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

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

文章导航 > 红外与激光工程 > 2015 > 44(S1): 236-240

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

1.
黑龙江大学黑龙江省普通高等学校电子工程重点实验室,黑龙江哈尔滨 150080

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

1.
Key Laboratory of Electronic Enginerring,College of Heilongjiang Province,Heilongjiang University,Harbin 150080,China

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。
- 高光谱图像 /
- 目标检测 /
- 单类分类 /
- 支持向量数据描述
Abstract: In order to implement the automatic target detection in hyperspectral image, a target detection algorithm was proposed based on spatial-contextual one classification. Features of combining space and spectrum were used for the algorithm, principles of SVDD classifier and the algorithm process were studied. Firstly, the single class classification principle of support vector data description(SVDD) was analyzed this paper. Secondly, considering the characteristics of hyperspectral image, how to use spatial and spectral features as the SVDD classifier input was introduced. Then, the principle of the algorithm was explained by comparing and analyzing the single class classifier performance combined space and spectrum. Last, the concrete realization method of the algorithm was given. Experimental results show that, this method is superior to the conventional CEM algorithm, in a foreign naval base'data in AVIRIS imaging, the accuracy that detects the aircraft target is more than 90%, which can meet the requirement of stablility and reliability, low false alarm rate, high recognition rate of the target detection.
- hyperspectral image /
- target detection /
- one class classification /
- support vector data description

[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.

点击查看大图

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

基于空间上下文单类分类器的目标检测算法

1. 黑龙江大学黑龙江省普通高等学校电子工程重点实验室,黑龙江哈尔滨 150080

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

收稿日期: 2015-10-05
修回日期: 2015-11-03
刊出日期: 2016-01-25

基金项目:

国家自然科学基金(61302075)

中图分类号: TP751.1

关键词:

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。