Обнаружение аномалий на гиперспектральных изображениях
Денисова А.Ю.
, Мясников В.В.

Аннотация:
В статье предлагается несколько новых алгоритмов обнаружения аномалий на гиперспектральных изображениях, использующих различные способы определения факта «аномальности». Производится сравнение предлагаемых алгоритмов с широко используемым RXD-алгоритмом и его модификациями, на ряде примеров продемонстрированы преимущества предложенных решений.

Ключевые слова :
гиперспектральные изображения, обнаружение аномалий, спектральное рассогласование, RX-детектор аномалий.

Литература:

  1. Chandola, V. Anomaly detection: A survey / V. Chandola, A. Banerjee, V. Kumar // ACM Computing Surveys (CSUR). – 2009. – V. 41(3). – 72 p.
  2. Chang, C.I. Anomaly detection and classification for hyperspectral imagery / C.I. Chang, C. Shao-Shan // IEEE Transactions on Geoscience and Remote Sensing. – 2002. – V. 40(6). – P. 1314-1325.
  3. Chang, C.I. Hyperspectral Data Processing: Algorithm Design and Analysis. – John Wiley & Sons, 2013. – 1164 p.
  4. Chang, C.I. Hyperspectral data exploitation: theory and applications. – Wiley-Interscience, 2007. – 456 p.
  5. Reed, I.S. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution / I.S. Reed, X. Yu // IEEE Transactions on Acoustics, Speech, and Signal Processing. – V. 38(10). – 1990. – P. 1760-1770.
  6. Matteoli, S. A tutorial overview of anomaly detection in hyperspectral images / S. Matteoli, M. Diani, G. Corsini // Aerospace and Electronic Systems Magazine, IEEE. – 2010. – V. 25(7). – P. 5-28.
  7. Borghys, D. Hyperspectral anomaly detection: A comparative evaluation of methods / D. Borghys, V. Achard, S.R. Rotman, N. Gorelik, C. Perneel, E. Schweicher // Ge­neral Assembly and Scientific Symposium, 2011 XXXth URSI. – IEEE, 2011. – P. 1-4.
  8. Borghys, D. Hyperspectral Anomaly Detection: Comparative Evaluation in Scenes with Diverse Complexity / D. Borghys, I. Kasen, V. Achard, C. Pernee // Journal of Electrical and Computer Engineering. – 2012. – V. 2012. – 16 p. – Article ID 162106.
  9. Bachega, L.R. Evaluating and improving local hyperspectral anomaly detectors / L.R. Bachega, J. Theiler, C.A. Bou­man // Applied Imagery Pattern Recognition Workshop (AIPR), 2011 IEEE. – IEEE, 2011. – P. 1-8.
  10. Soofbaf, S.R. Anomaly detection algorithms for hyperspectral imager / S.R. Soofbaf, H. Fahimnejad, M.J. Valadan Zoej, B. Mojaradi // Proceedings, Remote Sensing and Image Processing, Presented at the Map of the World Forum. – 2007. – P. 1-8.
  11. Schaum, A.P. Hyperspectral anomaly detection beyond RX // Proceedings of the SPIE Algorithms and Technologies for Multispectral, Hyperspectral and Ultraspectral Imagery XII. – 2007. – V. 6565.
  12. Messinger, D.W. A graph theoretic approach to anomaly detection in hyperspectral imagery/ D.W. Messinger, J. Albano // Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2011 3rd Workshop on. – IEEE, 2011. – P. 1-4.
  13. Banerjee, A. A support vector method for anomaly detection in hyperspectral imagery / A. Banerjee, P. Burlina, C. Diehl // Geoscience and Remote Sensing, IEEE Transactions on. – 2006. – V. 44(8). – P. 2282-2291.
  14. Gu, Y. A selective KPCA algorithm based on high-order statistics for anomaly detection in hyperspectral imagery / Y. Gu, Y. Liu, Y. Zhang // Geoscience and Remote Sensing Letters. –2008. – V. 5(1). – P. 43-47.
  15. Basener, D. Anomaly detection using topology / B. Basener, E. Ientilucci, D.W. Messinger // Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XIII, SPIE, 2007. – V. 6565.
  16. Методы компьютерной обработки изображений / М.В. Гашников, Н.И. Глумов, Н.Ю. Ильясова, В.В. Мяс­ников, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Хра­мов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В.А. Фур­сов. – Под ред. В.А. Сойфера. – 2-е изд., испр. – М.: Физ­матлит, 2003. – 784 с.
  17. Кострикин, А.И. Линейная алгебра и геометрия. / А.И. Кострикин, Ю.И. Манин. – Изд. 4-е, стер. – Сер.: Классическая учебная литература по математике. – СПб., 2008.
  18. Биркгоф, Г. Современная прикладная алгебра / Г. Бирк­гоф, Т. Барти. – М.: Мир, 1976. – 400 с.
  19. Clark, R.N. The U. S. Geological Survey, Digital Spectral Library: Version 1: 0.2 to 3.0 microns, U.S. Geological Survey Open File Report 93-592 / R.N. Clark, G.A. Swayze, A.J. Gallagher, T.V.V. King, W.M. Calvin. – 1993. – 1340 p.
  20. Rodarmel, C. Principal component analysis for hyperspectral image classification / C. Rodarmel, J. Shan // Surveying and Land Information Science. – 2002. – V. 62(2). – P. 115-122.

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20