高级检索

ISSN1001-3806CN51-1125/TN 网站地图

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

基于加权组合核RX算法异物检测及其参量选择

吴香伟 郭宝峰 陈春种 沈宏海

引用本文:
Citation:

基于加权组合核RX算法异物检测及其参量选择

    作者简介: 吴香伟(1989-),男,硕士研究生,主要研究方向为图像处理与目标识别..
    通讯作者: 郭宝峰, gbf@hdu.edu.cn
  • 基金项目:

    国家自然科学基金资助项目(61375011);浙江省自然科学基金资助项目(LY13F030015)

  • 中图分类号: TP79

Anomaly detection based weighted combination kernel RX algorithm and its parameter selection

    Corresponding author: GUO Baofeng, gbf@hdu.edu.cn ;
  • CLC number: TP79

  • 摘要: 为了融合光谱形状差异信息和多项式核函数全局信息,充分挖掘地物特征,提高异常检测正确率,提出了一种加权组合核RX算法.该算法在高斯核函数的基础上,增加一个光谱角核函数.由于核函数参量和加权参量直接影响算法性能,分别采用了随机函数法、爬山法和粒子群算法对上述参量进行了选择.结果表明,在恒虚警率下使用粒子群算法进行参量设定得到的效果最好,且采用加权组合核函数RX算法得到的目标检测率为83.5%,相对于普通的核RX算法,正确率得到了提高.
  • [1]

    MATTEOLI S, DIANI M, CORSINI G. A tutorial overview of anomaly detection in hyperspectral images [J]. IEEE Transactions on Aerospace and Electronic Systems Magazine, 2010, 25(7): 5-28.
    [2]

    ECHES O, DOBIGEON N, TOURNERET J Y. Enhancing hyperspectral image unmixing with spatial correlations [J]. IEEE Transactions on Geosciences and Remote Sensing, 2011, 49(11): 4239-4247.
    [3]

    KWON H, DER S Z, NASRABADI N M. Adaptive anomaly detection using subspace separation for hyperspectral imagery [J]. Optical Engineering, 2003, 42(11): 3342-3351.
    [4]

    REED I S, YU X L. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution [J]. IEEE Transactions on Acoustics, Speech and Signal Processing, 1990, 38(10): 1760-1770.
    [5]

    KWON H, NASRABADI N M. Kernel RX algorithm a nonlinear anomaly detector for hyperspectral imagery[J]. IEEE Transactions on Geosciences and Remote Sensing, 2005, 43(2): 388-397.
    [6]

    WANG L P, ZHANG L P, HAN J T. Detecting algorithm of moving target in dynamic background based on gray-weighted kernel function [J]. Infrared and Laser Engineering, 2013, 42(12): 3453-3457 (in Chinese).
    [7]

    CHEN D R, SUN B, TAO P, et al. Spatial neighboring clustering method for hyperspectral imagery based on kernel spectral angel cosine [J]. Acta Electronica Sinica, 2008, 36(10): 1992-1995(in Chinese).
    [8]

    HAN J, YUE J, ZHANG Y, et al. SAM weighted KEST algorithm for anomaly detection in hyperspectral imagery [J]. Journal of Infrared and Millimeter Waves, 2013, 32(4): 359-365(in Chinese).
    [9]

    WANG S B. Study on anomaly target detection technology in hyperspectral images [D]. Haerbin: Harbin Institute of Technology, 2010: 22-35(in Chinese).
    [10]

    WU X M. The research on hyperspectral imagery unmixing technology based on kernel methods [D]. Hangzhou:Zhejiang University, 2011: 15-33(in Chinese).
    [11]

    WANG Ch. Research on multiple kernel learning based target interpretation technologies in hyperspectral imagery [D].Haerbin: Harbin Institute of Technology, 2011: 13-23(in Chinese).
    [12]

    GAN P P, WANG R Sh. Spectral remote sensing recognition basis and technology research [J]. Remote Sensing Technology and Application, 2002, 17(3): 53-60(in Chinese).
    [13]

    SHAWE-TAYLOR J, CRISTIANINI N. Pattern recognition of kernel method [M]. 2nd ed. Beijing: China Machine Press, 2006: 29-50(in Chinese).
    [14]

    DANG J W, WANG Y P, DI F W, et al. Artificial intelligence [M]. Beijing: Electronic Industry Press, 2012: 178-180(in Chinese).
    [15]

    EBERHART R, KENNEDY J. A new optimizer using particle swarm theory[C]//Proceedings of the 6th International Symposium on Micro Machine and Human Science. New York, USA : IEEE , 1995: 39-43.
    [16]

    GAO X J. On classification of hyperspectral remotely sensed imagery based on support vector machines[D]. Hangzhou: Hangzhou Dianzi University, 2012: 42-44 (in Chinese) .
    [17]

    LIANG Zh J, WANG K F, GU G Q, et al . Digital speckle image correlation method base on particle swarm optimization algorithm[J]. Laser Technology, 2014, 38(5): 603-607 (in Chinese).
  • [1] 高健王庆康王丹燕 . 基于粒子群优化算法的透射滤光片设计. 激光技术, 2018, 42(5): 617-621. doi: 10.7510/jgjs.issn.1001-3806.2018.05.007
    [2] 巩稼民徐雨田何佳蔓田宁张玉蓉尤小磊毛俊杰 . 基于粒子群优化算法的级联喇曼光纤放大器. 激光技术, 2020, 44(6): 749-753. doi: 10.7510/jgjs.issn.1001-3806.2020.06.018
    [3] 孙越娇雷武虎胡以华赵楠翔任晓东 . 基于视觉显著模型的遥感图像舰船快速检测. 激光技术, 2018, 42(3): 379-384. doi: 10.7510/jgjs.issn.1001-3806.2018.03.017
    [4] 徐永浩宋彪陈晓帆黄梅珍 . 微型近红外光谱仪在苹果糖度测量中的应用研究. 激光技术, 2019, 43(6): 735-740. doi: 10.7510/jgjs.issn.1001-3806.2019.06.001
    [5] 刘璐邵慧孙龙陈杰徐恒胡玉霞肖晓 . 利用高光谱激光雷达检测木材的霉变与含水量. 激光技术, 2023, 47(5): 620-626. doi: 10.7510/jgjs.issn.1001-3806.2023.05.007
    [6] 方俊龙郭宝峰沈宏海杨名宇 . 一种改进的基于自动形态学的端元提取算法. 激光技术, 2017, 41(1): 106-112. doi: 10.7510/jgjs.issn.1001-3806.2017.01.022
    [7] 王琪杨桄张俭峰向英杰田张男 . 结合K-L散度和互信息的无监督波段选择算法. 激光技术, 2018, 42(3): 417-421. doi: 10.7510/jgjs.issn.1001-3806.2018.03.024
    [8] 张昌赛刘正军杨树文左志权 . 基于LiDAR数据的布料模拟滤波算法的适用性分析. 激光技术, 2018, 42(3): 410-416. doi: 10.7510/jgjs.issn.1001-3806.2018.03.023
    [9] 薛芳谭勇邬志强王玉诏 . 基于激光遥感的酒驾遥感探测技术研究. 激光技术, 2019, 43(1): 93-97. doi: 10.7510/jgjs.issn.1001-3806.2019.01.019
    [10] 何艳坤白玉杰 . 基于残差偏置和查找表的高光谱图像无损压缩. 激光技术, 2014, 38(5): 643-646. doi: 10.7510/jgjs.issn.1001-3806.2014.05.014
    [11] 刘翠连陶于祥罗小波李青妍 . 混合卷积神经网络的高光谱图像分类方法. 激光技术, 2022, 46(3): 355-361. doi: 10.7510/jgjs.issn.1001-3806.2022.03.009
    [12] 齐永锋马中玉 . 邻域谱概率协同表示的高光谱图像分类方法. 激光技术, 2019, 43(4): 448-452. doi: 10.7510/jgjs.issn.1001-3806.2019.04.003
    [13] 汪慧民邵慧孙龙李伟王程陈杰朱家兵 . 基于高光谱激光雷达的绿萝叶绿素3维重建. 激光技术, 2023, 47(5): 708-715. doi: 10.7510/jgjs.issn.1001-3806.2023.05.020
    [14] 李源柴艳红刘兰波毛喆翟新华 . 激光测量系统不确定度最小包络椭球模型研究. 激光技术, 2022, 46(3): 293-300. doi: 10.7510/jgjs.issn.1001-3806.2022.03.001
    [15] 吴建军李磊方平凯孟小前谭均铭 . 电力巡线直升机激光扫描数据的高效组织与显示. 激光技术, 2019, 43(3): 318-323. doi: 10.7510/jgjs.issn.1001-3806.2019.03.006
    [16] 宗蓉郭伟仲凌志 . 毫米波雷达和激光雷达探测云边界的对比分析. 激光技术, 2016, 40(2): 171-177. doi: 10.7510/jgjs.issn.1001-3806.2016.02.005
    [17] 王晓维梁应剑李翔龙彦志梅运桥 . 基于光学多普勒频移的低空速测量方法研究. 激光技术, 2016, 40(5): 629-632. doi: 10.7510/jgjs.issn.1001-3806.2016.05.003
    [18] 范琪朱晓林周鼎富周杰罗雄陈春利童文皓杨泽后 . 激光测风雷达分析典型高原机场风场特征. 激光技术, 2020, 44(5): 525-531. doi: 10.7510/jgjs.issn.1001-3806.2020.05.001
    [19] 梁智锦王开福顾国庆张成斌 . 基于微粒子群优化算法的数字散斑图像相关方法. 激光技术, 2014, 38(5): 603-607. doi: 10.7510/jgjs.issn.1001-3806.2014.05.006
    [20] 王晓蒙王会峰姚乃夫 . 基于粒子群算法的激光位移传感器参量优化. 激光技术, 2018, 42(2): 181-186. doi: 10.7510/jgjs.issn.1001-3806.2018.02.008
  • 加载中
计量
  • 文章访问数:  5526
  • HTML全文浏览量:  2741
  • PDF下载量:  639
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-10-10
  • 录用日期:  2014-12-01
  • 刊出日期:  2015-11-25

基于加权组合核RX算法异物检测及其参量选择

    通讯作者: 郭宝峰, gbf@hdu.edu.cn
    作者简介: 吴香伟(1989-),男,硕士研究生,主要研究方向为图像处理与目标识别.
  • 1. 杭州电子科技大学 自动化学院, 杭州 310018;
  • 2. 中国科学院 长春光学精密机械与物理研究所, 长春 130033
基金项目:  国家自然科学基金资助项目(61375011);浙江省自然科学基金资助项目(LY13F030015)

摘要: 为了融合光谱形状差异信息和多项式核函数全局信息,充分挖掘地物特征,提高异常检测正确率,提出了一种加权组合核RX算法.该算法在高斯核函数的基础上,增加一个光谱角核函数.由于核函数参量和加权参量直接影响算法性能,分别采用了随机函数法、爬山法和粒子群算法对上述参量进行了选择.结果表明,在恒虚警率下使用粒子群算法进行参量设定得到的效果最好,且采用加权组合核函数RX算法得到的目标检测率为83.5%,相对于普通的核RX算法,正确率得到了提高.

English Abstract

参考文献 (17)

目录

    /

    返回文章
    返回