高光谱异常检测作为一种不依赖目标先验知识的无监督技术,存在诸如异常与背景难以区分、异常目标的检测精度易受背景污染等难题。为了解决这些问题,提出了一种联合Gabor滤波(Gabor filter,GF)的改进低秩稀疏矩阵异常检测算法。将Gabor...高光谱异常检测作为一种不依赖目标先验知识的无监督技术,存在诸如异常与背景难以区分、异常目标的检测精度易受背景污染等难题。为了解决这些问题,提出了一种联合Gabor滤波(Gabor filter,GF)的改进低秩稀疏矩阵异常检测算法。将Gabor滤波器引入低秩和稀疏矩阵分解(Low-rank and sparse matrix decomposition,LRaSMD)中,用来提取高光谱图像数据的空间纹理特征。对LRaSMD进行改进,选取Gabor变换后的初始结果构建子集,并对这个子集进行约束,通过固定子集的n个最小值并减去背景均值向量,最大程度地保留样本的异常值信息。采用马氏距离对构建的背景协方差矩阵进行检测。所提出的算法在5个数据集上的AUC值(Area under the curve)分别为0.9934、0.9967、0.9995、0.9991和0.9964。实验结果证明,所提出的算法极大地减弱了背景对异常像元的污染,并且可以很好地将背景和异常区分开,具有非常好的异常目标检测性能。展开更多
文摘高光谱异常检测作为一种不依赖目标先验知识的无监督技术,存在诸如异常与背景难以区分、异常目标的检测精度易受背景污染等难题。为了解决这些问题,提出了一种联合Gabor滤波(Gabor filter,GF)的改进低秩稀疏矩阵异常检测算法。将Gabor滤波器引入低秩和稀疏矩阵分解(Low-rank and sparse matrix decomposition,LRaSMD)中,用来提取高光谱图像数据的空间纹理特征。对LRaSMD进行改进,选取Gabor变换后的初始结果构建子集,并对这个子集进行约束,通过固定子集的n个最小值并减去背景均值向量,最大程度地保留样本的异常值信息。采用马氏距离对构建的背景协方差矩阵进行检测。所提出的算法在5个数据集上的AUC值(Area under the curve)分别为0.9934、0.9967、0.9995、0.9991和0.9964。实验结果证明,所提出的算法极大地减弱了背景对异常像元的污染,并且可以很好地将背景和异常区分开,具有非常好的异常目标检测性能。
