Sparse matrix decomposition and low rank based techniques for anomaly detection in hyperspectral images

Abstract

Hiperspektral görüntüleme, yer yüzeyindeki malzemeleri ayırt etmek için popüler bir uzaktan algılama teknolojisidir. Çok sayıda dar, bitişik ve sürekli spektral bant tarafından saptanan yansıyan ve yayılan radyasyon görüntüleme spektrometreleri ile toplanır. Daha sonra bu teknoloji tarafından analiz edilir ve değerlendirilirler. Hiperspektral görüntü işleme teknikleri, tarımsal bitkileri tespit etmek ve sınıflandırmak, gıdaların tazeliğini belirlemek, tıpta hastalıklı alanları tespit etmek gibi farklı amaçlarla birçok uygulama alanında kullanılmaktadır.Bu çalışmada, hiperspektral veriler için seyrek ve düşük dereceli bir matris ayrışmasına dayalı anomali saptama yöntemi önerilmiştir. Yüksek boyutlu veriler, sırasıyla arka planı ve anomalileri temsil eden düşük dereceli ve seyrek matrislere ayrıştırılır. Bu ayrıştırma problemi sözlük öğrenme bakış açısıyla tanımlanır. Bu nedenle, bu matrisleri elde etmenin yolu önceki çalışmalardan farklıdır. Verilerin doğru bir bölümünü bulmayı ve anomali piksellerini arka plandan ayırmayı amaçlamaktadır. Ayrıştırma işleminden sonra, verilerin seyrek matris kısmına anomali yerleri bulmak için Mahalanobis uzaklığı uygulanır. Deneysel sonuçlar, önerilen yöntemin anomali saptama performansının, en gelişmiş yöntemlerin performansını aştığını göstermektedir.

Hyperspectral imagery is a popular remote sensing technology to distinguish materials on the ground surface. The reflected and emitted radiation detected by a high number of narrow, contiguous, and continuous spectral bands are collected by imaging spectrometers. They are, then, analyzed, and evaluated by this technology. Hyperspectral image processing techniques have been applied in many application fields with different aims, such as in military for target detection, in agriculture to classify crops, in nourishment to determination of freshness of food, in medicine detecting diseased areas.In this study, a sparse and low-rank matrix decomposition-based anomaly detection method for hyperspectral data is proposed. High dimensional data is decomposed into low-rank and sparse matrices representing background and anomalies, respectively. The problem of the decomposition process is defined from the dictionary learning point of view. Therefore, the way of obtaining these matrices differs from previous studies. It aims to find a correct partition of the data and separate anomaly pixels from the background. After decomposition, Mahalanobis Distance is applied to the sparse part of the data in order to get anomaly locations. Experimental results suggest that anomaly detection performance of the proposed method surpasses those of the state-of-the-art methods.