Nonparametric Framework for Detecting Spectral Anomalies in Hyperspectral Images

Veracini, Tiziana; Matteoli, Stefania; Diani, Marco; Corsini, Giovanni

doi:10.1109/lgrs.2010.2099103

Cited by 17 publications

(5 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…a) Kernel Density Estimate of the Background Distribution: Kernel density estimation (KDE) is the most widely known approach to estimate an unknown PDF without assuming any fixed functional form for it [97]. Multivariate KDE has been used to estimate the background PDF of hyperspectral images within the framework of the background log-likelihood anomaly detector [73], [74], [75], [117], [118], [119]. Specifically, the general expression for multivariate KDE is as follows [97]: where is the kernel function that is centered at each of the sample data and is the bandwidth matrix, a matrix containing the kernel function widths, also referred to as bandwidths.…”

Section: B Non-mvn Background Modelingmentioning

confidence: 99%

“…This makes the modeling ability of FKDE strongly depend on the specific value of , which should be appropriately chosen. Although many techniques have been proposed and tested to properly choose the bandwidth [74], [97], [119], a unique bandwidth value might not exist that avoids over-smoothing the PDF body and, at the same time, under-smoothing the PDF on the tails and in low-density regions. This problem has been found to be more and more significant as the data dimension increases [97].…”

Section: B Non-mvn Background Modelingmentioning

confidence: 99%

See 1 more Smart Citation

An Overview of Background Modeling for Detection of Targets and Anomalies in Hyperspectral Remotely Sensed Imagery

Matteoli

Diani

Theiler

2014

IEEE J. Sel. Top. Appl. Earth Observations Remote Sensing

Self Cite

155

View full text Add to dashboard Cite

This paper reviews well-known classic algorithms and more recent experimental approaches for distinguishing the weak signal of a target (either known or anomalous) from the cluttered background of a hyperspectral image. Making this distinction requires characterization of the targets and characterization of the backgrounds, and our emphasis in this review is on the backgrounds. We describe a variety of background modeling strategies¿Gaussian and non-Gaussian, global and local, generative and discriminative, parametric and nonparametric, spectral and spatio-spectral¿in the context of how they relate to the target and anomaly detection problems. We discuss the major issues addressed by these algorithms, and some of the tradeoffs made in choosing an effective algorithm for a given detection application. We identify connections among these algorithms and point out directions where innovative modeling strategies may be developed into detection algorithms that are more sensitive and reliable

show abstract

Section: B Non-mvn Background Modelingmentioning

confidence: 99%

Section: B Non-mvn Background Modelingmentioning

confidence: 99%

An Overview of Background Modeling for Detection of Targets and Anomalies in Hyperspectral Remotely Sensed Imagery

Matteoli

Diani

Theiler

2014

IEEE J. Sel. Top. Appl. Earth Observations Remote Sensing

Self Cite

155

View full text Add to dashboard Cite

show abstract

“…H methods like support vector data description (SVDD) detector [14], and PE-AD detector [15]. Nonlinear anomaly detector can effectively handle the situation that the background region cannot meet the normal distribution assumption.…”

Section: Hyperspectral Anomaly Detection Based On Anomalous Componentmentioning

confidence: 99%

Hyperspectral anomaly detection based on anomalous component extraction framework

Song

Zhou

et al. 2019

Infrared Physics & Technology

View full text Add to dashboard Cite

Anomaly detection has become an important topic in Hyperspectral Imagery (HSI) analysis in the last two decades with the advantage of detecting the targets surrounding in diverse backgrounds without prior knowledge. HSIs usually have complex and redundant spectral signals due to the complicated land-cover distribution. Generally, it is difficult to estimate the background accurately, and distinguish the anomaly targets. The performances of traditional algorithms are difficult to meet the requirements. In this paper, we propose a novel anomalous component extraction framework for hyperspectral anomaly detection based on Independent Component Analysis (ICA) and Orthogonal Subspace Projection (OSP). In the proposed method, the brightest anomalous component is extracted to initialize the projection vector, by which the performance of ICA can be improved greatly. Moreover, the Independent Component (IC) containing the most abnormal information can be obtained according to the vector. Besides, The OSP algorithm is applied to suppress the background components in the remaining data. Then the data are iteratively processed by ICA to extract the anomalous component subtly. Therefore, in the initialization process, the possible situation of detecting the pixels in the same position can be effectively avoided, and the interference of the last iteration procedure can be cut down greatly, helping to optimize the detection. Finally, the experimental results show that the proposed framework achieves a superior performance compared to some of the state-of-the-art methods in the field of anomaly detection.

show abstract

“…Để giảm những hạn chế của RXD, trong một vài năm gần đây các nhà khoa học đã áp dụng quy tắc ra quyết định dựa trên kiểm nghiệm tỷ lệ khả năng (LRT) dựa trên hàm mật độ xác suất (PDF) của dữ liệu nền để phát hiện các dị thường trên ảnh đa phổ và ảnh siêu phổ. Cụ thể, năm 2011 trong nghiên cứu [16] Matteoli và nhóm tác giả đã đưa ra chiến lược để quyết định một điểm ảnh có phải là dị thường hay là nền dựa trên định lý Neyman-Pearson sử dụng các hàm PDF. Trong đó các tác giả đã kiểm nghiệm trên ba hàm nhân PDF: hạt nhân Gauss cố định băng thông, hạt nhân Gauss không cố định băng thông (VKDE) và tìm kiếm láng giềng gần nhất, để ước lượng hàm mật độ giống như trong [1].…”

Section: Mở đầUunclassified

Tăng tốc độ phát hiện dị thường trên ảnh đa phổ và siêu phổ ứng dụng trong tìm kiếm cứu nạn

Phương¹,

Hoài²,

Đức³

2019

Chuyên san NC&PT CNTT-TT

View full text Add to dashboard Cite

Máy dò dị thường do Reed và Yu đề xuất được công nhận là máy chuẩn để phát hiện dị thường trên ảnh đa phổ và siêu phổ. Tuy nhiên, máy này có một số hạn chế: dữ liệu ảnh phải tuân theo mô hình Gauss đa biến, tính toán nghịch đảo của ma trận hiệp phương sai rất phức tạp khi ảnh nền có kích thước lớn, hoạt động thiếu ổn định, đôi khi có tỉ lệ báo động giả cao, thiếu mối liên hệ không gian giữa các điểm ảnh. Quy tắc quyết định Neyman-Pearson thường được sử dụng dựa trên việc tính toán hàm mật độ xác suất phi tham số của dữ liệu nền để nâng cao hiệu suất và độ tin cậy, nhưng lại có độ phức tạp tính toán cao. Để giảm độ phức tạp tính toán và thời gian tính toán, nhiều phương pháp đã được sử dụng, như: biến đổi Fourier nhanh, biến đổi Gauss nhanh, lập trình đa luồng trên bộ xử lý trung tâm (CPU), song song trên bộ xử lý đồ họa (GPU). Bài báo này trình bày một phương pháp ước lượng nhanh hàm mật độ xác suất bằng cách phân nhóm các điểm ảnh trên miền giá trị và tổ chức dữ liệu trên cây Kd-tree. Kết quả kiểm nghiệm cho thấy phương pháp đề xuất vượt trội các phương pháp khác và có thể ứng dụng trong thực tế.

show abstract

Nonparametric Framework for Detecting Spectral Anomalies in Hyperspectral Images

Cited by 17 publications

References 11 publications

An Overview of Background Modeling for Detection of Targets and Anomalies in Hyperspectral Remotely Sensed Imagery

An Overview of Background Modeling for Detection of Targets and Anomalies in Hyperspectral Remotely Sensed Imagery

Hyperspectral anomaly detection based on anomalous component extraction framework

Tăng tốc độ phát hiện dị thường trên ảnh đa phổ và siêu phổ ứng dụng trong tìm kiếm cứu nạn

Contact Info

Product

Resources

About