.346. 智能系统学报 第9卷 邻域聚类分割，判断其类别 102 30r 设定背景像元收集窗的大小 判断背景主成分个数n 20 对 对 SVDD判 主 SVDD判 SVDD判 15 成 断目标 目标 像否 10 类 景像元 别 景像元 景像元 2. 20406080100120 波段数 如果目标像元不属于所 N (b)退化仿真图像 有的主成分类别 图5原始图像和退化仿真图像 Fig.5 Original image and simulated degraded image 该像元是 该像元是 背景像元 异常像元 图4主成分建模的SVDD异常检测算法流程图 23 Fig.4 The flow chart of SVDD algorithm that based on principal component modeling 3实验与结果分析 通过实验验证了高光谱异常检测中主成分建模 的SVDD算法比SVDD有较大的改善。 3.1仿真数据实验 图6仿真数据32波段图像 仿真数据的背景采用海水域，其光谱如图5(a) Fig.6 32nd band imagery of simulation data 所示，异常点采用堤岸，其光谱如图5()所示。图 分别用SVDD方法和主成分建模的SVDD方法 像大小为100×100，波段数为113。背景是由20×20 大小的海域光谱（如图5(a)所示）拼接而成。仿真 对这个仿真数据进行试验。异常值检测的结果如图 数据的第32波段图像如图6所示。图6中，1点为 7所示。 5×5的正方形异常目标，2和3点为包含5个像元点 的条形异常目标，4点为10×4的长方形异常目标，5 点为4×10的长方形异常目标。根据文献[13]，本 文实验中选取的背景窗的大小为13×13-5×5，核函 数参数为=23，对仿真数据进行检测。 10*10 (a)SVDD b)基于主成分建模的SVDD 图7仿真数据异常检测结果 Fig.7 Results of the two method on simulation data 由图7中可知，主成分建模的SVDD方法优于 SVDD的方法：SVDD方法检测仿真数据存在着大量 的虚警和漏检：而基于主成分建模的SVDD方法则 检测出了仿真数据中所有的异常像元而且不存在虚 204060.80100120 警。基于仿真数据的实验证明，基于主成分建模的 波段数 SVDD算法性能要远远优于SVDD算法。 (a)背景像元光谱曲线图 ４ 主成分建模的 ＳＶＤＤ 异常检测算法流程图 Ｆｉｇ．４ Ｔｈｅ ｆｌｏｗ ｃｈａｒｔ ｏｆ ＳＶＤＤ ａｌｇｏｒｉｔｈｍ ｔｈａｔ ｂａｓｅｄ ｏｎ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ｍｏｄｅｌｉｎｇ ３ 实验与结果分析 通过实验验证了高光谱异常检测中主成分建模 的 ＳＶＤＤ 算法比 ＳＶＤＤ 有较大的改善。 ３．１ 仿真数据实验 仿真数据的背景采用海水域，其光谱如图 ５（ａ） 所示，异常点采用堤岸，其光谱如图 ５（ ｂ）所示。 图 像大小为 １００×１００，波段数为 １１３。 背景是由 ２０×２０ 大小的海域光谱（如图 ５（ａ）所示）拼接而成。 仿真 数据的第 ３２ 波段图像如图 ６ 所示。 图 ６ 中，１ 点为 ５×５ 的正方形异常目标，２ 和 ３ 点为包含 ５ 个像元点 的条形异常目标，４ 点为 １０×４ 的长方形异常目标，５ 点为 ４×１０ 的长方形异常目标。 根据文献［１３］，本 文实验中选取的背景窗的大小为１３×１３－５×５，核函 数参数为 σ ＝ ２３，对仿真数据进行检测。 （ａ） 背景像元光谱曲线 （ｂ）退化仿真图像 图 ５ 原始图像和退化仿真图像 Ｆｉｇ．５ Ｏｒｉｇｉｎａｌ ｉｍａｇｅ ａｎｄ ｓｉｍｕｌａｔｅｄ ｄｅｇｒａｄｅｄ ｉｍａｇｅ 图 ６ 仿真数据 ３２ 波段图像 Ｆｉｇ．６ ３２ｎｄ ｂａｎｄ ｉｍａｇｅｒｙ ｏｆ ｓｉｍｕｌａｔｉｏｎ ｄａｔａ 分别用 ＳＶＤＤ 方法和主成分建模的 ＳＶＤＤ 方法 对这个仿真数据进行试验。 异常值检测的结果如图 ７ 所示。 图 ７ 仿真数据异常检测结果 Ｆｉｇ．７ Ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｔｗｏ ｍｅｔｈｏｄ ｏｎ ｓｉｍｕｌａｔｉｏｎ ｄａｔａ 由图 ７ 中可知，主成分建模的 ＳＶＤＤ 方法优于 ＳＶＤＤ 的方法：ＳＶＤＤ 方法检测仿真数据存在着大量 的虚警和漏检；而基于主成分建模的 ＳＶＤＤ 方法则 检测出了仿真数据中所有的异常像元而且不存在虚 警。 基于仿真数据的实验证明，基于主成分建模的 ＳＶＤＤ 算法性能要远远优于 ＳＶＤＤ 算法。 ·３４６· 智 能 系 统 学 报 第 ９ 卷