非负谱稀疏表示的高光谱成像中的异常检测

韦道知; 黄树彩; 赵岩; 庞策

doi:10.3788/IRLA201645.S223001

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

非负谱稀疏表示的高光谱成像中的异常检测

韦道知, 黄树彩, 赵岩, 庞策

文章导航 > 红外与激光工程 > 2016 > 45(S2): 120-125

韦道知, 黄树彩, 赵岩, 庞策. 非负谱稀疏表示的高光谱成像中的异常检测[J]. 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001

引用本文:

韦道知, 黄树彩, 赵岩, 庞策. 非负谱稀疏表示的高光谱成像中的异常检测[J]. 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001

Wei Daozhi, Huang Shucai, Zhao Yan, Pang Ce. Non-negative sparse representation for anomaly detection in hyperspectral imagery[J]. Infrared and Laser Engineering, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001

Citation:

Wei Daozhi, Huang Shucai, Zhao Yan, Pang Ce. Non-negative sparse representation for anomaly detection in hyperspectral imagery[J]. Infrared and Laser Engineering, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001

非负谱稀疏表示的高光谱成像中的异常检测

doi: 10.3788/IRLA201645.S223001

1.
空军工程大学防空反导学院,陕西西安 710051

基金项目:

国家自然科学基金（61603410）

详细信息

作者简介:
韦道知(1977-),男,讲师,博士,主要从事空天信息智能处理方面的研究。Email:superwsw2012@163.com

中图分类号: TP75

Non-negative sparse representation for anomaly detection in hyperspectral imagery

1.
Air and Missile Defense College,Air Force Engineering University,Xi'an 710051,China

摘要: 针对高光谱异常检测提出了一种新型的非负稀疏表示（NSR）模型。其核心思想是背景像素可以近似地表示为其周围邻域的稀疏线性组合，而异常像素不能。算法中稀疏向量的非负性和一对一约束具有物理意义以及更好的辨别能力。为了排除在背景字典中呈现的潜在异常像素，修剪与中心像素类似的原子，然后通过非负正交匹配追踪（NOMP）算法求解NSR模型，并将重建误差直接用于确定异常像素。最后，通过实际的高光谱数据集的实验结果与现有的算法进行比较，证明了所提出的算法的有效性。
- 异常检测 /
- 非负稀疏表示 /
- 协作表示 /
- 高光谱图像
Abstract: A novel non-negative sparse representation (NSR) model was proposed for hyperspectral anomaly detection. The key idea was that a background pixel can be approximately represented as a sparse linear combination of its surrounding neighbors, while an anomalous pixel cannot. The non-negativity and one-to-one constraints on the sparse vector were imposed for physical meaning and better discrimination power of the algorithm. In order to exclude the potential anomalous pixels presented in the background dictionary, the atoms which were similar to the center pixel was pruned. Then the NSR model was solved by non-negative orthogonal matching pursuit (NOMP) algorithm, and the reconstruction errors were directly used for determining the anomalies. Finally, experimental results on real hyperspectral data set demonstrate the effectiveness of the proposed algorithms by comparing it with state-of-the-art algorithms.
- anomaly detection /
- non-negative sparse representation /
- collaborative representation /
- hyperspectral imagery

[1]	Reed I S, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Trans Acoust Speech Signal Process, 1990, 38(10):1760-1770.
[2]	Kwon H, Nasrabadi N M. Kernel RX-algorithm:A nonlinear anomaly detector for hyperspectral imagery[J]. IEEE Trans Geosci Remote Sens, 2010, 48(11):4099-4109.
[3]	Bannerjee A, Burlina P, Diehl C. A support vector method for anomaly detection in hyperspectral imagery[J]. IEEE Trans Geosci Remote Sens, 2006, 44(8):2282-2291.
[4]	Gurram P, Kwon H. Support-vector-based hyperspectral anomaly detection using optimized kernel parameters[J]. IEEE Geosci Remote Sens Lett, 2011, 8(6):1060-1064.
[5]	Chen Y, Nasrabadi N M, Tran T D. Sparse representation for target detection in hyperspectral imagery[J]. IEEE J Sel Topics Signal Process, 2011, 5(3):629-640.
[6]	Zhang Y, Du B, Zhang L. A sparse representation-based binary hypothesis model for target detection in hyperspectral images[J]. IEEE Trans Geosci Remote Sens, 2015, 53(3):1346-1354.
[7]	Chen Y, Nasrabadi N M, Tran T D. Simultaneous joint sparsity model for target detection in hyperspectral imagery[J]. IEEE Geosci Remote Sens Lett, 2011, 8(4):676-680.
[8]	Li W, Du Q. Collaborative representation for hyperspectral anomaly detection[J]. IEEE Trans Geosci Remote Sens, 2015, 53(3):1463-1474.
[9]	Yuan Z, Sun H, Ji K, Li Z, Zou H. Local sparsity divergence for hyperspectral anomaly detection[J]. IEEE Geosci Remote Sens Lett, 2014, 11(10):1697-1701.
[10]	Li J, Zhang H, Zhang L, Ma L. Hyperspectral anomaly detection by the use of background joint sparse representation[J]. IEEE J Sel Topics Appl Earth Observ Remote Sens, 2015, 8(6):2523-2533.
[11]	Zhang L, Yang M, Feng X. Sparse representation or collaborative representation:Which helps face recognition[C]//IEEE Int Conf Comput Vis Barcelona, Spain, 2011:471-478.
[12]	Liu J Zhang J. Spectral unmixing via compressive sensing[J]. IEEE Trans Geosci Remote Sens, 2014, 52(11):7099-7110.
[13]	Bruckstein A M, Elad M, Zibulevsky M. On the uniqueness of nonnegative sparse solutions to underdetermined systems of equations[J]. IEEE Trans Inf Theory, 2008, 54(11):4813-4820.

[1]	李亚娟. 结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
[2]	李芳丽. 监控视频中采用深度支持向量数据描述的异常检测 . 红外与激光工程, 2021, 50(9): 20210094-1-20210094-7. doi: 10.3788/IRLA20210094
[3]	贾启旺, 李新阳, 罗曦. 自适应光学系统运行失稳检测方法 . 红外与激光工程, 2020, 49(10): 20200299-1-20200299-10. doi: 10.3788/IRLA20200299
[4]	甘士忠, 肖志涛, 陈雷, 南瑞杰. 基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
[5]	刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明. 基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
[6]	叶华, 谭冠政, 李广, 刘晓琼, 李晋, 周聪, 朱会杰. 基于稀疏表示与粒子群优化算法的非平稳信号去噪研究 . 红外与激光工程, 2018, 47(7): 726005-0726005(8). doi: 10.3788/IRLA201847.0726005
[7]	王忠良, 冯文田, 粘永健. 结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
[8]	潘斌, 张宁, 史振威, 谢少彪. 基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
[9]	徐夏, 张宁, 史振威, 谢少彪, 齐乃明. 高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
[10]	张爱武, 杜楠, 康孝岩, 郭超凡. 非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
[11]	陈雷, 甘士忠, 孙茜. 基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
[12]	杨新锋, 胡旭诺, 粘永健. 基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
[13]	吴静珠, 刘倩, 陈岩, 刘翠玲. 高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
[14]	陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖. 基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
[15]	赵慧洁, 李明康, 李娜, 丁昊, 蔡辉. 一种基于改进子空间划分的波段选择方法 . 红外与激光工程, 2015, 44(10): 3155-3160.
[16]	王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南. 基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
[17]	刘畅, 李军伟. 基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
[18]	尹继豪, 孙建颖. 基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
[19]	普晗晔, 王斌, 张立明. 基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
[20]	魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志. 基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.

点击查看大图

计量

文章访问数: 466
HTML全文浏览量: 102
PDF下载量: 115
被引次数: 0

非负谱稀疏表示的高光谱成像中的异常检测

doi: 10.3788/IRLA201645.S223001

1. 空军工程大学防空反导学院,陕西西安 710051

作者简介:
韦道知(1977-),男,讲师,博士,主要从事空天信息智能处理方面的研究。Email:superwsw2012@163.com

收稿日期: 2016-07-06
修回日期: 2016-08-05
刊出日期: 2016-12-25

基金项目:

国家自然科学基金（61603410）

中图分类号: TP75

关键词:

摘要: 针对高光谱异常检测提出了一种新型的非负稀疏表示（NSR）模型。其核心思想是背景像素可以近似地表示为其周围邻域的稀疏线性组合，而异常像素不能。算法中稀疏向量的非负性和一对一约束具有物理意义以及更好的辨别能力。为了排除在背景字典中呈现的潜在异常像素，修剪与中心像素类似的原子，然后通过非负正交匹配追踪（NOMP）算法求解NSR模型，并将重建误差直接用于确定异常像素。最后，通过实际的高光谱数据集的实验结果与现有的算法进行比较，证明了所提出的算法的有效性。