显着性权重RX高光谱异常点检测-遥感学报.PDF

1 显著性权重RX 高光谱异常点检测 1,2 1 1 1 刘嘉诚 ，王爽 ，刘伟华 ，胡炳樑 1.中国科学院 西安光学精密机械研究所 光谱成像技术重点实验室，陕西 西安 710119 2. 中国科学院大学，北京 100049 摘要：高光谱图像异常点检测中，传统RX 异常点检测算法忽略了空间相关性，背景估计不准确。因此，本 文提出了一种基于图像局部邻域光谱显著性分析的加权 RX 算法。该算法通过引入图像显著性分析的方法， 对基于概率密度为权重的图像背景建模进行改进，建立光谱显著性权重图，重新定义 RX 算法中的均值向量 和协方差矩阵，并给不同的目标赋予不同的权值，达到优化背景估计的目的。利用合成高光谱数据和真实高 光谱数据进行异常点检测实验，结果表明：对于同一组数据，本文算法检测到的异常点数比传统算法多，虚 警率较低，有效的提高了检测率。 关键词：异常点检测，显著性，RX 算法，高光谱图像处理 中图分类号：TP751.1/TP391 文献标志码：A 1.引言 高光谱图像是由成像光谱仪获得的具有二维空间信息与一维光谱信息的一种图像数据立方 体。高光谱图像能同时提供目标的辐射、几何、光谱信息，且具有图像光谱分辨率高、图谱合一、 光谱通道多的特点，能在目标检测与识别上发挥巨大的优势（童庆禧等，2006 ）。传统的遥感图 像目标检测需要很高的空间分辨率，当空间分辨率不足时，目标很难被检测到。高光谱图像目标 检测就是利用光谱信息进行识别，不需要很高的空间分辨率。光谱特征能够反应目标本质属性， 从而利用光谱特征进行目标探测更加可靠（高昆等，2015 ；童庆禧等，2016 ）。 高光谱图像目标检测主要分为两种：有先验信息的目标特征匹配识别与无先验信息的异常目 标检测。异常目标检测指的是在高光谱图像中搜索未知光谱信号的稀疏像素（赵春晖等，2016 ）。 异常点的定义没有统一标准，通常认为异常点是光谱特征与周围像素的光谱特征有明显区别且以 低概率出现的像素点（Chang 等，2015 ）。由于异常点检测是非监督的，不需要提供先验信息， 因此具有很强的实用性。 最早的异常点检测算法是由Reed 和Yu 提出的RX 算法（Reed 等，1990；Yu 等，1993；Du 等，2016 ）。RX 算法的假设条件是背景服从多元高斯分布，是在一个简化的条件下构造的似然 比算子。RX 算法有两点不足：背景信息往往很复杂，服从多元高斯分布的这种假设不能完全而 真实的描述实际场景的情况；当用均值向量和协方差矩阵作为背景特征来估计背景信息时，RX 算法会带入异常点和噪声的信息，造成背景估计的不准确。MRX 算法和NRX 算法作为RX 算法 的两种简单变体，对RX 算子做了改进，对某些特殊情况有不错的检测效果（Chang 等，2002 ）。 UTD-RXD 算法与RX 算法类似，这种算法认为不应该给探测器中添加先验信息，它使用单位向 量作为输入信号（Ashton 等，1998）。LRX 算法采用局部信息估计RX 算法中的均值向量，能提 高背景模型估计的准确性（Guo 等，2014 ；Liu 等，2013 ；Molero 等，2015 ）。Weighted-RX 算 法通过给不同的背景样本赋予不同的权重，减少了异常点信号和噪声信号对背景估计的影响，让 背景正态适应度更高，提高了算法性能（Guo 等，2014 ）。 RX ，MRX ，NRX ，UTD-RX 这些算法的背景估计都不够精确，正态适应度低。LRX 算法虽 然通过局部采样提高了背景估计的准确性，但仍无法避免RX 算法的缺点。Weighted-RX 算法虽 然使用了基于概率密度的权重对背景进行建模，增加了背景分布的正态适应度，但这个权重不能 最好的区分异常点与背景信息，且同时突出了噪声，使得误检率变高。 为了解决上述问题，本文引入图像显著性分析的方法，提出了一种基于显著性