تفکیک ناهنجاری ها از پس زمینه براساس تجزیه تصویر ابرطیفی کاهش بعد یافته

کاربرد آشکارسازی ناهنجاری در بسیاری از زمینه های تحقیقاتی، جایگاه ویژه ای را در میان پردازش های تصاویر ابرطیفی به خود اختصاص داده است. امروزه بسیاری از روش های مطرح در این زمینه، تنها از اطلاعات پس زمینه در راستای تمایزبخشی میان پیکسل های ناهنجاری و پس زمینه استفاده می نمایند. این درحالی است که عواملی همانند نویز و وجود پیکسل های ناهنجاری در پس زمینه، فرض تبعیت از توزیع آماری خاص پس زمینه و هم چنین تعداد بسیار باندهای تصویر ابرطیفی و همبستگی میان آن ها، منجر به محدودیت روش های ارائه شده و ایجاد خطا در آشکارسازی ناهنجاری ها می گردد. هدف از این پژوهش، ارائه روش نوین آشکارسازی ناهنجاری با قابلیت رفع محدودیت های مطرح شده می باشد. در روش پیشنهادی ابتدا تبدیل فوریه سریع (fft) به عنوان پیش پردازش الگوریتم آشکارسازی ناهنجاری بر تصویر اعمال می شود. استفاده از این تکنیک کاهش بعد خطی، علاوه بر بهبود عملکرد الگوریتم آشکارسازی، قادر به کاهش قابل توجه حجم محاسبات نیز خواهدبود. در ادامه با تجزیه تصویر ابرطیفی کاهش بعدیافته به ماتریس پایین مرتبه پس زمینه و ماتریس خلوت ناهنجاری، علاوه بر جداسازی نویز از سیگنال های موجود در تصویر، می توان از هر دو مولفه پس زمینه و ناهنجاری به منظور استخراج اطلاعات استفاده نمود. در واقع با تفکیک مولفه ناهنجاری از پس زمینه، از اثر وجود پیکسل های ناهنجاری در پس زمینه کاسته شده و تنها از این ماتریس به منظور استخراج اطلاعات و ویژگی های آماری پس زمینه استفاده می گردد. هم چنین به کارگیری فاصله ماهالانوبیس وزن دار براساس معیار میانه در روش تجزیه پیشنهادی، توانسته به هر پیکسل، وزنی را متناسب با مرکز پس زمینه اختصاص داده و بدین ترتیب نتایج آشکارسازی ناهنجاری را بهبود بخشد. پیاده سازی الگوریتم پیشنهادی بر تصاویر ابرطیفیcenter pavia وuniversity pavia و مقایسه نتایج حاصل از آن ها با دیگر روش های متداول در این زمینه، نشان از عملکرد بهتر تکنیک پیشنهادی در آشکارسازی پیکسل های ناهنجاری از فضای پس زمینه داشته است.

Separation Between Anomalous Targets and Background Based on the Decomposition of Reduced Dimension Hyperspectral Image

The application of anomaly detection has been given a special place among the different processings of hyperspectral images. Nowadays, many of the methods only use background information to detect between anomaly pixels and background. Due to noise and the presence of anomaly pixels in the background, the assumption of the specific statistical distribution of the background, as well as the correlation between bands of hyperspectral images, leads to increase false alarms and the limitation of the presented methods in detecting anomalies. The purpose of this paper is to propose a new method for detecting anomalies with the ability to remove the limitations in background space. In the proposed method, first, the Fast Fourier Transform (FFT) is applied on the image as a preprocess of anomaly detection algorithms. Using this linear dimension reduction technique, in addition to improving the performance of the detection algorithm, can significantly reduce the calculation. Then, by decomposition of reduced dimension hyperspectral image to the lowrank background matrix and the anomaly sparse matrix, in addition to separation of the noise from the signals in the image, both the background and anomaly components can be used to extract information. In fact, by separating the component of the anomaly from the background, the effect of the existence of anomalous pixels in the background is reduced and only the lowrank matrix is used to extract information and statistical characteristics. Also, using the weighted average Mahalanobis distance based on the median criterion in the proposed decomposition method, we can allocate a background corresponding weight to each pixel and improve the anomalies detection results. The implementation of the proposed algorithm on the Pavia Hyperspectral Image and comparing its results with other common methods showed better performance of the proposed technique in detecting anomaly pixels from the background space.