Hyperspectral RX Anomaly Detection Algorithm with Visual Attention Mechanism
-
摘要: 视觉注意机制具有快速引导关注到重点区域的特性，将其引入高光谱图像异常检测中具有可行性。本文从采样方式、波段选取、融入局部光谱特征3方面构建更适用于计算高光谱图像显著性的视觉注意机制模型。针对经典的基于高斯统计分布假设的RX异常检测算法在背景参数估计中易受潜在异常干扰的问题，利用视觉显著性结果对原图像进行高斯加权，在加权后图像中进行背景均值与协方差的重新估算，进而使用更精确的背景参数对原图像进行RX异常检测。在5个经典数据上的实验结果表明，本文方法有效地表现了潜在的异常目标，改进的RX异常检测算法具有更高的检测精度与更低的虚警率。Abstract: A visual attention mechanism (VAM) can quickly highlight region-of-interest targets; therefore, it is reasonable to introduce visual attention into hyperspectral image (HSI) anomaly detection tasks. By adjusting a bottom-up VAM model in three aspects, namely sampling method, band selection, and local spectral features, a more applicable VAM model for calculating the saliency of hyperspectral images was constructed. The resulting VAM is called bottom-up hyperspectral saliency map (BUHS). To solve the problem of background parameter estimation in the RX(Reed-Xiaoli) algorithm, which is susceptible to interference, BUHS was used as a Gaussian weighting parameter for the original image, in which new parameters of the RX anomaly method were calculated. Compared to the traditional RX, the background parameters are more accurate. The experimental results on five HSI datasets show that the proposed method can effectively identify potential anomaly targets and improve the RX algorithm with a higher detection accuracy and lower false alarm rate.
-
Keywords:
- hyperspectral image /
- anomaly detection /
- visual attention mechanism /
- saliency /
- RX
-
0. 引言
复合材料近年来发展迅速，其集原组分材料的优点以达到更好的综合性能，广泛应用于多种领域。目前，应用最广泛的复合材料之一——碳纤维增强树脂基复合材料（carbon fiber reinforced plastics，CFRP），是以碳纤维为增强材料合成树脂为基体而形成的非金属复合材料[1]。碳纤维增强树脂基材料始于20世纪60年代，其具有的密度低、比强度高、热膨胀系数小、耐疲劳性好等优异性能满足特殊结构所需的轻质、高强、重载等要求，最先应用于航空航天、军事装备等高精尖领域。随着复合材料性能提升及制造成本降低，碳纤维增强复合材料也逐渐转向民用，应用于汽车制造、海底油田、土木建筑、体育器材等多个领域。然而，由于复合材料在制造过程中的不稳定性，容易出现分层、夹杂、脱粘、孔隙等制造缺陷。此外，在服役时易受外界冲击载荷作用和复杂环境的影响，产生冲击损伤，表现为基体裂纹、分层、纤维断裂等损伤形式[2]。这些损伤的出现会降低设计性能及使用寿命，严重的，会危及工作人员的人身安全。
红外热成像无损检测技术采用非破坏手段对材料表面及近表面缺陷进行检测，与传统无损检测方法相比，具有检测速度快、无需接触，易于实现自动化等优点。而红外图像形成的过程中会伴随噪声，且热源激励的试样内部的热扩散也会造成图像边缘模糊，导致采集的红外图像视觉效果差，影响缺陷的定位识别及特征提取。为此，学者们针对检测目标及红外图像的特点提出了一些改进方法。康爽等针对红外图像清晰度低的问题，提出一种自适应迭代阈值加权的差分顶帽变换方法以增强图像细节[3]。王亚丽等通过改进传统OSTU算法选定最优阈值，然后提取红外图像缺陷特征以实现太阳光伏板缺陷的检测[4]。近年来，计算机视觉技术应用于缺陷检测的研究也日趋增多。郭辉、沈勇等人采用摄像头和计算机，基于LabVIEW图形语言开发环境和IMAQ Vision图像处理工具包编制的软件对麻花钻图像进行预处理、边缘检测以及图像测量。开发的麻花钻几何角度测量程序，可以测量麻花钻顶角、横刃斜角及公称直径[5]。郑中华等设计的SIM卡槽缺陷检测系统，运用模板匹配、形态学处理、彩色定位算法，分别实现了目标特征及位置的获取，目标轮廓细化，漏铜情况判别的功能[6]。
本文基于红外辐射原理，搭建红外热成像实验平台以获取CFRP样品缺陷热图像，并运用计算机视觉实现碳纤维增强复合材料缺陷的自动检测。软件系统设计使用美国NI（National Instruments）公司的2022版LabVIEW软件开发平台，研究对碳纤维复合材料进行缺陷检测的实际应用。
1. 试样制备及图像获取
1.1 试样制备
为研究检测系统对碳纤维层板缺陷的检测能力，实验在碳纤维复合层压板上人为制造了不同形状不同深度及相同形状不同方向的平底孔缺陷。使用的碳纤维增强复合层压板由T800型碳纤维制备，尺寸为167 mm×100 mm×2.4 mm，采用0°铺层方式，共14层。缺陷试样及尺寸信息如图 1及表 1、2所示。根据人为制造的缺陷形状，将缺陷试样分为两组，圆形缺陷和矩形缺陷。其中，表 2中#9~#12矩形缺陷的长边方向为0°（碳纤维排布方向）参考方向。
表 1 圆形缺陷几何尺寸Table 1. Circular defect geometryNo. Diameter D/mm Depth H/mm #1 3 0.5 #2 3 1.0 #3 3 1.5 #4 3 2.0 #5 5 0.5 #6 5 1.0 #7 5 1.5 #8 5 2.0 表 2 矩形缺陷几何尺寸及方位Table 2. Rectangular defect geometry and orientationNo. Length L/mm Width W/mm Depth H/mm 长轴
方向#9 10 1 0.5 0° #10 10 1 1.0 0° #11 10 1 1.5 0° #12 10 1 2.0 0° #13 10 1 0.5 90° #14 10 1 1.0 90° #15 10 1 1.5 90° #16 10 1 2.0 90° 1.2 图像获取
实验搭建的红外热成像缺陷检测系统组成示意图如图 2所示。该系统由激光扫描系统、红外图像采集系统及图像处理软件系统组成。其中，激光扫描系统包括PC机、激光发生器、移动平台；红外图像采集系统包括光学棱镜、红外热像仪；图像处理软件系统位于PC机上。
![]()
图 2 红外热成像缺陷检测系统组成示意图Figure 2. Schematic diagram of infrared thermal imaging defect detection system实验采用武汉锐科光纤激光器技术有限责任公司的RFL-A500D型915 nm直接半导体激光器作为激励源。激光器有连续和调制两种工作模式，在连续模式中，激光器是连续出光的，而调制模式下激光器输出光脉冲。为了快速、全面检测CFRP试样，采用线激光对CFRP层板进行连续扫描加热。在PC端设置内部连续工作模式，激光功率13 W，通过RS-232串口与激光器进行通信。
扫描过程的实现可以通过两种方式，激光移动试样不动以及激光固定试样移动。为了避免激光移动过程中受环境的影响以及实验中安全隐患的出现等不稳定因素，选用第二种移动试样的方式。通过移动平台控制二维平面内物体的运动及运动方向，设置移动为速度50 mm/s，沿纤维铺层方向扫描加热试样表面。激光扫描加热样板示意图如图 3所示。为了检验系统识别缺陷的能力，将线激光中心扫描路径调整到表面缺陷为3 mm直径的圆形及两组长轴取向互相垂直的矩形的中心对称轴处。进一步，将线激光对称轴调整到距离平面缺陷为5 mm直径的圆形中心对称轴2 mm处，以研究热源中心偏离缺陷对检测结果的影响。
出射激光由组合光学棱镜进行光束校准，使试样表面受热均匀。激光源发出激光束，落在2.4 m远样板表面形成直径4 mm圆形光斑，经棱镜校准整形成45 mm长梭形线激光。实验选用浙江大立科技股份有限公司非制冷焦平面微热型的DL700便携式红外热像仪。设置采样频率50 Hz，红外热像仪采集试样表面热图像序列。以直径为3 mm的圆形平底孔缺陷为例，选取其中连续的10帧，其热序列如图 4所示。
![]()
图 4 直径为3 mm的圆形平底孔缺陷热序列Figure 4. Defect heat sequence of circular flat bottom hole with diameter of 3 mm我们理想的情况是：激光光斑进入视场范围后，热源匀速扫描试样表面，直到光斑驶出视场区域，停止加热。图 4热序列图像#1-10中，#1为激光光斑进入视场区域，#5为激光光斑刚离开区域，#1-5激光扫描加热样板表面，#6-10停止加热。观察整个过程可以看出，热源加热始末存在热量堆积，扫描路径上中间温度高于两侧且缺陷区域温度低于非缺陷区域。这是因为移动平台从启动到关闭的过程为变速过程，从而固定在移动平台上的样板从静止到运动的相互转换表现为激光扫描缺陷表面的相对运动过程非匀速。起止点处速度低于预设速度，则扫描过程的平均速度低于预设速度，起止点一段路径上加热时间更长获取的能量更高，因此起止点处存在热量堆积，温度较高。由于校准的线激光形状并非标准规则形状，为中间宽两端尖近似为梭形，又光纤激光器的出射激光服从高斯分布，中间能量高于四周，且材料表面的扩散由激光光斑向周围扩散，这样，我们看到的红外图像中激光扫描路径上的中间区域温度高于两侧。由于缺陷处的空气介质热导率小于CFRP材料介质，空气会阻碍热量的传播，则热量在平底孔表面的热扩散较材料表面慢。且扫描速度为50 mm/s，扫描速度快，缺陷处加热时间短，热量不足以完全扩散到缺陷表面，故缺陷处温度低于非缺陷区域。
观察热序列图像可以看出，激光光斑进入视场范围后，热源扫描加热试样表面，当激光光斑刚离开视场范围时，采集的红外图像中缺陷整体视觉效果最明显，故取激光刚离开视场的红外图像作进一步的处理，即图 4中序列编号为#5的图像，以检测试样全貌。选取的待处理圆形和矩形红外图像如图 5所示。
![]()
图 5 圆形及矩形平底孔缺陷的平面热图像Figure 5. Plane thermal images of circular and rectangular flat bottom hole defects为了节省篇幅，如未特殊说明，图像处理各部分仅取某一种缺陷做处理，旨在说明该图像算法的特点。如预处理部分以直径为3 mm圆形平底孔缺陷为例。
2. 软件系统设计
本文基于LabVIEW软件开发平台与视觉开发模块VDM（vision development module）编写红外热成像缺陷检测软件。软件系统主要包括4个部分：图像读取、图像预处理、图像增强和缺陷检测。图像处理软件设计流程图如图 6。
2.1 图像读取
实验通过上述搭建的红外热成像系统获取图像序列。待处理图像取不同直径的圆形与不同方向的矩形平底孔缺陷红外图像各两组，传输至NI Vision VI所分配的内存中。我们采集的红外图像为24位的RGB图像，NI Vision VI读取文件数据时会自动转换为NI Vision支持的32位RGB图像，以进行进一步处理。
2.2 图像预处理
2.2.1 颜色空间转换
灰度图像只包含亮度信息，而彩色图像则同时包含亮度信息和色度信息。为了简化算法，提高系统检测速度，首先将采集的红外图像转化为灰度图像。
NI Vision提供RGB、HSL、HSV和HSI色彩空间，HSL色彩空间通常用于各种图像处理算法设计，故将RGB转换至HSL色彩空间，即色调（Hue）、饱和度（Saturation）、亮度（Luminance）色彩空间。三分量中的L分量包含了图像的亮度信息，与图像的的色彩信息完全区分开来，故取L分量做进一步处理。
程序通过NI Vision提供的IMAQ CastImage VI将彩色图像转换为HSL(U32)格式，使用IMAQ Extract Single Color Plane VI提取图像的单分量，HSL三分量图像信息如图 7所示。
2.2.2 灰度变换
灰度变换是指根据某种目标条件按一定变换关系逐点改变目标图像中每一个像素灰度值的方法[7]。图像灰度变换是一种图像空域处理方法，分为线性和非线性变换。通过对像素进行线性或非线性变换，将图像像素灰度值映射为仅由输入和变换关系决定的像素值。设输入图像像素灰度值为S＝s(x, y)，输出图像像素灰度值为D＝d(x, y)，灰度变换函数为M(S)，则图像灰度变换可表示为：
$$d(x, y)=M[s(x, y)]$$ (1) 常用的灰度变换方法有5种，分别为线性变换、指数变换、对数变换、幂值大于1的幂变换与幂值在0~1之间的幂变换。分析各种变换曲线的特点及多次实验后，文中取幂值为1/1.5的幂变换。5种灰度变换结果及幂变换处理前后图像直方图如图 8、图 9所示。
从幂变换处理前后结果及其直方图的对比可以看出，处理前图像像素集中在一个很小的范围内，灰度图像模糊、亮度低；变换后的图像直方图低灰度区间被拉伸，高灰度区间被压缩，得到的图像更亮，有效地改善了图像的显示效果。
2.3 图像增强
2.3.1 感兴趣区域提取
ROI（region of interest），感兴趣区域。在计算机视觉系统开发过程中，对被处理图像添加矩形、圆、不规则多边形等形状以勾画出需要处理的区域，该区域称为感兴趣区域。LabVIEW中常见的ROI操作包括构建ROI、关联ROI到图像显示窗口、从图像显示窗口中提取ROI以及清除图像显示窗口中的ROI等。
为了减少不必要的数据处理，提高检测系统的处理速度和实时性。我们在图像中添加矩形或圆形边框以勾选出感兴趣区域，将目光集中在待处理问题的关键处。
2.3.2 阈值分割
图像阈值分割是一种常用的图像分割方法。通过设定不同特征的一个或多个阈值，将图像像素进行分类。常用的特征有图像的灰度、色彩及二者变换所得的特征。灰度阈值分割法[8]以图像的灰度直方图作为参考，选取阈值。单灰度阈值分割、半灰度阈值分割、多灰度阈值分割表达式如式(2)(3)(4)。
$$ {b}_{1}(x, y)=\left\{ \begin{array}{l}1\text{, }\ \ g(x, y)\ge T\\ 0\text{, }\ \ g(x, y) < T\end{array} \right.$$ (2) $$ {b}_{2}(x, y)=\left\{ \begin{array}{l}g(x, y), \ \ g(x, y)\ge T\\ 0\text{, }\ \ \ \ \ \ \ \ g(x, y) < T\end{array} \right. $$ (3) $$ {b_3}(x, y) = \left\{ \begin{array}{l} {B_1}\quad 0 \leqslant g(x, y) \leqslant {T_1} \hfill \\ {B_2}\quad {T_2} < g(x, y) < {T_3} \hfill \\ {B_3}\quad {T_3} < g(x, y) < {T_4} \hfill \\ \quad \quad \quad \vdots \hfill \\ {B_{n - 1}}\quad {T_{n - 2}} < g(x, y) < {T_{n - 1}} \hfill \\ {B_n}\quad \;\, {T_{n - 1}} < g(x, y) \leqslant {\rm{Max}} \hfill \end{array} \right. $$ (4) 式中：g(x, y)为原始灰度图像；b1(x, y)、b2(x, y)、b3(x, y)为分割后的图像；T及Ti（i＝1, 2, 3…, n－1)为阈值，Max为图像中像素的最大灰度，Ti(i＝1, 2, 3, …, n)为常数。由上式可见，单一阈值分割法通过设定灰度阈值T，将小于阈值的背景部分置0，大于等于阈值的目标部分置1；半阈值分割法中，大于等于阈值的像素灰度值得到保留；多阈值分割法用一对低高阈值(Tlower, Thigher)将灰度图像划分为多类，用灰度常量标记各类。文中基于单阈值分割法的原理，将图像分割成仅含目标和背景的二值图像。
根据灰度阈值选取邻域的范围，阈值分割法分为局部阈值分割法和全局阈值分割法。局部阈值分割法由指定窗口邻域内像素信息确定每个像素的阈值，窗口大小小于图像尺寸，适用于光线分布不均的情况。全局阈值分割法由整幅图像的像素信息确定阈值，窗口尺寸与整幅图像一致，通常适用于处理光照均匀的图像。红外图像存在分辨率低、均匀性差、对比度弱的缺点，导致缺陷图像边缘模糊，与背景难以区分。因此，我们选取局部阈值分割法分割图像。
局部阈值分割程序IMAQ LocalThreshold提供背景纠正（background correction）和Niback二值化（Niback algorithm）两种优化算法。Niback二值化算法通过计算每个像素的阈值与原像素进行比较，将像素分割成目标与背景。设像素点灰度值g(x, y)，m(x, y)和σ2(x, y)分别为其邻域内均值和方差，则计算公式如下。
$$ \begin{array}{l}T(x, y)=m(x, y)+k{\sigma }^{2}(x, y)\\ g(x, y)=\left\{ \begin{array}{l}{\rm{target}},\ \ g(x, y) > T(x, y)\\ {\rm{background}},\ \ 其他\end{array} \right.\end{array} $$ (5) 式中：k为偏差系数，一般取0.2。
Niback二值化算法的执行速度受到邻域大小的选取及偏差系数k取值的影响。局部阈值分割法为图像中的每个像素计算阈值，邻域大小的选取直接影响算法的执行速度，通常选取邻域尺寸略大于分割的最小目标。由(5)中的计算公式看出，偏差系数k值越小，方差对阈值的影响越小，被标记的目标像素越接近平均灰度，当k＝0时，处理速度最快。以0°矩形平底孔缺陷为例，阈值分割部分前面板见图 10。
程序运行时设置查找的目标类型为亮背景中的暗目标，偏离参数设置为0.2，窗口大小设置为20×32（略大于目标）。观察阈值化处理前灰度图像（图 10中Src显示控件内）发现，红外图像亮度分布不均，激光扫描始末端存在热量堆积，在图像中表现为首尾区域亮度高于中间区域；且热扩散由激光光斑沿四周扩散，表现为中间部分亮度高于两侧；缺陷处空气介质的热扩散率小于材料板，表现为图像缺陷处亮度低于周围材料。观察处理后的二值图像（图 10中Binary显示控件内）发现，局部阈值分割算法能适应各类亮度不均的情况，较好地分割图像。
由于采集的红外图像缺陷边缘模糊，均匀性差，导致分割的图像中目标与背景分界不清，分割过程将背景错误标记为目标。因此，后续使用二值形态学处理进行纠正。
2.3.3 形态学处理
图像分割的质量直接决定后续目标特征的提取，其分割效果受到图像质量的影响。为了去除二值图像中不需要的信息，准确提取图像中的目标颗粒结构，使用形态学处理获取缺陷边界并进行缺陷数量统计。
形态学处理包含多种计算形式。基本的形态学处理作用于图像像素值，腐蚀（erosion）、膨胀（dilation）、击中-击不中（hit-miss）为3种最基本的形态学运算形式；高级形态学处理作用于二值图像中的颗粒，使用孔洞填充（fill hole）、边界剔除（reject border）、颗粒分离（particle separation）等运算处理图像中的颗粒。
颗粒的定义为图像中相互连通的一组非0或灰度较高的像素所构成的区域[8-9]。数字图像中与像素邻接的像素点有8个，依据连通性判断准则判断其是否属于同一颗粒。4连通和8连通为两种常用的连通性判断准则。4连通准则将水平与垂直方向与像素紧挨的像素判断为同一颗粒，而8连通准则除水平与垂直方向，还将对角线上相连像素判断为同一颗粒。
形态学处理增强子系统用户界面及0°矩形平底孔缺陷增强过程如图 11、12。阈值分割结果如图 12(a)，程序首先调用IMAQ Morphology对二值图像进行自动中值（Auto-Median）组合形态学处理，增强二值图像，处理结果如图(b)。观察图(b)，我们事先知晓(b)中与图像边界相连的颗粒为背景，为了将其去除，使用IMAQ RejectBordor VI进行处理，基于8连通准则将属于各边界颗粒的像素点置0，得到图(c)。观察图(c)发现，图中有几处微小颗粒，这里使用IMAQ Remove Particle去除杂质颗粒。将腐蚀次数设为2，IMAQ Remove Particle使用元素值均为1的3×3结构元素对图像进行低通滤波，去除长度为4及以下的颗粒，得到图(d)。为了避免分割过程中可能出现孔洞，这里使用IMAQ FillHole填充凸壳得到图(e)。最后使用IMAQ Label为二值图像中的颗粒设定灰度标记值，将标记图像作为遮罩图像转换为ROI，从而实现缺陷的可视化，提取出缺陷边缘并统计缺陷数量。
![]()
图 11 形态学处理增强子系统用户界面Figure 11. User interface of morphological processing enhancement subsystem![]()
图 12 0°矩形平底孔缺陷形态学增强过程：(a) 二值图；(b) 自动中值；(c) 去除边界；(d) 过滤颗粒；(e) 孔洞填充；(f) 标记颗粒；(g) 缺陷可视化Figure 12. Morphological enhancement process of 0° rectangular flat bottom hole: (a) Binary graph; (b) Automatic median; (c) Boundary removal; (d) Filter particle; (e) Hole filling; (e) Label particle; (f) Defect visualization3. 结果和分析
检测系统界面设置了打开图片、灰度化、灰度变换、提取ROI、形态学处理、退出系统6个操作按钮；图像显示、缺陷数量显示两个显示模块；以及一个ROI工具条。运行程序，用户点击打开图片按钮从内存中读取待处理红外图像，点击灰度化按钮将彩色图片转换为灰度图片，然后点击灰度变换按钮执行子程序。在灰度变换子系统中，用户可以根据检测对象及其特征更改灰度变换方法及设置对应的数值。接下来选择图形显示控件左侧的ROI工具条以添加ROI轮廓，然后点击提取ROI按钮，则图像显示控件中单独显示用户最终添加的ROI轮廓对应的区域。最后，点击形态学处理按钮，运行界面会弹出形态学处理增强子系统，用户可以设置局部阈值分割方法及相应参数；调整形态学处理方法及相关参数；更改腐蚀次数来去除一定长度内的杂质颗粒以更好地完成目标边界的提取。
CFPR红外图像缺陷检测系统前面板及平底孔试样缺陷检测结果如图 13、14所示。图 13中，0°矩形平底孔缺陷数量显示位于图像显示控件下侧，统计结果为4，并且其余类型缺陷的数目统计结果都为4。由图 14可以看出，该系统可以准确快速地检测出圆形及矩形平底孔缺陷。观察提取的边界曲线发现，曲线不平滑且缺陷形状为非规则的圆形及矩形，这可能是因为材料及制造工艺不稳定所造成的三维热传导不一致，图像采集及算法处理过程中产生的噪声点以及试样移动造成的目标拉升等因素。观察图 14(b)发现，直径为5 mm的圆形平底孔缺陷中仅末端缺陷边界不完整，这可能是因为缺陷表面积大、深度高（2 mm）且激光中心偏低缺陷中心导致热扩散范围未能完全覆盖缺陷。
![]()
图 14 缺陷边界提取结果：(a) 3mm圆形；(b) 5 mm圆形；(c) 0°矩形；(d) 90°矩形Figure 14. Defect boundary extraction results: (a) 3 mm circle; (b) 5 mm circle; (c) 0° rectangle; (d) 90° rectangle4. 结束语
针对航空领域应用广泛的碳纤维复合材料损伤问题，本文搭建了红外热成像缺陷检测实验平台。在提高检测效率方面，基于LabVIEW平台设计红外图像缺陷检测系统。软件系统主要运用局部阈值分割方法及形态学处理算法提取缺陷边缘并进行缺陷计数。实验结果表明，该系统能快速准确地定位平底孔缺陷并计算其数量。
-
![]()
图 1 融合视觉注意机制的高光谱RX异常检测算法流程
Figure 1. Hyperspectral RX anomaly detection algorithm with visual attention mechanism flowchart
![]()
图 2 高光谱影像与其对应异常目标分布
Figure 2. Hyperspectral images and their anomaly targets distribution
表 1 LCVF模拟异常目标
Table 1 LCVF simulates anomalous targets
Column Number of targets/cells Proportion of target Proportion of background 1 5/20 0.8 0.2 2 5/20 0.6 0.4 3 5/5 0.4 0.6 4 6/6 0.2 0.8 
下载: 导出CSV
表 2 异常检测数据介绍
Table 2 Anomaly detection data introduction
Data Sensor Resolution/m Size Targert type Number of targets/cells LCVF AVIRIS 20 120×160×190 Simulated anomalous targets 21/51 airport4 AVIRIS 3.4 100×100×205 Airport 3/60 beach4 ROSIS-03 1.3 150×150×102 Car and bare soil 7/68 urban1 AVIRIS 17.2 100×100×204 Building 9/67 urban3 AVIRIS 3.5 100×100×191 Ship 11/52
下载: 导出CSV
表 3 参数实验结果
Table 3 Parameters experimental results
Parameter Size AUC Parameter Size AUC Number of bands 3 0.9759 Number of pyramid layers 3 0.9081 6 0.9621 5 0.9759 9 0.9681 7 0.9709 12 0.9777 9 0.9624 15 0.9779 18 0.9772 Spectral feature window size 3×3 0.9769 21 0.9765 5×5 0.9759 24 0.9746 7×7 0.975 27 0.9726 30 0.9725
下载: 导出CSV
表 4 消融实验
Table 4 Ablation experiment
model Sampling mode Band selection Spectral feature AUC A 0.9625 B √ 0.9690 C √ 0.9788 D √ 0.9759 E √ √ 0.9846 F √ √ 0.9831 G √ √ √ 0.9862
下载: 导出CSV
表 5 AUC统计结果
Table 5 AUC statistics
RX ITTIRX HITTIRX LCVF 0.8333 0.8753 0.9999 Airport4 0.9526 0.8768 0.9894 Beach4 0.9588 0.9302 0.9847 Urban1 0.9907 0.9881 0.9983 Urban3 0.9513 0.9625 0.9862
下载: 导出CSV
-
[1] 赵春晖, 李晓慧, 王玉磊. 高光谱图像异常目标检测研究进展[J]. 电子测量与仪器学报, 2014, 28(8): 803-811. DOI: 10.13382/j.jemi.2014.08.001 ZHAO Chunhui, LI Xiaohui, WANG Yulei. Research progress of hyperspectral image anomaly target detection[J]. Journal of Electronic Measurement and Instrumentation, 2014, 28(8): 803-811. DOI: 10.13382/j.jemi.2014.08.001
[2] Reed I S, YU X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Transactions on Acoustics Speech & Signal Processing, 1990, 38(10): 1760-1770.
[3] Ashton E A, Schaum A. Algorithms for the detection of sub-pixel targets in multispectral imagery[J]. Photogrammetric Engineering & Remote Sensing, 1998, 64(7): 723-731.
[4] Taitano Y, Geier B, Bauer K. A locally adaptable iterative RX detector[J]. EURASIP Journal on Advances in Signal Processing, 2010, 2010(1): 341908. DOI: 10.1155/2010/341908
[5] Molero J M, Garzón E M, García I, et al. Analysis and optimizations of global and local versions of the RX algorithm for anomaly detection in hyperspectral data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(2): 801-814. DOI: 10.1109/JSTARS.2013.2238609
[6] Kwon H, Nasrabadi N M. Kernel RX-algorithm: a nonlinear anomaly detector for hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(2): 388-397. DOI: 10.1109/TGRS.2004.841487
[7] 徐超, 詹天明. 基于低秩全变差正则化的高光谱异常检测方法[J]. 计算机科学与探索, 2020, 14(12): 2140-2149. DOI: 10.3778/j.issn.1673-9418.2002003 XU Chao, ZHAN Tianming. Hyperspectral anomaly detection method based on low-rank full-variance regularization[J]. Computer Science and Exploration, 2020, 14(12): 2140-2149. DOI: 10.3778/j.issn.1673-9418.2002003
[8] CHEN Yi, Nasrabadi N M, Tran T D. Sparse representation for target detection in hyperspectral imagery[J]. IEEE Journal of Selected Topics in Signal Processing, 2011, 5(3): 629-640. DOI: 10.1109/JSTSP.2011.2113170
[9] SUN Weiwei, LIU Chun, LI Jialin, et al. Low-rank and sparse matrix decomposition-based anomaly detection for hyperspectral imagery[J]. Journal of Applied Remote Sensing, 2014, 8(1): 083641. DOI: 10.1117/1.JRS.8.083641
[10] XU Yang, WU Zebin, LI Jun, et al. Anomaly detection in hyperspectral images based on low-rank and sparse representation[J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(4): 1990-2000.
[11] LI Wei , DU Qian. Collaborative representation for hyperspectral anomaly detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3): 1463-1474. DOI: 10.1109/TGRS.2014.2343955
[12] 沈旭, 程小辉, 王新政. 结合视觉注意力机制基于尺度自适应局部对比度增强的红外弱小目标检测算法[J]. 红外技术, 2019, 41(8): 764-771. http://hwjs.nvir.cn/article/id/hwjs201908012 SHEN Xu, CHENG Xiaohui, WANG Xinzheng. Combined visual attention mechanism based on scale adaptive local contrast enhancement for infrared weak target detection algorithm[J]. Infrared Technology, 2019, 41(8): 764-771. http://hwjs.nvir.cn/article/id/hwjs201908012
[13] Itti L, Koch C, Niebur E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(11): 1254-1259. DOI: 10.1109/34.730558
[14] LIANG Jie, ZHOU Jun, BAI Xiao, et al. Salient object detection in hyperspectral imagery[C]//IEEE International Conference on Image Processing, 2014: 2393-2397.
[15] CAO Yan, ZHANG Jing, TIAN Qi, et al. Salient target detection in hyperspectral images using spectral saliency[C]//IEEE China Summit and International Conference on Signal and Information Processing, 2015: 1086-1090.
[16] 刘嘉诚, 王爽, 刘伟华, 等. 显著性权重RX高光谱异常点检测[J]. 遥感学报, 2019, 23(3): 418-430. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201903005.htm LIU Jiacheng, WANG Shuang, LIU Weihua, et al. Significance weighting RX hyperspectral anomaly detection[J]. Journal of Remote Sensing, 2019, 23(3): 418-430. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201903005.htm
[17] ZHAO Minghua, YUE Liqin, HU Jing, et al. Salient target detection in hyperspectral image based on visual attention[J/OL]. IET Image Processing, 2021, 15(11):https://doi.org/10.1049/ipr2.12197 .
[18] XIANG Pei, SONG Jiangluqi, QIN Hanlin, et al. Visual attention and background subtraction with adaptive weight for hyperspectral anomaly detection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 2270-2283. DOI: 10.1109/JSTARS.2021.3052968
[19] ZHU Wei, LIU Jian, ZHU Mingyue, et al. Research on improved algorithm of DR image enhancement based on Gauss-Laplacian pyramid[J]. Chinese Journal of Medical Instrumentation, 2019, 43(1): 10-13. DOI: 10.3969/j.issn.1671-7104.2019.01.003
[20] 纪磊, 张欣, 张丽梅, 等. 基于空谱加权近邻的高光谱图像分类算法[J]. 激光与光电子学进展, 2020, 57(6): 165-172. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202006017.htm JI Lei, ZHANG Xin, ZHANG Limei, et al. Hyperspectral image classification algorithm based on null-spectrum weighted nearest neighbor[J]. Advances in Lasers and Optoelectronics, 2020, 57(6): 165-172. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202006017.htm
[21] WANG Qi, ZHANG Fahong, LI Xuelong. Optimal clustering framework for hyperspectral band selection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(10): 5910-5922.
[22] 叶珍, 白璘, 何明一. 高光谱图像空谱特征提取综述[J]. 中国图象图形学报, 2021, 26(8): 1737-1763. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTB202108003.htm YE Zhen, BAI Lin, HE Meiyi. A review of hyperspectral image null spectrum feature extraction[J]. Chinese Journal of Graphics, 2021, 26(8): 1737-1763. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGTB202108003.htm
[23] 汪家宝, 陈树新, 吴昊, 等. 采用平方根高斯核积分滤波的目标跟踪算法[J]. 西安交通大学学报, 2022, 56(4): 157-164. https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT202204017.htm WANG Jiabao, CHEN Shuxin, WU Hao, et al. A target tracking algorithm using square root Gaussian kernel integral filtering[J]. Journal of Xi'an Jiaotong University, 2022, 56(4): 157-164. https://www.cnki.com.cn/Article/CJFDTOTAL-XAJT202204017.htm
[24] 黄远程, 钟燕飞, 赵野鹤, 等. 联合盲分解与稀疏表达的高光谱图像异常目标检测[J]. 武汉大学学报: 信息科学版, 2015, 40(9): 1144-1150. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201509002.htm HUANG Yuancheng, ZHONG Yanfei, ZHAO Yehe, et al. Joint blind decomposition and sparse expression for hyperspectral image anomaly target detection[J]. Journal of Wuhan University: Information Science Edition, 2015, 40(9): 1144-1150. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201509002.htm
[25] KANG Xudong, ZHANG Xiangping, LI Shutao , et al. Hyperspectral anomaly detection with attribute and edge-preserving filters[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017(10): 1-12.
[26] 成宝芝, 杨桂花, 王凤嫔, 等. 基于低秩张量分解的高光谱RX异常目标检测算法[J]. 光学技术, 2022, 48(3): 379-384. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJS202203020.htm CHENG Baozhi, YANG Guihua, WANG Fengpin, et al. Hyperspectral RX anomaly target detection algorithm based on low-rank tensor decomposition[J]. Optical Technology, 2022, 48(3): 379-384. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJS202203020.htm
-
期刊类型引用(1)
1. 李晟，李嘉泽楷，任昊. 高维空间聚类下多信道光纤网络大数据异常检测. 激光杂志. 2025(03): 169-174 . 
百度学术
其他类型引用(2)
计量
- 文章访问数: 196
- HTML全文浏览量: 58
- PDF下载量: 51
- 被引次数: 3
