CN118135205A - 一种高光谱图像异常检测方法 - Google Patents
一种高光谱图像异常检测方法 Download PDFInfo
- Publication number
- CN118135205A CN118135205A CN202410544586.1A CN202410544586A CN118135205A CN 118135205 A CN118135205 A CN 118135205A CN 202410544586 A CN202410544586 A CN 202410544586A CN 118135205 A CN118135205 A CN 118135205A
- Authority
- CN
- China
- Prior art keywords
- pixel
- matrix
- point
- hyperspectral image
- mahalanobis distance
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 230000000052 comparative effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108010035322 rhamnogalacturonan acetylesterase Proteins 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种高光谱图像异常检测方法，包括：对待检测的高光谱图像矩阵进行分割，获取固定窗口区域和超像素的区域；将待检测的高光谱图像矩阵转换为全局二维图像矩阵；针对全局二维图像矩阵、固定窗口区域和超像素的区域，分别使用锚点生成模型处理和局部马氏距离模型处理，获得三种异常检测结果；将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果。提升了高光谱图像异常检测的准确性。
Description
技术领域
本发明涉及一种高光谱图像异常检测方法，属于高光谱图像处理技术领域。
背景技术
高光谱图像包含几十甚至上百个光谱波段，具有较高的光谱分辨率，其包含丰富的地物光谱特征信息，可极大地提高准确检测与识别地物类别的能力。在高光谱图像中，将与周围背景存在很大光谱差异的像素定义为异常。
RX算法是最典型的高光谱异常检测方法之一。RX算法将图像建模为多元高斯分布，估计全局图像的均值和协方差矩阵，然后将待测像元与背景之间的马氏距离作为异常决策准则。但是，RX算法仍然存在一些缺点，RX算法使用所有像素来计算背景统计(均值和协方差矩阵)往往会导致污染，因为计算中使用了异常像素(与背景差异很大)，因此背景统计不完全准确；RX算法基于高斯分布假设，但在实际应用中，很多高光谱图像数据并不符合高斯分布。针对RX算法的一些缺点，人们对RX算法进行了许多改进，如Local RX (LRX)算法和Kernel RX (KRX)算法。LRX是最典型的基于窗口的方法，LRX算法引入了局部信息的概念，即在计算协方差矩阵时只考虑一个像素点周围一定范围内的数据，而不考虑整个图像。LRX的检测性能通常优于RX，因为局部窗口的背景像素更倾向于服从高斯分布。但LRX算法对稀疏数据处理能力较差，当高光谱数据稀疏时，LRX算法的性能可能会受到影响。
发明内容
目的：鉴于以上技术问题中的至少一项，本发明提供一种高光谱图像异常检测方法，能够提高高光谱图像异常检测结果准确率。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
第一方面，本发明提供一种高光谱图像异常检测方法，包括：
对待检测的高光谱图像矩阵进行分割，获取固定窗口区域和超像素的区域；
将待检测的高光谱图像矩阵转换为全局二维图像矩阵；
针对全局二维图像矩阵、固定窗口区域和超像素的区域，分别使用锚点生成模型处理和局部马氏距离模型处理，获得三种异常检测结果；
其中使用锚点生成模型处理包括：计算目标区域内每个像素点与均值向量的马氏距离；根据每个像素点与均值向量的马氏距离对所有像素点进行升序排序，获得图像矩阵；循环计算所述图像矩阵/>中每个像素点与其他像素点之间的马氏距离，筛选马氏距离小于距离阈值的像素点获得点集/>；筛选出像素点的数量大于数量阈值的点集进行分析平均值，获得锚点和锚点集；
其中使用局部马氏距离模型处理包括：计算像素点与最近锚点的马氏距离，得到该像素点的异常分数，从而得到异常检测结果；
将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果。
在一些实施例中，获取固定窗口区域的方法包括：将高光谱图像矩阵划分为z个/>的非重叠块的固定窗口区域/>；其中，L、M、B分别表示高光谱图像的长、宽和波段数量，/>，/>表示固定窗口区域的长、宽；
在一些实施例中，获取超像素的区域的方法包括：
利用主成分分析PCA对高光谱图像矩阵进行降维，其中，L、M、B分别表示高光谱图像的长、宽和波段数量；
利用超像素分割算法SLIC将降维后的高光谱图像矩阵分割为c个超像素的区域。
在一些实施例中，将待检测的高光谱图像矩阵转换为全局二维图像矩阵，包括：
将高光谱图像矩阵转换为全局二维图像矩阵，其中，L、M、B分别表示高
光谱图像的长、宽和波段数量，所述全局二维图像矩阵是由K个1×B的像素点组成，其中，K=
L*M。
在一些实施例中，计算目标区域内每个像素点与均值向量的马氏距离，包括：
其中，为像素点X与均值向量的马氏距离，μ为均值向量，T表示矩阵的转置，为协方差矩阵，为协方差矩阵的逆矩阵；M表示高光谱图像的宽；所述均值向量的表达
式为：
其中，表示第l个像素点，K=L*M。
在一些实施例中，计算所述图像矩阵中每个像素点与其他像素点之间的马氏
距离，包括：
两个像素点之间的马氏距离的计算公式为：
其中，为像素点X和像素点Y之间的马氏距离；M表示高光谱图像的宽；
为协方差矩阵，为协方差矩阵的逆矩阵。
在一些实施例中，筛选马氏距离小于距离阈值的像素点获得点集，包括：
其中，表示第g个点集，表示所述图像矩阵中的第h个向量，表示所述图
像矩阵中的第个向量， 为非负数，gamma为距离阈值。
在一些实施例中，筛选出像素点的数量大于数量阈值的点集进行分析平均值，获得锚点Sg和锚点集S，包括：
其中，表示通过数量阈值筛选后的第g个点集的元素个数，表示通过数量阈值
筛选后的第g个点集中的第q个元素， 表示1到的全部元素之和；
所有锚点的集合称为锚点集；所述锚点集S的表达式为：
其中，表示筛选后的第p个点集的平均值，即第p个锚点。
在一些实施例中，计算像素点与最近锚点的马氏距离，得到该像素点的异常分数，包括：
其中，K为像素点总数，为第l个像素点与最近锚点的马氏距离，为第l个像素点与第g个锚点Sg的马氏距离；M表示高光谱图像的宽。
在一些实施例中，将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果，包括：
其中，Final表示最终异常检测结果，OR表示逻辑“或”，AND表示逻辑“与”，R1、R2、R3
分别表示三种异常检测结果，代表权重参数。
第二方面，本发明提供了一种高光谱图像异常检测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面所述的方法。
第三方面，本发明提供了一种设备，包括，
存储器；
处理器；
以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现上述第一方面所述的方法。
第四方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。
有益效果：本发明提供的高光谱图像异常检测方法，对原始图像进行分割，将图像矩阵划分非重叠块的固定窗口区域和超像素的区域两种局部区域；通过锚点生成算法模型获取锚点集，首先对区域内的所有像素点的光谱向量求平均值，分析区域内每个像素点与均值向量的马氏距离，获得每个像素点与均值向量的马氏距离，根据每个像素点与均值向量的马氏距离对像素点进行升序排序，获得图像矩阵；根据图像矩阵，循环分析区域内每个像素点与其他像素点之间的马氏距离，并分析该马氏距离是否小于距离阈值，获得点集，分析点集中像素点的数量是否大于数量阈值，大于数量阈值就对所述点集分析平均值，获得锚点集；通过局部马氏局部模型分析每个像素点与最近锚点的马氏距离为对应的异常分数，确定异常检测结果；分别以全局区域中的像素点、固定窗口区域像素块中的像素点和超像素的区域超像素块中的像素点为输入，采用所述锚点生成模型和局部马氏距离模型获得三种异常检测结果；将三种异常检测结果考虑逻辑“或”和逻辑“与”操作，然后进行融合，得到最终异常检测结果。由此，该方法通过图像分割、锚点生成、局部马氏距离分析和逻辑融合等步骤，提升了高光谱图像异常检测检测的准确性。
附图说明
图1为本发明实施例高光谱图像异常检测方法的示意图。
图2为本发明实施例Urban城市高光谱图像的RGB伪彩色图像。
图3为本发明对比例Urban城市高光谱图像的真实地物位置图。
图4为本发明对比例Urban城市高光谱图像的异常目标检测结构图(Method1)。
图5为本发明对比例Urban城市高光谱图像的异常目标检测结果图(Method2)。
图6为本发明对比例Urban城市高光谱图像的异常目标检测结构图(Method3)
图7为本发明对比例Urban城市高光谱图像的异常目标检测结构图(Method4)。
图8为本发明对比例Urban城市高光谱图像的异常目标检测结构图(Method5。
图9为本发明对比例Urban城市高光谱图像的异常目标检测结构图(Method6)。
图10为本发明实施例Urban城市高光谱图像异常目标检测结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
实施例1
第一方面，如图1所示，本实施例提供了一种高光谱图像异常检测方法，包括：
S1、对待检测的高光谱图像矩阵进行分割，获取固定窗口区域和超像素的区域；
在一些实施例中，获取固定窗口区域的方法包括：将高光谱图像矩阵划分为
z个的非重叠块的固定窗口区域；其中，L、M、B分别表示高光谱图像的长、宽和波段
数量，，表示固定窗口区域的长、宽；
在一些实施例中，获取超像素的区域的方法包括：
利用主成分分析PCA对高光谱图像矩阵进行降维，其中，L、M、B分别表示高光
谱图像的长、宽和波段数量；
利用超像素分割算法SLIC将降维后的高光谱图像矩阵分割为c个超像素的区域。
S2、将待检测的高光谱图像矩阵转换为全局二维图像矩阵；
为便于并行计算，需要将三维的高光谱图像矩阵转换为全局二维图像矩阵。
在一些实施例中，将待检测的高光谱图像矩阵转换为全局二维图像矩阵，包括：
将高光谱图像矩阵转换为全局二维图像矩阵，其中，L、M、B分别表示高
光谱图像的长、宽和波段数量，所述全局二维图像矩阵是由K个1×B的像素点组成，其中，K=
L*M。
S3、针对全局二维图像矩阵、固定窗口区域和超像素的区域，分别使用锚点生成模型处理和局部马氏距离模型处理，获得三种异常检测结果；
在该步骤中，分别以全局二维图像矩阵中的像素点、固定窗口区域像素块中的
像素点和超像素的区域超像素块中的像素点为输入，采用所述锚点生成模型和局部马氏
距离模型获得三种异常检测结果；
其中，为固定窗口区域中的第i个窗口区域，为超像素的区域中的第j个像素
块。
S31、其中使用锚点生成模型处理包括：计算目标区域内每个像素点与均值向量的
马氏距离；根据每个像素点与均值向量的马氏距离对所有像素点进行升序排序，获得图像
矩阵；循环计算所述图像矩阵中每个像素点与其他像素点之间的马氏距离，筛选马
氏距离小于距离阈值的像素点获得点集；筛选出像素点的数量大于数量阈值的点集进行
分析平均值，获得锚点和锚点集；
进一步地，在一些实施例中，计算目标区域内每个像素点与均值向量的马氏距离，包括：
其中，为像素点X与均值向量的马氏距离，μ为均值向量，T表示矩阵的转置，为协方差矩阵，为协方差矩阵的逆矩阵；M表示高光谱图像的宽；所述均值向量的表达
式为：
其中，表示第l个像素点，K=L*M。
在一些实施例中，计算所述图像矩阵中每个像素点与其他像素点之间的马氏
距离，包括：
两个像素点之间的马氏距离的计算公式为：
其中，为像素点X和像素点Y之间的马氏距离；M表示高光谱图像的宽；
为协方差矩阵，为协方差矩阵的逆矩阵。
进一步地，所述的协方差矩阵的计算方法包括：
(1)首先对样本的所有波段分析平均值；
(2)分别分析两个像素点的所有波段与其均值的差值向量；
(3)求出像素点X和像素点Y所有波段的协方差；
(4)构成协方差矩阵。
所述波段的平均值计算公式为：
所述协方差计算公式为：
，
所述协方差矩阵的公式为：
，
其中，表示像素点X的第i个维度，表示像素点Y的第j个维度，表示
和之间的协方差，表示期望值，表示X所有波段的平均值，表示Y所有波段的平均
值。
在一些实施例中，筛选马氏距离小于距离阈值的像素点获得点集，包括：
其中，表示第g个点集，表示所述图像矩阵中的第h个向量，表示所述图
像矩阵中的第个向量， 为非负数，gamma为距离阈值。
在一些实施例中，筛选出像素点的数量大于数量阈值的点集进行分析平均值，获得锚点Sg和锚点集S，包括：
其中，表示通过数量阈值筛选后的第g个点集的元素个数，表示通过数量阈值
筛选后的第g个点集中的第q个元素， 表示1到的全部元素之和；
所有锚点的集合称为锚点集；所述锚点集S的表达式为：
其中，表示筛选后的第p个点集的平均值，即第p个锚点。
S32、其中使用局部马氏距离模型处理包括：计算像素点与最近锚点的马氏距离，得到该像素点的异常分数，从而得到异常检测结果；
在一些实施例中，计算像素点与最近锚点的马氏距离，得到该像素点的异常分数，包括：
其中，K为像素点总数，为第l个像素点与最近锚点的马氏距离，为第l个像素点与第g个锚点Sg的马氏距离；M表示高光谱图像的宽。
S4、将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果。
在一些实施例中，将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果，包括：
其中，Final表示最终异常检测结果，OR表示逻辑“或”，AND表示逻辑“与”，R1、R2、R3
分别表示三种异常检测结果，代表权重参数。
具体应用例：采用通过机载可见光/红外成像光谱仪(AVIRIS)获取的飞机场高光谱图像，如图2所示，Urban城市高光谱图像伪彩色图像，简称为Urban城市高光谱图像，Urban城市高光谱图像的空间分辨率为17.2米/像素，包含204个波段用于异常目标检测。Urban城市图像的实验区域数据大小为100×100。图3为Urban城市高光谱图像的真实地物位置(图3中的白光点即为异常目标)。分别采用现有的RX、LRX、CRD、LSMAD、FrFE、RGAE和本申请的高光谱图像异常检测方法对实施例Beach海滩高光谱图像进行异常目标检测，其异常目标检测准确率如表1所示：
表1 高光谱异常目标检测准确率对比表
| 异常目标检测方法 | RX | LRX | CRD | LSMAD | FrFE | RGAE | 本发明 |
| 异常目标检测准确率/% | 99.07 | 99.29 | 98.97 | 98.97 | 98.92 | 98.22 | 99.80 |
从表1的可知，本申请的高光谱图像异常检测方法异常目标检测准确率高达99.80%，其明显优于现有的其他几种方法。比准确率AUC得分第二的高LRX方法高0.51%。
并且从图4、图5、图6、图7、图8、图9和图10中的异常目标的清楚程度、与背景的分离性程度可以看出，本申请的高光谱图像异常检测方法的异常目标检测效果明显比其他几种方法好。
以上证实了本申请可有效提升异常目标检测准确率，其在高光谱的异常目标检测上可行。
实施例2
第二方面，基于实施例1，本实施例提供了一种高光谱图像异常检测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例1所述的方法。
实施例3
第三方面，基于实施例1，本实施例提供了一种设备，包括，
存储器；
处理器；
以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现实施例1所述的方法。
实施例4
第四方面，基于实施例1，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种高光谱图像异常检测方法，其特征在于，所述方法包括：
对待检测的高光谱图像矩阵进行分割，获取固定窗口区域和超像素的区域；
将待检测的高光谱图像矩阵转换为全局二维图像矩阵；
针对全局二维图像矩阵、固定窗口区域和超像素的区域，分别使用锚点生成模型处理和局部马氏距离模型处理，获得三种异常检测结果；
其中使用锚点生成模型处理包括：计算目标区域内每个像素点与均值向量的马氏距离；根据每个像素点与均值向量的马氏距离对所有像素点进行升序排序，获得图像矩阵；循环计算所述图像矩阵/>中每个像素点与其他像素点之间的马氏距离，筛选马氏距离小于距离阈值的像素点获得点集/>；筛选出像素点的数量大于数量阈值的点集进行分析平均值，获得锚点和锚点集；
其中使用局部马氏距离模型处理包括：计算像素点与最近锚点的马氏距离，得到该像素点的异常分数，从而得到异常检测结果；
将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果。
2.根据权利要求1所述的方法，其特征在于，获取固定窗口区域的方法包括：将高光谱图像矩阵划分为z个/>的非重叠块的固定窗口区域/>；其中，L、M、B分别表示高光谱图像的长、宽和波段数量，/>，/>表示固定窗口区域的长、宽；
和/或，获取超像素的区域的方法包括：
利用主成分分析PCA对高光谱图像矩阵进行降维，其中，L、M、B分别表示高光谱图像的长、宽和波段数量；
利用超像素分割算法SLIC将降维后的高光谱图像矩阵分割为c个超像素的区域。
3.根据权利要求1所述的方法，其特征在于，将待检测的高光谱图像矩阵转换为全局二维图像矩阵，包括：
将高光谱图像矩阵转换为全局二维图像矩阵/>，其中，L、M、B分别表示高光谱图像的长、宽和波段数量，所述全局二维图像矩阵是由K个1×B的像素点组成，其中，K=L*M。
4.根据权利要求1所述的方法，其特征在于，计算目标区域内每个像素点与均值向量的马氏距离，包括：
；
其中，为像素点X与均值向量的马氏距离，μ为均值向量，T表示矩阵的转置，/>为协方差矩阵，/>为协方差矩阵的逆矩阵；M表示高光谱图像的宽；所述均值向量的表达式为：
；
其中，表示第l个像素点，K=L*M。
5.根据权利要求1所述的方法，其特征在于，计算所述图像矩阵中每个像素点与其他像素点之间的马氏距离，包括：
两个像素点之间的马氏距离的计算公式为：
；
其中，为像素点X和像素点Y之间的马氏距离；M表示高光谱图像的宽；/>为协方差矩阵，/>为协方差矩阵的逆矩阵。
6.根据权利要求1所述的方法，其特征在于，筛选马氏距离小于距离阈值的像素点获得点集，包括：
；
其中，表示第g个点集，/>表示所述图像矩阵/>中的第h个向量，/>表示所述图像矩阵中的第/>个向量， />为非负数，gamma为距离阈值。
7.根据权利要求1所述的方法，其特征在于，筛选出像素点的数量大于数量阈值的点集进行分析平均值，获得锚点Sg和锚点集S，包括：
；
其中，表示通过数量阈值筛选后的第g个点集的元素个数，/>表示通过数量阈值筛选后的第g个点集中的第q个元素， />表示1到/>的全部元素之和；
所有锚点的集合称为锚点集；所述锚点集S的表达式为：
；
其中，表示筛选后的第p个点集的平均值，即第p个锚点。
8.根据权利要求1所述的方法，其特征在于，计算像素点与最近锚点的马氏距离，得到该像素点的异常分数，包括：
；
其中， K为像素点总数，为第l个像素点/>与最近锚点的马氏距离，/>为第l个像素点/>与第g个锚点Sg的马氏距离；M表示高光谱图像的宽。
9.根据权利要求1所述的方法，其特征在于，将三种异常检测结果考虑逻辑“或”“与”操作进行融合，得到最终异常检测结果，包括：
；
；
；
其中，Final表示最终异常检测结果，OR表示逻辑“或”，AND表示逻辑“与”，R1、R2、R3分别表示三种异常检测结果，代表权重参数。
10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410544586.1A CN118135205B (zh) | 2024-05-06 | 2024-05-06 | 一种高光谱图像异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410544586.1A CN118135205B (zh) | 2024-05-06 | 2024-05-06 | 一种高光谱图像异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118135205A true CN118135205A (zh) | 2024-06-04 |
| CN118135205B CN118135205B (zh) | 2024-07-16 |
Family
ID=91246799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410544586.1A Active CN118135205B (zh) | 2024-05-06 | 2024-05-06 | 一种高光谱图像异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118135205B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017190542A1 (zh) * | 2016-05-04 | 2017-11-09 | 山东大学 | 一种基于分块的vca端元提取方法 |
| WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
| CN114202539A (zh) * | 2021-12-18 | 2022-03-18 | 南京理工大学 | 基于端到端rx的高光谱图像异常检测方法 |
| CN117237618A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种高光谱图像异常检测方法 |
-
2024
- 2024-05-06 CN CN202410544586.1A patent/CN118135205B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017190542A1 (zh) * | 2016-05-04 | 2017-11-09 | 山东大学 | 一种基于分块的vca端元提取方法 |
| WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
| CN114202539A (zh) * | 2021-12-18 | 2022-03-18 | 南京理工大学 | 基于端到端rx的高光谱图像异常检测方法 |
| CN117237618A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种高光谱图像异常检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118135205B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
| Dornaika et al. | Building detection from orthophotos using a machine learning approach: An empirical study on image segmentation and descriptors | |
| US7724256B2 (en) | Fast graph cuts: a weak shape assumption provides a fast exact method for graph cuts segmentation | |
| US20180189610A1 (en) | Active machine learning for training an event classification | |
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
| Rottmann et al. | Uncertainty measures and prediction quality rating for the semantic segmentation of nested multi resolution street scene images | |
| CN111401387B (zh) | 异常样本构建方法、装置、计算机设备和存储介质 | |
| CN111815579A (zh) | 一种图像变化检测方法、装置及计算机可读存储介质 | |
| US20230144724A1 (en) | Method for Finding Image Regions that Significantly Influence Classification in a Tool for Pathology Classification in a Medical Image | |
| CN112561881A (zh) | 基于评价模型的红外图像自适应数据增强方法 | |
| CN104978738A (zh) | 检测数字图像中的兴趣点的方法 | |
| CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
| CN108447065B (zh) | 一种高光谱超像元分割方法 | |
| CN117237618A (zh) | 一种高光谱图像异常检测方法 | |
| CN118135205B (zh) | 一种高光谱图像异常检测方法 | |
| CN110991408B (zh) | 基于深度学习方法分割脑白质高信号的方法和装置 | |
| KR101821770B1 (ko) | 특징 추출을 위한 기법들 | |
| CN116778339A (zh) | 局部视图辅助判别高光谱波段选择方法及*** | |
| Dornaika et al. | A comparative study of image segmentation algorithms and descriptors for building detection | |
| CN115631211A (zh) | 一种基于无监督分割的高光谱图像小目标检测方法 | |
| CN112989919B (zh) | 一种从影像中提取目标对象的方法及*** | |
| CN113947723A (zh) | 基于尺寸平衡fcos的高分辨率遥感场景目标检测方法 | |
| Kumar et al. | A symbiosis with panicle-SEG based CNN for count the number of wheat ears | |
| CN109903274B (zh) | 一种高分辨率遥感影像变化检测方法及*** |
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 |