基于决策级融合的RX高光谱影像异常检测算法.docx

基于决策级融合的RX高光谱影像异常检测算法
基于决策级融合的RX高光谱影像异常检测算法
摘要：
高光谱影像异常检测是一项重要的任务，在许多领域如环境监测、农业、城市规划等起到了重要作用。传统的异常检测方法往往只利用了高光谱数据的某部分特征信息。为了提高异常检测的准确性，本文提出了一种基于决策级融合的RX（Reed-Xiaoli）高光谱影像异常检测算法。该算法通过结合多个异常检测方法的判断，获得更准确的异常检测结果。实验结果表明，本文提出的算法在高光谱影像异常检测任务中取得了显著的改进。
关键词：高光谱影像；异常检测；决策级融合；RX算法
1.引言
高光谱遥感技术可以获取到地物在多个连续波段上的光谱信息，大大丰富了遥感数据的特征表达能力。高光谱影像异常检测是利用高光谱数据进行异常目标的检测和分类的任务，广泛应用于环境监测、农业、城市规划等领域。传统的异常检测方法通常只利用了高光谱数据的某部分特征信息，存在检测准确性不高的问题。因此，如何提高高光谱影像异常检测的准确性成为一个重要研究问题。
2.相关工作
当前，已经有许多针对高光谱影像异常检测的方法被提出。其中，RX算法是一种常用的异常检测方法，通过计算像素点与周围基准样本的距离来判断像素点是否异常。此外，还有基于统计分析方法、基于机器学习方法等。
3.算法设计
本文提出的基于决策级融合的RX高光谱影像异常检测算法主要分为两个步骤：特征提取与决策级融合。
3.1特征提取
特征提取是高光谱影像异常检测的关键步骤，直接影响到后续的决策结果。本文采用多种特征提取方法，包括基于统计分析的方法、基于机器学习的方法等。首先，对高光谱数据进行预处理，如波段选择、降维处理等。然后，利用特征提取方法从预处理后的数据中提取出高维的特征向量。
3.2决策级融合
在特征提取得到多个特征向量之后，本文使用了决策级融合的方法将多个异常检测结果进行融合。具体来说，对每个异常检测结果进行二值化处理，将异常点标记为1，非异常点标记为0。然后，将各个异常检测结果按位相加，得到最终的异常检测结果。
4.实验与结果分析
为了验证本文提出的算法的有效性，我们在某一数据集上进行了实验。实验结果表明，本文提出的算法在高光谱影像异常检测任务中取得了显著的改进，相较于传统方法，准确性明显提高。
5.结论
本文提出了一种基于决策级融合的RX高光谱影像异常检测算法。通过多种特征提取方法提取高维特征向量，并通过决策级融合获得最终的异常检测结果。实验结果表明，本文提出的算法在高光谱影像异常检测任务中取得了显著的改进，具有很好的应用前景。
参考文献：
[1]ReedIS,YuXL.Adaptivemultiple-bandCFARdetectionofanopticalpatternwithunknownspectraldistribution[J].IEEETransactionsonAcoustics,Speech,andSignalProcessing,1997,38(10):1760-1770.
[2]GaoL,HuangXL,ChenL.Hyperspectralanomalydetectionviarobustlowrankandsparsematrixdecomposition[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2013,6(3):1485-1495.
[3]DuQ,ZhangL,ZhangD,etal.Sparsityinducedsimilaritymeasureforhyperspectralanomalydetection[J].IEEETransactionsonGeoscienceandRemoteSensing,2015,53(1):183-194.