基于非负约束联合协同表示与联合字典的高光谱异常检测
计算机视觉与模式识别
2023-05-11 v2
摘要
近年来，许多基于协同表示（CR）的算法被提出用于高光谱异常检测。基于 CR 的检测器通过背景字典和系数矩阵的线性组合来近似图像，并利用恢复残差导出检测图。然而，这些基于 CR 的检测器通常建立在精确背景特征和强图像表示的前提下，这很难获得。此外，通过一般的 最小化来增强系数矩阵非常耗时。为了解决这些问题，本文提出了一种用于高光谱异常检测任务的非负约束联合协同表示模型。为了提取可靠样本，设计了一个由背景子字典和异常子字典组成的联合字典，其中背景子字典在超像素级别获得，异常子字典通过预检测过程提取。系数矩阵通过带有非负约束和和为一约束的 Frobenius 范数正则化进行联合优化。优化过程后，通过计算排除假设背景信息的残差，最终导出异常信息。为了进行可比较的实验，所提出的非负约束联合协同表示（NJCR）模型及其核版本（KNJCR）在四个 HSI 数据集上进行了测试，并取得了优于其他最先进检测器的结果。
引用
@article{arxiv.2203.10030,
title = {Nonnegative-Constrained Joint Collaborative Representation with Union Dictionary for Hyperspectral Anomaly Detection},
author = {Shizhen Chang and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2203.10030},
year = {2023}
}