Обнаружение аномалий с помощью детектора Рида-Сяоли
rxScore = anomalyRX(inputData)
Примечание
Для выполнения этой функции требуется библиотека гиперспектральных изображений Toolbox™ обработки изображений. Можно установить библиотеку гиперспектральных изображений панели инструментов обработки изображений из проводника надстроек. Дополнительные сведения об установке надстроек см. в разделе Получение надстроек и управление ими.
Обнаружение аномальных пикселей в гиперспектральных данных путем вычисления показателя RX для каждого пикселя в гиперспектральном кубе данных. Затем вычисляют порог для обнаружения истинных аномальных пикселей с использованием кумулятивного распределения вероятности значений оценки RX.
Считывание гиперспектральных данных, содержащих аномальные пикселы, в рабочую область.
hcube = hypercube('indian_pines.dat');Поиск аномальных пикселей во входных гиперспектральных данных с помощью RX-детектора. Детектор осуществляет поиск пикселей с высокой разностью интенсивности в однородной области.
rxScore = anomalyRX(hcube);
Уменьшите динамический диапазон значений баллов RX путем их масштабирования до диапазона [0, 255].
rxScore = im2uint8(rescale(rxScore));
Просмотрите карту баллов RX. Пиксели с высокой оценкой RX, вероятно, являются аномальными пикселями.
figure imagesc(rxScore) colorbar
Вычислите и постройте график кумулятивного распределения вероятностей значений оценки RX.
count = imhist(rxScore); pdf = count/prod(size(rxScore,[1 2])); cdf = cumsum(pdf(:)); figure plot(cdf) xlabel('RX Score') ylabel('Cumulative Probability Values')
Установите значение доверительного коэффициента 0,998. Выберите первый балл RX с кумулятивным значением распределения вероятности больше доверительного коэффициента в качестве порога. Этот порог представляет оценку RX, выше которой пиксель является аномалией с достоверностью 99,8 процента.
confCoefficient = 0.998; rxThreshold = find(cdf > confCoefficient,1);
Примените пороговое значение для обнаружения аномальных пикселей с баллом RX, превышающим вычисленный порог. Результатом является двоичное изображение, в котором аномальным пикселям присваивается значение интенсивности 1, а другим пикселям присваивается 0.
bw = rxScore > rxThreshold;
Выведите версию RGB куба данных с помощью colorize функция. Наложение двоичного изображения аномальных пикселей на изображение RGB.
rgbImg = colorize(hcube,'Method','rgb'); B = imoverlay(rgbImg,bw);
Отображение как двоичного изображения, так и наложенного изображения.
fig = figure('Position',[0 0 800 400]); axes1 = axes('Parent',fig,'Position',[0 0.1 0.5 0.8]); imagesc(bw,'Parent',axes1); title('Detected Anomalous Pixels') axis off colormap gray axes2 = axes('Parent',fig,'Position',[0.5 0.1 0.5 0.8]); imagesc(B,'Parent',axes2) title('Overlaid Image'); axis off
Оценка RX для каждого пикселя вычисляется как
1 (r − мкС)
r - тестируемый пиксель, а мкС и Λ С - спектральное среднее значение и ковариация соответственно. Аномальные пиксели обычно имеют высокие показатели RX.
Можно оценить порог по кумулятивному распределению вероятности баллов RX для дальнейшей настройки обнаружения аномальных пикселей. См. пример «Обнаружение аномальных пикселей в гиперспектральных данных с помощью детектора RX».
[1] Тростник, I.S., и Кс. Ю. «Адаптивное многополосное обнаружение CFAR оптического шаблона с неизвестным спектральным распределением». IEEE Transactions on Acoustics, Speech and Signal Processing 38, No. 10 (October 1990): 1760-70. https://doi.org/10.1109/29.60107.
[2] Чейн-И Чан и Шао-Шань Чан. «Обнаружение и классификация аномалий для гиперспектральных изображений». IEEE Transactions on Geoscience and Remote Sensing 40, No. 6 (июнь 2002 года): 1314-25. https://doi.org/10.1109/TGRS.2002.800280.