第3期 曾现灵，等：基于主成分建模的SVDD高光谱图像异常检测 .347. 3.2高光谱图像实验 0.8 为了对算法的性能进行进一步的验证，用真实 0.6 的AVIRIS数据进行实验。实验数据包括224个波 ·一基于VCA的LPDROC SVDD ROC 段，空间分辨率为20m×20m。该检测区域内所含异 基于主成分建 常目标的数目为13个，它的第100个波段及所含异 模的SVDD ROC 0 0.020.040.060.080.100.12 常目标的分布情况见图8。实验选取的参数是：背 虚警率p 景收集窗内窗7×7，外窗15×15，背景类别个数设置 图103种算法的R0C曲线 为3，以7个像元为单位逐行对图像进行遍历。算 Fig.10 ROC curves of the three methods 法检测出的异常分布图如图9所示。 定量分析这2种算法的检测性能，由图10可得 出，与传统SVDD方法相比，主成分建模的SVDD方 法的检测性能得到很大改善，由此可见，这种主成分 建模的方法在特征空间得到的超球体的分类界线更 为紧致，它对异常像元表现出更强的敏感性。 4结束语 针对SVDD模型的异常样本混入背景训练样本 降低检测精度的问题，提出了基于主成分建模的 图8高光谱数据 SVDD高光谱异常检测算法。该算法通过对背景训 Fig.8 The 100th band image of AVIRIS data 练样本进行分类，分别构建单个背景类别的超球体， 使得分类界面更加的紧凑，减少了异常像元混入训 练样本的概率，增强了算法对异常的敏感度，对高光 谱异常检测研究有更好的效果。基于仿真数据以及 真实AVIRIS高光谱数据的实验证明了该算法的有 效性。 (a)SVDD (b)基于主成分建模的SVDD 参考文献： 图9检测结果分布图 [1]REED I S,YU X.Adaptive multiple-band CFAR detection Fig.9 Result of the two method on AVIRIS data of an optical pattern with unknown spectral distribution[J]. 从图中的异常检测结果可以看到：主成分建模 IEEE Transactions on Acoustics,Speech and Signal Pro- 的SVDD算法的检测率比SVDD算法要高，这是因 cessing,1990,38(10):1760-1770. 为基于主成分建模的SVDD算法在建模时减少了混 [2]THOMAS A M.Extending the rx anomaly detection algo- 入训练样本集中的异常样本的影响，提高了检测率。 rithm to continuous spectral and spatial domains[C]//Proc 但是在一些比较弱的异常目标检测中，训练样本集 of IEEE SoutheastCon.Huntsville,Alabama,2008:557- 构建时有时不包括极少数的背景像元，从而将有些 562. 背景像元误检为异常目标，这些误检像元一般分布 [3]史振威，吴俊，杨硕，等.RX及其变种在高光谱图像中 在较弱异常像元周围。 的异常检测[J].红外与激光工程，2012,41(3)：796 3.3性能比较分析 802. 算法特性(ROC)曲线用于描述不同检测阈值 SHI Zhenwei,WU Jun,YANG Shuo,et al.RX and its va- 下检测概率P，与虚警概率P,之间的变化关系，提 riants for anomaly detection in hyperspectral images[].In- 供算法检测性能的定量分析16]。图10为SVDD算 frared and Laser Engineering,2012,41(3):796-802. [4]刘明，杜小平，孙洁.一种改进的基于正交子空间投影 法、基于VCA的LPD算法[劉（基于顶点成分分析的 的高光谱图像异常检测算法[J].装备学院学报，2013 高光谱图像低概率异常检测算法)与主成分建模的 23(4):92-96. SVDD算法在真实高光谱图像AVIRIS高光谱数据 LIU Ming,DU Xiaoping,SUN Jie.Anomaly detection based 下测试得到的ROC曲线，通过曲线进一步说明了本 on improved orthogonal subspace projection algorithm in hy- 文算法有较好的检测性能。 perspectral imagery[J].Journal of Academy of Equipment,３．２ 高光谱图像实验 为了对算法的性能进行进一步的验证，用真实 的 ＡＶＩＲＩＳ 数据进行实验。 实验数据包括 ２２４ 个波 段，空间分辨率为 ２０ｍ×２０ｍ。 该检测区域内所含异 常目标的数目为 １３ 个，它的第 １００ 个波段及所含异 常目标的分布情况见图 ８。 实验选取的参数是：背 景收集窗内窗 ７×７，外窗 １５×１５，背景类别个数设置 为 ３，以 ７ 个像元为单位逐行对图像进行遍历。 算 法检测出的异常分布图如图 ９ 所示。 图 ８ 高光谱数据 Ｆｉｇ．８ Ｔｈｅ １００ｔｈ ｂａｎｄ ｉｍａｇｅ ｏｆ ＡＶＩＲＩＳ ｄａｔａ 图 ９ 检测结果分布图 Ｆｉｇ．９ Ｒｅｓｕｌｔ ｏｆ ｔｈｅ ｔｗｏ ｍｅｔｈｏｄ ｏｎ ＡＶＩＲＩＳ ｄａｔａ 从图中的异常检测结果可以看到：主成分建模 的 ＳＶＤＤ 算法的检测率比 ＳＶＤＤ 算法要高，这是因 为基于主成分建模的 ＳＶＤＤ 算法在建模时减少了混 入训练样本集中的异常样本的影响，提高了检测率。 但是在一些比较弱的异常目标检测中，训练样本集 构建时有时不包括极少数的背景像元，从而将有些 背景像元误检为异常目标，这些误检像元一般分布 在较弱异常像元周围。 ３．３ 性能比较分析 算法特性（ＲＯＣ） 曲线用于描述不同检测阈值 下检测概率 Ｐｄ 与虚警概率 Ｐｆ 之间的变化关系，提 供算法检测性能的定量分析［１ ６ ］ 。 图 １０ 为 ＳＶＤＤ 算 法、基于 ＶＣＡ 的 ＬＰＤ 算法［８］ （基于顶点成分分析的 高光谱图像低概率异常检测算法）与主成分建模的 ＳＶＤＤ 算法在真实高光谱图像 ＡＶＩＲＩＳ 高光谱数据 下测试得到的 ＲＯＣ 曲线，通过曲线进一步说明了本 文算法有较好的检测性能。 图 １０ ３ 种算法的 ＲＯＣ 曲线 Ｆｉｇ．１０ ＲＯＣ ｃｕｒｖｅｓ ｏｆ ｔｈｅ ｔｈｒｅｅ ｍｅｔｈｏｄｓ 定量分析这 ２ 种算法的检测性能，由图 １０ 可得 出，与传统 ＳＶＤＤ 方法相比，主成分建模的 ＳＶＤＤ 方 法的检测性能得到很大改善，由此可见，这种主成分 建模的方法在特征空间得到的超球体的分类界线更 为紧致，它对异常像元表现出更强的敏感性。 ４ 结束语 针对 ＳＶＤＤ 模型的异常样本混入背景训练样本 降低检测精度的问题，提出了基于主成分建模的 ＳＶＤＤ 高光谱异常检测算法。 该算法通过对背景训 练样本进行分类，分别构建单个背景类别的超球体， 使得分类界面更加的紧凑，减少了异常像元混入训 练样本的概率，增强了算法对异常的敏感度，对高光 谱异常检测研究有更好的效果。 基于仿真数据以及 真实 ＡＶＩＲＩＳ 高光谱数据的实验证明了该算法的有 效性。 参考文献： ［１］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 Ｐｒｏ⁃ ｃｅｓｓｉｎｇ，１９９０， ３８（１０）： １７６０⁃１７７０． ［２］ ＴＨＯＭＡＳ Ａ Ｍ． Ｅｘｔｅｎｄｉｎｇ ｔｈｅ ｒｘ ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ ａｌｇｏ⁃ ｒｉｔｈｍ ｔｏ ｃｏｎｔｉｎｕｏｕｓ ｓｐｅｃｔｒａｌ ａｎｄ ｓｐａｔｉａｌ ｄｏｍａｉｎｓ［Ｃ］ ／ ／ Ｐｒｏｃ ｏｆ ＩＥＥＥ ＳｏｕｔｈｅａｓｔＣｏｎ． Ｈｕｎｔｓｖｉｌｌｅ， Ａｌａｂａｍａ， ２００８： ５５７⁃ ５６２． ［３］史振威， 吴俊， 杨硕， 等． ＲＸ 及其变种在高光谱图像中 的异常检测［ Ｊ］． 红外与激光工程， ２０１２， ４１（ ３）： ７９６⁃ ８０２． ＳＨＩ Ｚｈｅｎｗｅｉ， ＷＵ Ｊｕｎ， ＹＡＮＧ Ｓｈｕｏ， ｅｔ ａｌ． ＲＸ ａｎｄ ｉｔｓ ｖａ⁃ ｒｉａｎｔｓ ｆｏｒ ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ ｉｎ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ［Ｊ］． Ｉｎ⁃ ｆｒａｒｅｄ ａｎｄ Ｌａｓｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１２， ４１（３）： ７９６⁃８０２． ［４］刘明， 杜小平， 孙洁． 一种改进的基于正交子空间投影 的高光谱图像异常检测算法［ Ｊ］． 装备学院学报， ２０１３， ２３（４）： ９２⁃９６． ＬＩＵ Ｍｉｎｇ， ＤＵ Ｘｉａｏｐｉｎｇ， ＳＵＮ Ｊｉｅ． Ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｉｍｐｒｏｖｅｄ ｏｒｔｈｏｇｏｎａｌ ｓｕｂｓｐａｃｅ ｐｒｏｊｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｎ ｈｙ⁃ ｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｒｙ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ａｃａｄｅｍｙ ｏｆ Ｅｑｕｉｐｍｅｎｔ， 第 ３ 期 曾现灵，等：基于主成分建模的 ＳＶＤＤ 高光谱图像异常检测 ·３４７·