目的 高光谱异常检测由于其重要的应用价值,引起了研究人员的广泛关注,但大部分的检测算法,往往直接利用输入的高光谱遥感影像所携带的光谱信息或者空谱信息进行检测.考虑到由于成像过程的限制,如成像条件的复杂性以及光谱通道众多导致的每个通道光子数量有限等问题,所获取的高光谱遥感影像往往在一定程度上偏离真实场景,而这也制约了异常检测的精度.针对此问题,本文提出了一种局部梯度轮廓变换的高光谱遥感影像异常检测算法.方法 为了在不影响算法性能的基础上减少计算复杂度,首先选取部分可能的异常像元,只对这些局部的异常像元可能位置进行梯度轮廓变换.其次,将变换后的梯度轮廓用于指导原始高光谱遥感影像的空域增强.最后,对增强后的高光谱遥感影像进行检测.通过将局部梯度轮廓用于影像的增强,避免了成像过程中由于细节损失而造成检测精度受限的情况.结果 实验在来自4个数据集的6幅高光谱遥感影像上进行了性能验证.首先利用经典的Global-RX(Reed Xiaoli)检测算法同时检测本文算法增强后的影像和原始影像,分别取得的平均AUC(area under curve)值为0.9871和0.9336,本文算法带来了0.0535的精度提升;同时,通过与其他3种预处理方法进行比较,证明了本文局部梯度轮廓变换方法的有效性;更进一步,利用基于协同表示CRD(collabora-tive representation-based detector)的检测器对增强后的影像和原始影像分别进行检测,分别取得的平均AUC值为0.9907和0.9775,检测结果再次验证了本文算法能够有效提升影像的检测精度;通过对比,实验数据表明本文所采用的局部梯度轮廓变换可减少约37.82％的时间复杂度.结论 本文算法通过将局部的梯度轮廓进行变换并用于指导原始影像的增强过程,使得影像的空间轮廓信息更为锐利,更为接近真实场景,从而获得异常检测结果的提升.
NETL
NSTL
维普
万方数据
