本发明专利技术公开了一种SAM加权KEST高光谱异常检测算法(SKEST)。首先，推导SKEST算法；其次采用双矩形窗口，对高光谱图像中每个像元计算其SKEST值，进行阈值分割，检测出异常点。SKEST算法在基于核的特征空间分离变换算法(KEST)基础上，采用光谱角匹配(SAM)测度对高维特征空间检测点邻域差异相关矩阵(DCOR)中每个样本引入权重因子，各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角。从而抑制检测窗口中的异常数据，突出主成分数据的贡献，使得DCOR矩阵能够更好地描述目标、背景数据分布差异；同时SAM对光谱能量是鲁棒的，结合径向基核函数，SKEST算法既考虑了信号的光谱能量差异，也考虑了信号的光谱曲线形状差异，因而更符合高光谱数据特性。
【技术实现步骤摘要】
本专利技术属于高光谱图像处理领域，具体涉及ー种高光谱图像目标检测中的异常检测新算法研究。
技术介绍
在高光谱图像目标检测中，由于实际应用需求，国内外提出了许多无需目标先验光谱知识的异常检测算法。这些算法充分利用异常点与其邻域点的光谱特性不同，计算局部区域的统计特性以实现目标检测。目前常用的异常检测算法主要包括RX异常检测法和子空间投影法(包括主成分分析(PCA)、特征空间分离变换(EST)等)。RX算法根据背景样本点的光谱向量均值和协方差矩阵，计算检测点光谱向量和背景样本的马氏距离，实现异常点检测；PCA算法计算样本数据协方差矩阵的特征向量，并将检测点的光谱向量在较大特征值的主成分量上进行投影分析，实现异常点检测；EST算法计算目标和背景的差异相关矩阵(DCOR)的特征向量，并将检测点的光谱向量在选定的特征分量上进行投影分析，实现异常检测。在此基础上又分别提出了基于核的RX算法(KRX)、核PCA算法(KPCA)、核EST算法(KEST)，这些算法将高光谱数据映射到高维特征空间后，利用核函数的性质在高维空间中进行异常点的检测，较好地利用了高光谱图像波段间的非线性统计特性。RX算法要求数据服从高斯分布，该条件对真实场景很难满足，因此子空间投影法更加适应于真实应用情況。而比较PCA算法，EST法计算特征分量时兼顾了目标和背景的光谱差异，EST比PCA具有更好的降維和分类效果。对应的KEST法能够更有效的提取和利用数据的非线性特征。但EST法也存在一定的缺陷，即若实际背景数据为病态分布、背景数据中异常点数目或目标数据中背景点数目较多吋，DCOR矩阵不能完全描述目标和背景数据的差异。因此本专利提出了一种光谱角匹配(SAM)加权KEST高光谱异常检测算法(SKEST)。(一)EST 算法 采用双矩形窗作为局域检测窗ロ，如图I。该方法以检测点为中心，目标分布于内窗，背景分布于外窗，对内外窗中的各像元光谱向量分别进行统计分析，比较两者差异实现异常检测。EST算法以检测点为中心，计算目标和背景数据的DCOR矩阵。设高光谱数据波段数为 P，定义矩阵—%丨;]表不目标数据，样本ち为维光谱向量权利要求1.ー种SAM加权KEST高光谱异常检测算法，其特征在于在基于核的特征空间分离变换KEST算法基础上，对高维特征空间DCOR矩阵中的每个样本引入权重因子，从而抑制检测窗口中的异常数据，具体实现步骤如下 步骤(I)，输入高光谱图像数据； 步骤(2)，根据图像中异常目标大小设置双矩形窗尺寸； 步骤(3)，逐行扫描各个像素点，统计其在双矩形窗邻域内的目标光谱矩阵I和背景光谱矩阵;T，以及目标样本数目托、背景样本数目; 其中高光谱数据波段数为#，定义Px 乂矩阵Z=O1I3 —化.]表示目标数据，样本簋i为P维光谱向量*—，i=XX^Nt, Nt为目标样本个数；PxN6矩阵^ =Efi J2-YsiI 表示背景数据，样本Ti 为 P 维光谱向 Myj- =IjjiFjI, J=Xl^N6，为背景样本个数； 步骤(4)，根据各像素点的I、了，由式I计算其SKEST值；循环计算高光谱图像中所有像素点的SKEST值，得到SKEST图像； = ^(Z,r) ^(Z,^))rw^w^r(^(Z,r)-^(Z1Zw))I 其中^3BT即为SKEST值，j■为检测点光谱向量，Z=JiUT，核函数 Il夏-常量參数； [れI2 ^ X^(Zyj)ZiW3I气' …》为各像素光谱向量权重因子电み) =..............................................................................................................I—,—π—i...................................................................................................j =υ #( Σ Σ U,K 一4 TTZ^k(JjJm)'=-- ’“巧 抑パプ)伽Σ Σ U "IeZZ _ 为Kssr=や的特征向量2.根据权利要求I所述的SAM加权KEST高光谱异常检测算法，其特征在于所述步骤4中对高维特征空间DCOR矩阵中的每个样本计算其权重因子，各样本权重因子即该样本光谱向量与检测窗口数据中心向量的夹角。全文摘要本专利技术公开了一种SAM加权KEST高光谱异常检测算法(SKEST)。首先，推导SKEST算法；其次采用双矩形窗口，对高光谱图像中每个像元计算其SKEST值，进行阈值分割，检测出异常点。SKEST算法在基于核的特征空间分离变换算法(KEST)基础上，采用光谱角匹配(SAM)测度对高维特征空间检测点邻域差异相关矩阵(DCOR)中每个样本引入权重因子，各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角。从而抑制检测窗口中的异常数据，突出主成分数据的贡献，使得DCOR矩阵能够更好地描述目标、背景数据分布差异；同时SAM对光谱能量是鲁棒的，结合径向基核函数，SKEST算法既考虑了信号的光谱能量差异，也考虑了信号的光谱曲线形状差异，因而更符合高光谱数据特性。文档编号G06T7/00GK102663752SQ20121010403公开日2012年9月12日 申请日期2012年4月11日 优先权日2012年4月11日专利技术者岳江, 张毅, 徐杭威, 柏连发, 王博, 祁伟, 金左轮, 陈钱, 韩静, 顾国华 申请人:南京理工大学本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：柏连发，张毅，陈钱，顾国华，韩静，岳江，王博，徐杭威，祁伟，金左轮，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。