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

基于空间上下文单类分类器的目标检测算法

王晓飞 王霄衣 史翔宇 阎秋静 陈向南

王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南. 基于空间上下文单类分类器的目标检测算法[J]. 红外与激光工程, 2015, 44(S1): 236-240.
引用本文: 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南. 基于空间上下文单类分类器的目标检测算法[J]. 红外与激光工程, 2015, 44(S1): 236-240.
Wang Xiaofei, Wang Xiaoyi, Shi Xiangyu, Yan Qiujing, Chen Xiangnan. Target detection algorithm based on spatial-contextual image one class classification[J]. Infrared and Laser Engineering, 2015, 44(S1): 236-240.
Citation: Wang Xiaofei, Wang Xiaoyi, Shi Xiangyu, Yan Qiujing, Chen Xiangnan. Target detection algorithm based on spatial-contextual image one class classification[J]. Infrared and Laser Engineering, 2015, 44(S1): 236-240.

基于空间上下文单类分类器的目标检测算法

基金项目: 

国家自然科学基金(61302075)

详细信息
    作者简介:

    王晓飞(1977-),男,副教授,博士,主要从事高光谱图像处理及应用方面的研究。Email:nk_wxf@hlju.edu.cn

  • 中图分类号: TP751.1

Target detection algorithm based on spatial-contextual image one class classification

  • 摘要: 为了实现对高光谱图像中的目标自动检测,提出了一种基于空间上下文单类分类器的目标检测算法。对所采用的空间与光谱结合的特征、SVDD分类器原理、算法流程等进行研究。首先分析了支持向量数据描述(SVDD,support vector data description)的单类分类原理。接着,结合高光谱图像特点,介绍了如何利用空间上下文信息和光谱特征作为SVDD分类器输入特征。然后,在分析比较空间光谱结合单类分类器性能的基础上,说明了采用该算法的原理。最后,给出了该算法的具体实现方法。实验结果表明:该方法优于常规的直接利用光谱信息的CEM等算法,在AVIRIS成像的某国外海军基地数据中,检测飞机目标的精度达到了90%以上。基本满足目标检测的稳定可靠、低虚警率、高识别率等要求。
  • [1] Dong Chao, Tian Lianfang. Hyperspectral image classification by steepest ascent relevance vector machine[J]. Opt Precision Eng, 2012, 20(6): 1398-1405. (in Chinese) 董超, 田联房. 最速上升关联向量机高光谱影像分类[J]. 光学 精密工程, 2012, 20(6): 1398-1405.
    [2]
    [3]
    [4] He Lin, Pan Quan, Di Wa, et al. Research advance on target detection for hyperspectral imagery[J]. Acta Electronice Sinica, 2009, 37(9): 2016-2024. (in Chinese) 贺霖, 潘泉, 邸韡, 等. 高光谱图像目标检测研究进展[J]. 电子学报, 2009, 37(9): 2016-2024.
    [5]
    [6] Reed I S, Yu X. 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
    [7]
    [8] Wang Xiaofei. Hyperspectral image resolution enhancement and its application on small target detection[D]. Harbin: Harbin Institure of Technology, 2011. (in Chinese) 王晓飞. 高光谱图像分辨率增强及在小目标检测中的应用研究[D]. 哈尔滨: 哈尔滨工业大学, 2011.
    [9]
    [10] Scharf L L, Friedlander B. Matched sub-space detectors[J]. IEEE Transactions on Signal Processing, 1994, 42(8): 2146-2157.
    [11]
    [12] Hammoud R I. Advances in Pattern Recognition[M]. London: Springer, 2009: 173-194.
    [13]
    [14] Ren H, Chang Y L. Multispectral subpixel detection using least square unmixing[C]//IEEE International Conference on Geoscience and Remote Sensing Symposium, 2006: 2754-2756.
    [15] Schaum A P. Spectral subspace matched filtering. algorithms for multispectral, hyperspectral, and ultraspectral imagery[C]//SPIE, 2001: 1-17.
    [16]
    [17] Harsanyi J C. Detection and classification of subpixel spectral signatures in hyperspectral image sequences[D]. US: University of Maryland, 1993: 21-42.
    [18]
    [19] Wang Xiaofei, Zhang Junping, Zhang Ye. Unmixing algorithm of hyperspectral images[J]. J Infrared Millim Waves, 2010, 29(3): 210-215, 229. (in Chinese) 王晓飞, 张钧萍, 张晔. 高光谱图像混合像元分解算法[J]. 红外与毫米波学报, 2010, 29(3): 210-215, 229.
    [20]
    [21] Liu Xiang. Target detection on hyperspectral imagery based on transformation of spectral dimensions[D]. Beijing: University of Chinese Academy of Sciences, 2008. (in Chinese) 刘翔. 基于光谱维变换的高光谱图像目标探测研究[D]. 北京: 中国科学院大学, 2008.
  • [1] 孙鹏, 于跃, 陈嘉欣, 秦翰林.  基于深度空时域特征融合的高动态空中多形态目标检测方法(特邀) . 红外与激光工程, 2022, 51(4): 20220167-1-20220167-8. doi: 10.3788/IRLA20220167
    [2] 曾瀚林, 孟祥勇, 钱惟贤.  高斯差分滤波图像融合方法 . 红外与激光工程, 2020, 49(S1): 20200091-20200091. doi: 10.3788/IRLA20200091
    [3] 陈明, 赵连飞, 苑立民, 徐峰, 韩默.  基于特征选择YOLOv3网络的红外图像绝缘子检测方法 . 红外与激光工程, 2020, 49(S2): 20200401-20200401. doi: 10.3788/IRLA20200401
    [4] 魏豪, 张凯, 郑磊, 曹源, 张丁文.  基于HOG-RCNN的电力巡检红外图像目标检测 . 红外与激光工程, 2020, 49(S2): 20200411-20200411. doi: 10.3788/IRLA20200411
    [5] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [6] 甘士忠, 肖志涛, 陈雷, 南瑞杰.  基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
    [7] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [8] 王忠良, 冯文田, 粘永健.  结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
    [9] 潘斌, 张宁, 史振威, 谢少彪.  基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
    [10] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [11] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [12] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [13] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [14] 吴静珠, 刘倩, 陈岩, 刘翠玲.  高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
    [15] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [16] 孙照蕾, 惠斌, 秦莫凡, 常铮, 罗海波, 夏仁波.  红外图像显著目标检测算法 . 红外与激光工程, 2015, 44(9): 2633-2637.
    [17] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [18] 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志.  基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
    [19] 刘志刚, 卢云龙, 魏一苇.  有监督的高光谱图像伪装目标检测方法 . 红外与激光工程, 2013, 42(11): 3076-3081.
    [20] 杨亚威, 李俊山, 杨威, 赵方舟.  利用稀疏化生物视觉特征的多类多视角目标检测方法 . 红外与激光工程, 2012, 41(1): 267-272.
  • 加载中
计量
  • 文章访问数:  367
  • HTML全文浏览量:  47
  • PDF下载量:  194
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-10-05
  • 修回日期:  2015-11-03
  • 刊出日期:  2016-01-25

基于空间上下文单类分类器的目标检测算法

    作者简介:

    王晓飞(1977-),男,副教授,博士,主要从事高光谱图像处理及应用方面的研究。Email:nk_wxf@hlju.edu.cn

基金项目:

国家自然科学基金(61302075)

  • 中图分类号: TP751.1

摘要: 为了实现对高光谱图像中的目标自动检测,提出了一种基于空间上下文单类分类器的目标检测算法。对所采用的空间与光谱结合的特征、SVDD分类器原理、算法流程等进行研究。首先分析了支持向量数据描述(SVDD,support vector data description)的单类分类原理。接着,结合高光谱图像特点,介绍了如何利用空间上下文信息和光谱特征作为SVDD分类器输入特征。然后,在分析比较空间光谱结合单类分类器性能的基础上,说明了采用该算法的原理。最后,给出了该算法的具体实现方法。实验结果表明:该方法优于常规的直接利用光谱信息的CEM等算法,在AVIRIS成像的某国外海军基地数据中,检测飞机目标的精度达到了90%以上。基本满足目标检测的稳定可靠、低虚警率、高识别率等要求。

English Abstract

参考文献 (21)

目录

    /

    返回文章
    返回