一种SAM加权KEST高光谱异常检测算法

摘要

本发明公开了一种SAM加权KEST高光谱异常检测算法(SKEST)。首先，推导SKEST算法；其次采用双矩形窗口，对高光谱图像中每个像元计算其SKEST值，进行阈值分割，检测出异常点。SKEST算法在基于核的特征空间分离变换算法(KEST)基础上，采用光谱角匹配(SAM)测度对高维特征空间检测点邻域差异相关矩阵(DCOR)中每个样本引入权重因子，各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角。从而抑制检测窗口中的异常数据，突出主成分数据的贡献，使得DCOR矩阵能够更好地描述目标、背景数据分布差异；同时SAM对光谱能量是鲁棒的，结合径向基核函数，SKEST算法既考虑了信号的光谱能量差异，也考虑了信号的光谱曲线形状差异，因而更符合高光谱数据特性。

主权项

1.一种SAM加权KEST高光谱异常检测算法，其特征在于：在基于核的特征空间分离变换KEST算法基础上，对高维特征空间DCOR矩阵中的每个样本引入权重因子，从而抑制检测窗口中的异常数据，具体实现步骤如下：步骤(1)，输入高光谱图像数据；步骤(2)，根据图像中异常目标大小设置双矩形窗尺寸；步骤(3)，逐行扫描各个像素点，统计其在双矩形窗邻域内的目标光谱矩阵和背景光谱矩阵，以及目标样本数目、背景样本数目；其中高光谱数据波段数为，定义矩阵表示目标数据，样本为维光谱向量，，为目标样本个数；矩阵表示背景数据，样本为维光谱向量，，为背景样本个数；步骤(4)，根据各像素点的、，由式【1】计算其SKEST值；循环计算高光谱图像中所有像素点的SKEST值，得到SKEST图像；【1】其中即为SKEST值，为检测点光谱向量，，核函数，为常量参数；【2】【3】为各像素光谱向量权重因子：【4】为的特征向量【5】步骤(5)，对SKEST图进行阈值分割；设置阈值，逐行扫描各个像素点，若其SKEST值大于阈值即为异常点。