据集的伪彩色图,标签图,CRD的检测效果图和本发明的检测效果图。图6,图7,图8和图9分别为AVIRIS-II数据集的伪彩色图,标签图,CRD检测效果图和本发明的检测效果图,这些检测图中像素越亮说明该像素为异常点的可能性越高。对比可见,本发明提出的方法与当前主流高光谱图像目标异常检测方法相比具有明显优势,在公开数据集(AVIRIS-I数据集以及AVIRIS-II数据集)上的准确率都大幅领先于其它方法。
以上所述的仅仅是本发明的较佳实施例,并不用以对本发明的技术方案进行任何限制,本领域技术人员应当理解的是,在不脱离本发明精神和原则的前提下,该技术方案还可以进行若干简单的修改和替换,这些修改和替换也均属于权利要求书所涵盖的保护范围之内。
Claims (6)
1.一种高光谱图像目标异常检测方法,其特征在于,包括以下步骤:
通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重;
对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素;
所述高光谱图像的最大互相关熵协作表示目标函数如下:
其中,表示所使用的每个邻域像素的权重,λ为正则化参数;
式中,越大代表协作表示的差异越大,则/>越小;
将所述最大互相关熵协作表示目标函数通过半二次技术进行重构得到如下表达式:
式中,是一个对角矩阵,对角线上的每一个元素/>代表该波段的权重;
wk的定义如下:
与中心像素差异较大的像素点对应较小的系数,利用对角正则化矩阵求解
其中Γi为Tikhonov正则化矩阵,表达式如下:
2.根据权利要求1所述的高光谱图像目标异常检测方法,其特征在于:所述的高光谱图像定义为表示具有n个像素的高光谱图像,维度为d维;使用滑动双窗口来进行局部近似,外窗和内窗的尺寸分别用wout和win来表示,因此,所在邻域的像素用/>来表示,其中s=wout×wout-win×win。
3.根据权利要求1所述的高光谱图像目标异常检测方法,其特征在于:采用迭代优化的方式对提出的目标函数进行优化,完成无监督高光谱图像目标异常检测。
4.一种高光谱图像目标异常检测***,其特征在于,包括:
光谱波段加权模块,用于通过最大互相关熵协作表示赋予高光谱图像每个波段一个合适的权重;
异常像素筛选模块,用于对于每个波段具有一个合适的权重的高光谱图像,通过最大互相关熵协作表示得出像素异常得分,通过设置合适阈值选择出异常像素;
所述高光谱图像的最大互相关熵协作表示目标函数如下:
其中,表示所使用的每个邻域像素的权重,λ为正则化参数;
式中,越大代表协作表示的差异越大,则/>越小;
将所述最大互相关熵协作表示目标函数通过半二次技术进行重构得到如下表达式:
式中,是一个对角矩阵,对角线上的每一个元素/>代表该波段的权重;
wk的定义如下:
与中心像素差异较大的像素点对应较小的系数,利用对角正则化矩阵求解
其中Γi为Tikhonov正则化矩阵,表达式如下:
5.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述的处理器执行所述的计算机程序时实现如权利要求1至3中任意一项所述的高光谱图像目标异常检测方法的步骤。
6.一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程序,其特征在于:所述的计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的高光谱图像目标异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110921317.9A CN113537150B (zh) | 2021-08-11 | 2021-08-11 | 高光谱图像目标异常检测方法、***、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110921317.9A CN113537150B (zh) | 2021-08-11 | 2021-08-11 | 高光谱图像目标异常检测方法、***、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537150A CN113537150A (zh) | 2021-10-22 |
CN113537150B true CN113537150B (zh) | 2024-04-02 |
Family
ID=78090891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110921317.9A Active CN113537150B (zh) | 2021-08-11 | 2021-08-11 | 高光谱图像目标异常检测方法、***、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537150B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010132135A1 (en) * | 2009-05-14 | 2010-11-18 | Raytheon Company | Adaptive spatial-spectral processing (assp) |
CN105989597A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于像素选择过程的高光谱图像异常目标检测方法 |
CN109447272A (zh) * | 2018-09-29 | 2019-03-08 | 西安交通大学 | 一种基于最大中心互相关熵准则的极限学习机方法 |
WO2019218313A1 (zh) * | 2018-05-17 | 2019-11-21 | 五邑大学 | 一种递进式动态高光谱图像分类方法 |
CN110705600A (zh) * | 2019-09-06 | 2020-01-17 | 西安交通大学 | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 |
CN111160310A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于自权重协同表示的高光谱异常目标检测方法 |
-
2021
- 2021-08-11 CN CN202110921317.9A patent/CN113537150B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010132135A1 (en) * | 2009-05-14 | 2010-11-18 | Raytheon Company | Adaptive spatial-spectral processing (assp) |
CN105989597A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于像素选择过程的高光谱图像异常目标检测方法 |
WO2019218313A1 (zh) * | 2018-05-17 | 2019-11-21 | 五邑大学 | 一种递进式动态高光谱图像分类方法 |
CN109447272A (zh) * | 2018-09-29 | 2019-03-08 | 西安交通大学 | 一种基于最大中心互相关熵准则的极限学习机方法 |
CN110705600A (zh) * | 2019-09-06 | 2020-01-17 | 西安交通大学 | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 |
CN111160310A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于自权重协同表示的高光谱异常目标检测方法 |
Non-Patent Citations (2)
Title |
---|
周千 ; 马文涛 ; 桂冠 ; .基于l_1-范数约束的递归互相关熵的稀疏***辨识.信号处理.2016,(第09期),全文. * |
朱德辉 ; 杜博 ; 张良培 ; .波段选择协同表达高光谱异常探测算法.遥感学报.2020,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113537150A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Image analysis by Gaussian–Hermite moments | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
Zhang et al. | An adaptive bilateral filter based framework for image denoising | |
US9865037B2 (en) | Method for upscaling an image and apparatus for upscaling an image | |
Xiang et al. | Hyperspectral anomaly detection by local joint subspace process and support vector machine | |
Xu et al. | Spectral–spatial classification of hyperspectral image based on low-rank decomposition | |
CN107220662B (zh) | 基于全局最优聚类的高光谱图像波段选择方法 | |
Zhang et al. | A switching median–mean filter for removal of high-density impulse noise from digital images | |
Gupta et al. | Linearly quantile separated weighted dynamic histogram equalization for contrast enhancement | |
CN114998750B (zh) | 一种遥感图像随机长度条带去除方法、装置、设备及介质 | |
CN111476813A (zh) | 图像变化检测方法、装置、电子设备及存储介质 | |
Sun et al. | A general non-local denoising model using multi-kernel-induced measures | |
Tu et al. | Ensemble entropy metric for hyperspectral anomaly detection | |
Chen et al. | Two-pass bilateral smooth filtering for remote sensing imagery | |
Bui et al. | Projection-free kernel principal component analysis for denoising | |
Yang et al. | A new TLD target tracking method based on improved correlation filter and adaptive scale | |
Wei et al. | Hyperspectral anomaly detection based on graph regularized variational autoencoder | |
Han et al. | Deep low-rank graph convolutional subspace clustering for hyperspectral image | |
Jin et al. | A new poisson noise filter based on weights optimization | |
Kim et al. | ADOM: ADMM-based optimization model for stripe noise removal in remote sensing image | |
CN113537150B (zh) | 高光谱图像目标异常检测方法、***、终端及存储介质 | |
Xiao et al. | Robust tensor low-rank sparse representation with saliency prior for hyperspectral anomaly detection | |
Wang et al. | Structural smoothness low-rank matrix recovery via outlier estimation for image denoising | |
CN108492283B (zh) | 一种基于带约束稀疏表示的高光谱图像异常检测方法 | |
CN112686814B (zh) | 一种基于仿射低秩的图像去噪方法 |
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 |