基于空谱联合异常度的高光谱异常目标检测

发布时间：2024-02-06 21:22

　　随着高光谱图像技术的不断发展,光谱分辨率和空间分辨率不断提高,相比于其他遥感图像,能够获得更为精细的光谱特征。这为地物的高精度分类、解混和目标检测等研究领域提供了理论平台,其中由于高光谱异常目标检测技术不需要地物的先验信息,更符合实际应用的需求。针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异,而忽略两者空间信息的差异,导致检测精度不高的问题,提出了一种基于空谱联合异常度的高光谱异常目标检测算法。该算法不需要假设图像的背景模型,建立在滑动双窗口的基础上,提出了光谱异常度和空间异常度两个概念。在光谱异常度计算中,考虑了波段间的非线性特征,采用光谱角匹配的核函数方法进行检测,基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度;在空间异常度的计算中,由于物质在空间方面的聚类特性,通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量,同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度;最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度,基于滑动双窗口模型...

【文章页数】：7 页

【部分图文】：

图9六种算法的ROC曲线对比

为了能够定量的比较六种算法的检测效能,利用ROC(receiveroperatingcharacteristiccurve)曲线和AUC(areaunderthecurve)值进行说明比对。若ROC曲线越向左上方弯曲,AUC值越大,检测效能越好;反之,检测....

图1算法的滑动双窗口检测模型

基于空谱联合异常度的高光谱异常目标检测算法建立在滑动双窗口的基础上,中心像元为待测像元,内外窗之间的像元为背景像元,如图1所示。分别求解中心像元和背景像元之间的光谱差异和空间差异得到光谱异常度和空间异常度,并将两者进行加和得到空谱联合异常度,从而得到检测结果。1.1....

图3伪彩色图像(a)及其相应的目标分布(b)

本文算法是基于双窗口模型的基础上进行检测,利用双窗口进行选择待测像元和背景像元。因此内外窗口的尺寸大小对检测结果具有很大的影响,如果选择的内外窗口使背景像元中存在异常目标则会很大程度上影响检测的精度。对本文中采用的三组数据进行具体分析,可以发现,不同数据的异常目标的大....

图4伪彩色图像(A)及其相应的目标分布(b)

图3伪彩色图像(a)及其相应的目标分布(b)图5伪彩色图像(a)及其相应的目标分布(b)

本文编号：3896208