آشكارسازي بي‌درنگ ناهنجاري در تصاوير سنجش از دور فراطيفي

Real Time Anomaly Detection in Remotely Sensed Hyperspectral Images

در سال‌هاي اخير تشخيص ناهنجاري در تصاوير فراطيفي، به يكي از كاربردهاي مهم آشكارسازي اهداف در سنجش از دور تبديل شده است. در بسياري از كاربردها علاوه بر دقت تشخيص الگوريتم‌ها، ‌سرعت اجرا نيز از اهميت بالايي برخوردار است. در اين مقاله روشي جديد براي تشخيص ناهنجاري ارايه شده است كه بر اساس نقاط كرانه‌ي طيف پيكسل‌هاي تصوير فراطيفي عمل مي‌كند. مقايسه‌ي روش پيشنهادي با الگوريتم‌هاي RX، RX-UTD و Kernel-RX، بر روي دو سري داده فراطيفي سنجنده‌ي AVIRIS و تصوير فراطيفي سنجنده HyMap با استفاده از منحني ROC، AUC و همچنين به صورت بصري انجام شده است. نتايج حاصل از بررسي كارايي الگوريتم‌ها نشان داده است كه روش پيشنهادي از دقت تشخيص مناسب و سرعت اجراي بسيار بالايي برخوردار است. دقت تشخيص روش پيشنهادي در حد روش Kernel-RX و بسيار بالاتر از روش‌هاي RX و RX-UTD است. همچنين سرعت اجراي روش پيشنهادي تقريباً 170 برابر بهتر از روش Kernel-RX است. اين سرعت بالاي اجرا باعث مي‌شود روش پيشنهادي براي كاربردهاي بي‌درنگ بسيار مناسب باشد

Recently Anomaly Detection (AD) has become an important interesting application of hyperspectral remote sensing. In many cases, not only the accuracy of algorithm, but also its runtime should be optimized. This paper presents a novel AD method which is based on maximum and minimum values of the spectral signature of hyperspectral pixels. Evaluation of method is done with comparison to some benchmark anomaly detectors. All algorithms are implemented on Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) and Hyperspectral Mapper (HyMap) hyperspectral datasets. Experimental results based on ROC curve, AUC and visual investigation, showed that the proposed method has considerable detection performance and excellent runtime. Detection performance of the proposed method is equal to Kernel-RX detector and is much better than RX an RX-UTD methods. In addition the