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

基于一类支持向量机的盲元检测方法

张东阁 傅雨田

张东阁, 傅雨田. 基于一类支持向量机的盲元检测方法[J]. 红外与激光工程, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001
引用本文: 张东阁, 傅雨田. 基于一类支持向量机的盲元检测方法[J]. 红外与激光工程, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001
Zhang Dongge, Fu Yutian. One class support vector machine used for blind pixel detection[J]. Infrared and Laser Engineering, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001
Citation: Zhang Dongge, Fu Yutian. One class support vector machine used for blind pixel detection[J]. Infrared and Laser Engineering, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001

基于一类支持向量机的盲元检测方法

doi: 10.3788/IRLA201847.0404001
基金项目: 

国家863计划(2015AA7015090,2015AA7015097);全球变化与海气相互作用专项任务(GASI-03-03-01-01);中国科学院上海技术物理研究所创新基金(2014-CX25)

详细信息
    作者简介:

    张东阁(1986-),男,助理研究员,博士,主要从事光学设计和机械设计方面的研究。Email:zhangdongge@mail.sitp.ac.cn

    通讯作者: 傅雨田(1967-),男,研究员,博士生导师,博士,主要从事红外光电系统总体技术方面的研究。Email:yutianfu@mail.sitp.ac.cn
  • 中图分类号: TN216;O439

One class support vector machine used for blind pixel detection

  • 摘要: 利用无监督学习的一类支持向量机(One Class Support Vector Machine,OCSVM)和随机场景图像序列,构造滚动更新的像元分类模型,实现红外焦平面盲元的在线检测。根据正常像元和异常像元数量和灰度特征的差异,以随机图像序列作为输入数据,使用OCSVM建立单一类别的像元分类模型,灰度变化的像元归为一类,其他像元不属于此类。由于随机图像序列的滚动更新,OCSVM模型及支持向量也随之更新。统计支持向量的频次,高频次支持向量对应的像元聚为一类,即为异常像元。以320256中波红外图像序列为例,说明了OCSVM模型进行盲元检测的过程,检测结果与黑体定标的结果一致。基于随机场景和OCSVM模型的盲元检测方法摆脱了定标黑体的约束,提高了盲元检测的灵活性。
  • [1] Bai Junqi, Jiang Yiliang, Zhao Chunguang, et al. Blind pixel detection algorithm for infrared focal plane array detector[J]. Infrared Technology, 2011, 33(4):233-240. (in Chinese)
    [2] Hao Lichao, Huang Aibo, Lai Canxiong, et al. Discussion of reliability analysis on IRFPAs by bad pixel[J]. Infrared and Laser Engineering, 2016, 45(5):0504004. (in Chinese)
    [3] Yao Qinfen, Gu Guohua. A new algorithm of blind pixel detection for IRFPA[J]. Infrared Technology, 2012, 34(8):441-443. (in Chinese)
    [4] Zhang Honghui, Luo Haibo, Yu Xinrong, et al. Blind pixel detection algorithm for IRFPA by applying pixel's characteristics histogram analysis[J]. Infrared and Laser Engineering, 2014, 43(6):1807-1811. (in Chinese)
    [5] Yan Fei, Hou Qingyu. Algorithm of blind pixel detection based on multi statistical characteristic abnormity[J]. Infrared and Laser Engineering, 2014, 43(2):454-457. (in Chinese)
    [6] Zhang Qiaozhou, Gu Guohua, Chen Qian, et al. Real time blind pixel detection and compensation technology based on two point parameters and self-adaptive window[J]. Infrared Technology, 2013, 35(3):139-145. (in Chinese)
    [7] Kan Bohan, Yin Jinjian, Li Lingjie, et al. IR blind pixels detection algorithm based on adjustable threshold window[J]. Laser Infrared, 2014, 44(8):949-952. (in Chinese)
    [8] Huang Xi, Zhang Jianqi, Liu Delian. Algorithm of blind pixels adaptive detection and compensation for infrared image[J]. Infrared and Laser Engineering, 2011, 40(2):370-376. (in Chinese)
    [9] Leng Hanbing, Gong Zhendong, Xie Qingsheng, et al. Adaptive blind pixel detection and compensation for IRFPA based on fuzzy median filter[J]. Infrared and Laser Engineering, 2014, 44(3):821-826. (in Chinese)
    [10] Li Yulu, Su Lan, Chen Daqian, et al. Adaptive blind pixel detection algorithms based on stepwise search strategy[J]. Infrared Technology, 2016, 38(6):457-460. (in Chinese)
    [11] GB/T 17444-2013 The technical norms for measurement and test of characteristic parameters of infrared focal plane arrays[S]. Beijing:China Standards Press, 2014. (in Chinese)
    [12] Pan Zhisong, Chen Bin, Miao Zhimin, et al. Overview of study on one class classifiers[J]. Acta Electronica Sinca, 2009, 37(11):2496-2503. (in Chinese)
    [13] Yao Fuguang, Zhong Xianxin, Tang Xiangyang, et al. Mechanism and implementation of one class support vector machine in fast foreign real time recognition[J]. Optics and Precision Engineering, 2009, 17(4):937-942. (in Chinese)
    [14] Lin Hao, Zhao Jiewen, Chen Quansheng, et al. Identification of egg freshness using near infrared spectroscopy and one class support vector machine algorithm[J]. Spectroscopy and Spectral Analysis, 2010, 30(4):929-932. (in Chinese)
    [15] Zheng Guansheng, Wang Jiandong, Gu Bin, et al. Analysis of one class incremental support vector machine[J]. Journal of Nanjing University of Aeronautics and Astronautics, 2015, 47(1):113-118. (in Chinese)
    [16] Wang Hongbo, Zhao Guangzhou, Qi Donglian, et al. Fast incremental learning method for one class support vector machine[J]. Journal of Zhejiang University (Engineering Science), 2012, 46(7):1327-1332. (in Chinese)
  • [1] 李芳丽.  监控视频中采用深度支持向量数据描述的异常检测 . 红外与激光工程, 2021, 50(9): 20210094-1-20210094-7. doi: 10.3788/IRLA20210094
    [2] 杨彦伟, 张丽丽, 郝晓剑, 张瑞忠.  机器学习结合激光诱导击穿光谱技术铁矿石分类方法 . 红外与激光工程, 2021, 50(5): 20200490-1-20200490-8. doi: 10.3788/IRLA20200490
    [3] 张长兴, 刘成玉, 亓洪兴, 张东, 蔡能斌.  热红外高光谱成像仪光谱匹配盲元检测算法 . 红外与激光工程, 2020, 49(1): 0104002-0104002(7). doi: 10.3788/IRLA202049.0104002
    [4] 胡善江, 贺岩, 陶邦一, 俞家勇, 陈卫标.  基于深度学习的机载激光海洋测深海陆波形分类 . 红外与激光工程, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004
    [5] 邹媛媛, 李鹏飞, 左克铸.  三线结构光视觉传感器现场标定方法 . 红外与激光工程, 2018, 47(6): 617002-0617002(6). doi: 10.3788/IRLA201847.0617002
    [6] 马跃, 张文豪, 张智宇, 马昕, 李松.  基于半解析模型的激光测高回波海水海冰波形分类方法 . 红外与激光工程, 2018, 47(5): 506005-0506005(7). doi: 10.3788/IRLA201847.0506005
    [7] 张瞳, 林春, 陈洪雷, 周松敏.  基于多方向小波提升IRFPA盲元检测精度方法 . 红外与激光工程, 2018, 47(2): 204001-0204001(6). doi: 10.3788/IRLA201847.0204001
    [8] 吴军伟, 缪玲娟, 李福胜, 沈军.  改进支持向量机的光纤陀螺温度漂移补偿方法 . 红外与激光工程, 2018, 47(5): 522003-0522003(6). doi: 10.3788/IRLA201847.0522003
    [9] 张文涛, 李跃文, 占平平, 熊显名.  基于太赫兹时域光谱技术与PCA-SVM的转基因大豆油鉴别研究 . 红外与激光工程, 2017, 46(11): 1125004-1125004(6). doi: 10.3788/IRLA201746.1125004
    [10] 张长江, 戴李杰, 马雷鸣.  应用SVM的PM2.5未来一小时浓度动态预报模型 . 红外与激光工程, 2017, 46(2): 226002-0226002(8). doi: 10.3788/IRLA201746.0226002
    [11] 张东阁, 傅雨田.  基于在线最小二乘支持向量机的变形镜建模与控制 . 红外与激光工程, 2016, 45(11): 1118007-1118007(7). doi: 10.3788/IRLA201645.1118007
    [12] 刘志青, 李鹏程, 郭海涛, 张保明, 陈小卫, 丁磊, 赵传.  基于相关向量机的机械LiDAR点云数据分类 . 红外与激光工程, 2016, 45(S1): 98-104. doi: 10.3788/IRLA201645.S130006
    [13] 李峰, 梁汉东, 米晓楠, 卫爱霞.  Landsat8卫星影像的多子区决策树土地覆被分类方法 . 红外与激光工程, 2015, 44(7): 2224-2230.
    [14] 韩军, 常波, 路邵军, 吴玲玲, 占春连.  SVM 的光栅成像光谱仪图像畸变校准方法 . 红外与激光工程, 2014, 43(9): 3099-3104.
    [15] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [16] 李庆辉, 李艾华, 苏延召, 马治明.  结合FCM聚类与SVM的火焰检测算法 . 红外与激光工程, 2014, 43(5): 1660-1666.
    [17] 徐世伟, 魏东, 王大鹏, 刘万成.  红外线阵探测器盲元定位与补偿 . 红外与激光工程, 2014, 43(11): 3621-3626.
    [18] 张红辉, 罗海波, 余新荣, 丁庆海.  采用特征直方图的红外焦平面阵列盲元检测方法 . 红外与激光工程, 2014, 43(6): 1807-1811.
    [19] 严飞, 侯晴宇.  基于多元统计特性异常的盲元检测算法 . 红外与激光工程, 2014, 43(2): 454-457.
    [20] 卞春江, 余翔宇, 侯晴宇, 张伟.  最小化支持向量数分类器的云检测 . 红外与激光工程, 2014, 43(6): 1818-1822.
  • 加载中
计量
  • 文章访问数:  282
  • HTML全文浏览量:  50
  • PDF下载量:  48
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-11-10
  • 修回日期:  2017-12-18
  • 刊出日期:  2018-04-25

基于一类支持向量机的盲元检测方法

doi: 10.3788/IRLA201847.0404001
    作者简介:

    张东阁(1986-),男,助理研究员,博士,主要从事光学设计和机械设计方面的研究。Email:zhangdongge@mail.sitp.ac.cn

    通讯作者: 傅雨田(1967-),男,研究员,博士生导师,博士,主要从事红外光电系统总体技术方面的研究。Email:yutianfu@mail.sitp.ac.cn
基金项目:

国家863计划(2015AA7015090,2015AA7015097);全球变化与海气相互作用专项任务(GASI-03-03-01-01);中国科学院上海技术物理研究所创新基金(2014-CX25)

  • 中图分类号: TN216;O439

摘要: 利用无监督学习的一类支持向量机(One Class Support Vector Machine,OCSVM)和随机场景图像序列,构造滚动更新的像元分类模型,实现红外焦平面盲元的在线检测。根据正常像元和异常像元数量和灰度特征的差异,以随机图像序列作为输入数据,使用OCSVM建立单一类别的像元分类模型,灰度变化的像元归为一类,其他像元不属于此类。由于随机图像序列的滚动更新,OCSVM模型及支持向量也随之更新。统计支持向量的频次,高频次支持向量对应的像元聚为一类,即为异常像元。以320256中波红外图像序列为例,说明了OCSVM模型进行盲元检测的过程,检测结果与黑体定标的结果一致。基于随机场景和OCSVM模型的盲元检测方法摆脱了定标黑体的约束,提高了盲元检测的灵活性。

English Abstract

参考文献 (16)

目录

    /

    返回文章
    返回