基于PCA和KRX算法的高光谱异常检测

针对高光谱图像背景复杂导致高光谱图像异常检测效果下降的问题,提出了一种新的基于抑制背景的高光谱图像异常检测方法。该方法首先使用主成分分析法抑制高光谱图像中的背景信息,得到背景抑制后的图像,然后再使用基于核的RX算法(KRX算法)异常检测,最后将检测结果图进行阈值分割,得到一幅二值图像。最后使用ROC曲线对检测结果进行评价,通过与RX、KRX算法对比,证明本文方法得到的结果具有较高的检测率和较低的虚警率,充分说明文中方法的有效性。     

基于背景抑制及顶点成分分析的高光谱异常小目标检测

高光谱图像异常小目标检测数据量大、信息提取困难.文中提出了一种不需要先验信息并且计算复杂度较低的快速检测算法——基于背景抑制及顶点成分分析（EVCA）的异常小目标检测.利用高光谱图像端元是单形体顶点这一特性,在抑制背景后的图像上提取目标端元,并结合光谱匹配技术完成目标检测.为了验证新方法的有效性,与不经过背景抑制的VCA算法及传统检测算法进行了比较.实验结果表明,该算法不需要先验信息,体现了较好的检测效果.     

背景不确定性对高光谱异常目标探测的影响

为研究背景不确定性对高光谱目标探测的影响,对比分析了不同背景复杂度高光谱图像的异常目标检测结果。为避免其他因素的干扰,对航空高光谱图像进行低通滤波处理,获得具有不同背景复杂度的高光谱系列图像,而后在图像中嵌入目标,得到背景不确定性不同而目标相同的系列高光谱图像。用异常检测算法对得到的图像进行目标检测,结果表明:(1)背景不确定性越低,异常目标被探测到的可能性越大;(2)混合像元的存在有利于降低目标的显著性,并使得探测结果的不确定性增加;(3)当空间分辨率的尺度大于2倍目标尺度时,即便背景不确定性很小,由于目标背景的光谱混合,目标检测结果也变得完全不确定。     

基于光谱角匹配加权的高光谱图像异常检测

针对高光谱背景中存在异常和噪声的问题,提出了一种基于光谱角匹配(SAM)加权的核RX异常检测算法。首先对图像背景像元进行K-均值聚类,得到不同类背景对应的聚类中心,然后计算背景像元与聚类中心的光谱角余弦,选出较纯净的背景作为新背景,最后新背景中的每个像元将自己的光谱角信息作为权值,构造加权核RX异常检测算子,通过加权削弱了残留其中的异常和噪声的干扰。为验证算法的有效性,利用真实的AVIRIS和ROSIS-03遥感器采集高光谱数据进行了仿真实验,结果表明与对比算法相比,所提算法对潜在的异常具有较强的抑制能力,提高了检测精度。     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

基于像元递归的高光谱局部异常检测算法

阐述了基于传统RX算法(Reed-Xiaoli Detector,RXD)架构的高光谱实时局部异常检测算法研究方案.基于高光谱空间成像方式的特点,针对摆扫型成像光谱仪逐像元成像的机理,采用局部因果阵列窗,两次利用Woodbury矩阵求逆引理,实现高光谱目标的局部异常检测.首先,将经典的矩阵窗改进为滑动因果阵列窗;然后,对局部实时算子的因果阵列窗窗长的参数设定进行优化,选取四组数据进行测试对比,选取最优参数;最后,就检测结果灰度图、ROC曲线(Receiver Operating Characteristic Curve)、AUC数值(Area Under Curve)以及算法运行时间等四个方面,对局部异常检测算子与经典双窗算子、全局实时算子分别进行仿真实验比较.结果表明,虽然因果阵列窗窗长的参数优化使局部异常检测算子的计算复杂度有略微升高,但异常目标点的观测更加清晰,AUC值明显提高,具有更好的检测效果.     

基于小波变换和中值滤波器的主元分析方法

传统主元分析用于故障检测时,由于测量数据中含有噪声和异常点,从而导致系统的误报警.针对传统主元分析在处理含噪数据时的不足,给出了一种把小波变换、滑动中值滤波器和主元分析相结合的方法,利用小波变换和滑动中值滤波器的优点,对主元分析前的数据进行预处理,以去除噪声和异常点,减少和消除了虚警点,并将此方法运用于实际的故障检测中,取得了较好的检测效果,证实了该方法的有效性和可行性.     

基于均值漂移聚类的端元束提取

为了能够在不需要事先知道地物类别数目的情况下进行光谱的有效聚类,采用均值漂移算法完成聚类这一步骤。根据同一种地物光谱存在变异性的情况,使用了光谱角距离作为均值漂移聚类算法的相似性准则。用模拟高光谱数据和真实高光谱数据进行实验,结果表明基于改进后的均值漂移聚类的端元束提取方法较传统的K均值算法更能有效地形成代表每种地物类别的端元束。     

高光谱遥感图像异常检测研究进展

高光谱遥感图像异常检测即是对遥感图像中与背景存在显著光谱差异的像元进行识别,它在灾害预测和环境监测等领域具有很大应用价值.异常检测受到遥感学界的普遍重视,这些年来对异常检测开展的研究取得了不少成果.高光谱图像异常检测研究最初基于传统数据处理和信号分析方法,随着高光谱图像数据处理研究的深入及数据挖掘技术和智能学习方法等相关技术的发展,现在呈现智能和联合处理的新方向.文章对异常检测算法近来的研究进展进行的介绍以期为异常检测的相关研究提供一定参考.     

面向像元-对象双尺度的不透水面遥感检测

为了改善像元级遥感不透水面提取时存在的椒盐现象，提出了一种面向像元-对象双尺度的不透水面遥感检测方法.首先基于建筑、植被、水体等多种光谱指数，在像元尺度上提取不透水面的分布范围，然后对遥感图像进行多尺度分割，并通过设置高阈值和低阈值来处理图中的碎斑和空洞.利用双尺度不透水面检测方法对天津市精武镇多年的遥感图像进行不透水面检测，结果表明，该方法检测的正确率为80%左右，漏检率低于10%，检测精度高于光谱指数方法.     

基于边缘特征的背景建模和去抖动方法

 针对户外监控系统中存在的背景复杂变化及摄像机抖动等问题,提出了一种利用背景边缘信息进行背景建模及去除摄像机抖动的方法。首先,对一段视频序列进行边缘检测,提取出可靠的背景边缘;然后,对处在背景边缘附近的复杂区域建立高斯混合模型,而对其他相对简单的区域建立时间平均模型,兼顾了检测精度和计算代价;再利用可靠的背景边缘信息消除因摄像机的抖动而出现的虚假目标。实验结果表明,该方法在检测速度上比单独采用高斯混合模型提高了50%,在摄像机抖动时能很好地降低虚警率,可用于复杂场景的运动目标检测。     

基于HSI颜色模型的运动目标检测方法

针对灯光和背景的亮度不同,通过HSI空阃提取亮度信息,使用自动阈值对光源和运动目标进行区分,降低因光源变化而产生的运动目标误检．实验结果表明,该算法可以显著提高运动目标检测在有光源影响下的准确性,减少将背景误判为前景的情况．     

融合码本和纹理的双层视频背景建模方法

基于背景建模的运动目标分割是智能视频监控的重要任务,模型的质量直接影响到检测、跟踪、识别等运动分析的准确性.当前的建模方法多是单层的,忽略了像素特征在时域和空域上的联系,模型描述不够准确,对于背景扰动、全局光照变化及复杂的室内外场景等多种情况鲁棒性不强,导致了分割中出现空洞和噪声点.针对这些问题提出了一种双层建模的方法,在第一层提取时域上的像素亮度特征采用码本建模,第二层提取邻域纹理特征采用基于中心对称的局部二值模式建模.实验证明该方法在用于运动分割时,比常用方法具有更好的准确性和鲁棒性.     

基于改进的自适应混合高斯背景模型的车辆检测方法

针对静止摄像机条件下运动车辆的检测问题,提出一种改进的自适应混合高斯背景模型的方法.该方法初始时通过三帧差分法判断运动目标所在区域,运用提出的区域背景更新算法生成初始背景图像,然后在Stauffer等人提出的自适应混合高斯背景模型的基础上融入帧间差分和背景差分相结合的方法用于判定运动目标区域和背景区域,通过对背景区域和运动目标区域设置不同的学习率来更新背景模型,提高了模型的收敛速度.实验结果表明,同传统检测方法相比,改进的算法能较快地初始化背景模型并能有效地检测出运动车辆,有较强的鲁棒性和较好的自适应能力.     

利用多颜色空间特征融合方法检测近似目标

以棉花中羊毛、白头发、塑料膜等杂质的检测为应用背景,提出一种利用多颜色空间特征融合方法。该方法构建了颜色特征评价函数,对近似目标在不同颜色空间的特征表现进行评估,从中抽取近似目标的若干最优特征;再利用区域信息相关度权值小波分析算法进行多特征融合,获取近似目标的图像。实验结果表明,融合图像比原始图像及单色空间图像具有较高的图像信息量值,近似目标视觉特征明显增强。此方法为提取与背景特征相近的近似目标提供一条新思路。     

一种新的交通流视频检测方法

提出一种基于彩色虚拟检测线的交通流信息视频检测方法．该方法通过分析光照、车道和阴影等模型之间的相互关系来判断车辆的存在，提高车流量检测的性能．通过引入色彩饱和度信息、自适应背景更新和运动检测，有效地区分阴影和车辆；通过二叉决策树来分析车辆的压线过程，提高了车流量检测的可靠性；通过一维视频跟踪的方式，解决了车辆速度检测的难题．试验结果表明，所采用的局部区域检测方法大大提高了交通流信息检测的实时性，且车流量检测的准确率可提高到98％．     

基于局部区域建模的复杂场景运动目标检测

为了解决传统背景建模方法难以有效检测复杂场景中运动物体的难题,提出了一种在马尔科夫随机场框架下,基于区域建模的运动目标检测方法。该方法在学习像素前景和背景的概率模型时,融合了相邻局部区域的信息;因而比传统的单像素建模方法更加精确。在马尔科夫随机场框架下,运动目标检测问题转化为能量优化问题,可以得到比基于阈值分割前景更精确的结果。在复杂场景视频进行测试;并与传统的背景建模方法进行比较,实验结果表明本文算法更优。     

基于图像变换的递归式行人错检校验算法

针对现有HOG特征行人检测器容易受到复杂背景环境的干扰而降低检测效率的问题,提出一种基于图像的递归式行人错检校验算法。在保持行人检测器原有结构不变的基础上,对行人检测器的检测结果进行图像变换,变换结果作为新的输入图像,将原有检测器构成一个递归式错检校验处理结构。采用尺寸归一化、均衡和锐化图像变换方法,对行人检测器检测结果不断迭代校验,以达到降低错检率的目的。同时引入模糊决策判决终止条件,实现合理的迭代退出。经INRIA数据集和实测图片的仿真分析表明,该方法能够有效去除行人检测器输出的错误检测结果,正确检测率在原有基础上提高7.6%,在复杂背景条件下仍有效。     

一种高斯色噪声混响背景的宽带信号检测算法

针对由正反线性调频信号和双曲调频信号产生的宽带混响,研究了以局部平稳高斯色噪声混响模型为基础的分段匹配滤波检测算法。对匹配滤波器采用分段预白化处理,对数据进行合理分段后,对每段数据按高斯色噪声背景下的最佳检测器,即对匹配滤波检测器进行预白化处理,则可以得到分段预白化匹配滤波检测器。仿真试验实现了对混响数据下的宽带信号检测。结果表明采用分段匹配滤波器和分段预白化滤波器可以在低信混比下检测信号,其中分段预白化匹配滤波算法可以有效检测满足局部平稳高斯色噪声背景下的回波信号,且性能优于分段匹配滤波器。     

复杂场景下运动车辆实时动态自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,提出了一种基于自适应背景与改进动态阈值相结合的运动检测算法.基于当前帧与背景相减得到的差分图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.根据检测结果,采用中值更新策略实现背景图像的实时更新.实验结果表明,该算法可以从复杂交通场景图像序列中有效地检测出运动目标.而且算法计算量小,具有良好的鲁棒性与实时性品质指标,能够很好地满足智能交通监控系统中运动车辆实时检测技术要求.