研究目的
提出一种基于低秩与稀疏矩阵分解的新型异常检测方法，通过背景位置估计抑制稀疏分量中的背景干扰，从而在高光谱图像中实现背景与异常的更好分离。
研究成果
所提出的LSwBPE方法通过利用光谱和空间特征，有效抑制了稀疏分量中的背景干扰，降低了误报率，并提升了异常检测性能。在合成数据集和真实数据集上，该方法均优于多种最先进的检测器，展现出对参数变化的鲁棒性。
研究不足
该方法仅提供部分背景像素的位置估计；整体背景估计仍是未来研究的问题。性能取决于秩上限、稀疏度水平、丰度阈值和端元数量等参数设置。
1：实验设计与方法选择：
该方法采用低秩稀疏矩阵分解（LRaSMD）结合GoDec算法进行分解，使用SMACC进行端元提取，并基于丰度图估计背景位置。异常值计算采用欧氏距离。
2：样本选择与数据来源：
使用合成和真实高光谱数据集（Urban、Moffett field、San Diego），由HYDICE和AVIRIS传感器获取。
3：实验设备与材料清单：
高光谱影像数据集、MATLAB 2016a软件、用于SMACC操作的ENVI平台、配备Intel Core i3-4170 CPU和8GB内存的个人计算机。
4：实验流程与操作步骤：
应用GoDec进行LRaSMD获取稀疏矩阵，在ENVI上使用SMACC获取丰度图，估计背景位置，用零向量替换光谱，通过欧氏距离计算异常值。
5：数据分析方法：
通过色彩检测图、ROC曲线、AUC值、背景-异常分离图及计算时间对比评估性能。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
ENVI
Harris Geospatial Solutions
Remote sensing image processing platform used for SMACC endmember extraction operation.
-
MATLAB
2016a
MathWorks
Simulation platform for implementing experiments and data analysis.
-
AVIRIS
NASA Jet Propulsion Laboratory
Airborne Visible/Infrared Imaging Spectrometer sensor used to acquire hyperspectral imagery datasets.
-
HYDICE
U.S. Army Corps of Engineers
Hyperspectral Digital Imagery Collection Experiment remote sensor used to acquire hyperspectral imagery datasets.
-
登录查看剩余2件设备及参数对照表
查看全部
