تفكيك ناهنجاري ها از پس زمينه براساس تجزيه تصوير ابرطيفي كاهش بعد يافته

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

كاربرد آشكارسازي ناهنجاري­ در بسياري از زمينه ­هاي تحقيقاتي، جايگاه ويژه­اي را در ميان پردازش­هاي تصاوير ابرطيفي به ­خود اختصاص داده ­است. امروزه بسياري از روش­هاي مطرح در اين زمينه، تنها از اطلاعات پس ­زمينه در راستاي تمايز بخشي ميان پيكسل­ هاي ناهنجاري­ و پس ­زمينه استفاده مي­نمايند. اين در حالي­ است كه عواملي همانند نويز و وجود پيكسل­ هاي ناهنجاري در پس ­زمينه، فرض تبعيت از توزيع آماري خاص پس ­زمينه و هم­چنين تعداد بسيار باندهاي تصوير ابرطيفي و همبستگي ميان آن­ها، منجر به محدوديت روش­هاي ارائه شده و ايجاد خطا در آشكارسازي ناهنجاري­ها مي­ گردد. هدف از اين پژوهش، ارائه روش نوين آشكارسازي ناهنجاري­ با قابليت رفع محدوديت­هاي مطرح شده مي­باشد. در روش پيشنهادي ابتدا تبديل فوريه سريع (FFT) به عنوان پيش­ پردازش الگوريتم آشكارسازي ناهنجاري بر تصوير اعمال مي­شود. استفاده از اين تكنيك كاهش بعد خطي، علاوه بر بهبود عملكرد الگوريتم آشكارسازي، قادر به كاهش قابل توجه حجم محاسبات نيز خواهدبود. در ادامه با تجزيه تصوير ابرطيفي كاهش بعديافته به ماتريس پايين ­مرتبه پس­ زمينه و ماتريس خلوت ناهنجاري، علاوه بر جداسازي نويز از سيگنال­ هاي موجود در تصوير، مي­توان از هر دو مولفه پس­ زمينه و ناهنجاري به­ منظور استخراج اطلاعات استفاده نمود. در واقع با تفكيك مولفه ناهنجاري از پس­ زمينه، از اثر وجود پيكسل­ هاي ناهنجاري در پس­ زمينه كاسته شده و تنها از اين ماتريس به­ منظور استخراج اطلاعات و ويژگي­هاي آماري پس ­زمينه استفاده مي­گردد. هم­چنين به كارگيري فاصله ماهالانوبيس وزن­ دار براساس معيار ميانه در روش تجزيه پيشنهادي، توانسته به هر پيكسل، وزني را متناسب با مركز پس­ زمينه اختصاص داده و بدين ­ترتيب نتايج آشكارسازي ناهنجاري را بهبود بخشد. پياده ­سازي الگوريتم پيشنهادي بر تصاوير ابرطيفي Center Pavia وUniversity Pavia و مقايسه نتايج حاصل از آن­ها با ديگر روش­هاي متداول در اين زمينه، نشان از عملكرد بهتر تكنيك پيشنهادي در آشكارسازي پيكسل­ هاي ناهنجاري از فضاي پس ­زمينه داشته ­است.

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 low-rank 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 low-rank 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.