10.2 分数域高光谱异常检测在线视频

同学们好

前面的课程讲了分数域高光谱

信号处理的概论

这节课要讲的内容是分数傅里叶变换

在高光谱异常检测中的应用

主要内容分为三个部分

第一部分介绍高光谱数据的异常检测任务

并介绍使用分数域信号处理的方法的目的

第二部分内容是利用分数傅里叶变换

和分数傅里叶熵值进行异常检测

第三部分是我们的方法在实际数据集上的

实验验证

高光谱图像具有纳米级的光谱分辨率

在军事和民用方面都已经成为

发达国家科技争夺的制高点之一

其应用十分广泛

比如精准农业 军事侦测 城市规划

以及医疗诊断

然而 高光谱数据光谱冗余度高

数据结构复杂

诊断性光谱信息的挖掘具有挑战性

各传感器的数据特征维度高

训练样本少

需设计高精度检测和分类模型

高光谱遥感既能成像又能测谱

它反映了物质内部电子跃迁

分子振动等所产生的诊断性光谱吸收差异

实现了从“定性到定量”的观测

是对地观测的重要手段

高光谱数据具有光谱范围广

光谱分辨率高 综合空间 辐射

光谱信息等优势

因此可以用于农业检测 目标识别等任务

但存在低空间和时间分辨率波段间

包含冗余 实时性差等缺点

因此在应用中仍存在挑战

在利用高光谱数据的诊断性光谱特征

进行异常检测任务时

检测场景中存在多种多样的光谱信息

异常信息淹没在背景中

如何增大目标与背景间的区分度

准确地将异常目标从其他背景中识别出来

传统的空谱联合分析方法存在不足之处

因此我们要引入分数域信号处理方法

解决这一难题

经典高光谱异常检测方法考虑空间

光谱信息

高光谱数据受到同物异谱 异物同谱等

因素影响

异常检测性能受限

而变换域方法因其多域特征丰富的特点

成为优良的工具

对高光谱图像中的每一个像素的

光谱曲线做分数傅里叶变换

会呈现出不同的分布

之后我们就可以运用这些特征来对目标

和背景进行分离

进而达到异常目标检测的目的

接下来介绍的是利用分数傅里叶变换

和分数傅里叶熵值进行异常检测的方法

我们的方法首先对每一个像素点的

光谱曲线进行多域分数傅里叶变换

然后通过计算不同阶次的

分数傅里叶变换熵值

来选取最优的一个变换阶次

最后在这个最优的变换阶次里

可以获得更好的目标与背景分离效果

进而完成高光谱异常检测的任务

如图所示对高光谱图像中

每一个像素的光谱曲线做分数傅里叶变换

会呈现出不同的分布特征

随着分数傅里叶变换的阶次从0到1变化

像素的光谱曲线能量

在特定的阶次更加聚集

然而目标与背景的聚集阶次是不同的

可以看到

在分数傅里叶变换前

两个背景的类别与一个异常的目标

其幅值和分布都呈现出相似的结果

而经过分数傅里叶变换后的三个像素

幅值得到了对应的扩大区分

通过改变信号与背景的分布

有利于信号与背景的区分

这对于异常检测来说是非常重要的

另外从空间上来看

在分数傅里叶变换前

高光谱数据的每一个通道中的

目标与背景的区分度并不高

存在着高误判的可能性

而分数傅里叶变换显著地增大了

信号与背景之间的差异

在异常检测任务中

算法的效率也是一个关键的性能指标

而多个阶次的分数傅里叶变换

往往是耗时的

我们发现

异常检测的准确率变化与信号的

分数域傅里叶熵值相关

因此可以通过简单的计算得到

信号的分数傅里叶熵值

获得最优的变换阶次

算法未增加额外参数

无需参数扫描

因而具有更高的效率

利用分数傅里叶熵值进行异常检测的模块

可以广泛应用于各种检测器中

这里使用最常见的RX检测器进行实验

结果表明

最优分数域异常检测算法性能

优于其他空域及变换域算法

接下来介绍所提方法在不同类型场景中的

异常检测应用

在机场 沙滩 城市等各种场景中

所提方法都具有优势

所提方法视觉效果好

实验结果表明

相同误检率条件下

所提方法的检测概率更高

对微小异常目标的检测能力更强

对比其他的变换域异常检测方法

所提方法显著提升性能

检测概率提升5到10个百分点

以上是本节课所介绍的

分数域高光谱异常检测方法

该方法涉及到的论文和代码

公布在以上网址

谢谢大家