Ein selektiver KPCA-Algorithmus basierend auf hochgradigen Statistiken zur Anomalieerkennung in hyperspektralen Bilder

In diesem Schreiben wird ein selektiver Kernel-Hauptkomponenten-Analyse (KPCA)-Algorithmus vorgeschlagen, der auf hochgradigen Statistiken basiert und zur Anomalieerkennung in hyperspektralen Bildern dient. Zunächst wird KPCA auf den ursprünglichen hyperspektralen Daten durchgeführt, um die hochgradige Korrelation zwischen den Spektralbändern vollständig zu erfassen. Dann wird die durchschnittliche lokale Singulärität (LS) basierend auf den hochgradigen Statistiken im lokalen Gleitfenster definiert, die als Maß zur Auswahl der informativsten nichtlinearen Komponente für die Anomalieerkennung verwendet wird. Durch die selektive KPCA werden Informationen über anomale Ziele maximal extrahiert, und Hintergrundstörungen werden in der ausgewählten Komponente gut unterdrückt. Schließlich wird die ausgewählte Komponente mit der maximalen durchschnittlichen LS als Eingabe für Anomalie-Detektoren verwendet. Numerische Experimente werden an realen hyperspektralen Bildern durchgeführt, die mit dem luftgestützten sichtbaren/infraroten Bildspektrometer gesammelt wurden. Die Ergebnisse beweisen stark die Wirksamkeit des vorgeschlagenen Algorithmus.