Tăng tốc độ phát hiện dị thường trên ảnh đa phổ và siêu phổ ứng dụng trong tìm kiếm cứu nạn

  • Nguyễn Văn Phương Học viện Kỹ thuật Quân sự
  • Đào Khánh Hoài Học viện Kỹ thuật Quân sự
  • Tống Minh Đức Học viện Kỹ thuật Quân sự
Keywords: Tăng tốc độ phát hiện dị thường, Kd-tree, ước lượng mật độ phi tham số

Abstract

Máy dò dị thường do Reed và Yu đề xuất được công nhận là máy chuẩn để phát hiện dị thường trên ảnh đa phổ và siêu phổ. Tuy nhiên, máy này có một số hạn chế: dữ liệu ảnh phải tuân theo mô hình Gauss đa biến, tính toán nghịch đảo của ma trận hiệp phương sai rất phức tạp khi ảnh nền có kích thước lớn, hoạt động thiếu ổn định, đôi khi có tỉ lệ báo động giả cao, thiếu mối liên hệ không gian giữa các điểm ảnh. Quy tắc quyết định Neyman-Pearson thường được sử dụng dựa trên việc tính toán hàm mật độ xác suất phi tham số của dữ liệu nền để nâng cao hiệu suất và độ tin cậy, nhưng lại có độ phức tạp tính toán cao. Để giảm độ phức tạp tính toán và thời gian tính toán, nhiều phương pháp đã được sử dụng, như: biến đổi Fourier nhanh, biến đổi Gauss nhanh, lập trình đa luồng trên bộ xử lý trung tâm (CPU), song song trên bộ xử lý đồ họa (GPU). Bài báo này trình bày một phương pháp ước lượng nhanh hàm mật độ xác suất bằng cách phân nhóm các điểm ảnh trên miền giá trị và tổ chức dữ liệu trên cây Kd-tree. Kết quả kiểm nghiệm cho thấy phương pháp đề xuất vượt trội các phương pháp khác và có thể ứng dụng trong thực tế.

Author Biographies

Nguyễn Văn Phương, Học viện Kỹ thuật Quân sự

Nguyễn Văn Phương tốt nghiệp Đại học và Thạc sĩ tại Học viện Kỹ thuật Quân sự năm 2003 và 2009. Hiện tại là nghiên cứu sinh tại Khoa Công nghệ Thông tin cũng tại Học viện Kỹ thuật Quân sự. Lĩnh vực nghiên cứu bao gồm: GIS, xử lý ảnh viễn thám quang học.

Đào Khánh Hoài, Học viện Kỹ thuật Quân sự

Đào Khánh Hoài nhận học vị Tiến sĩ năm 2005. Hiện công tác tại Học viện Kỹ thuật Quân sự. Lĩnh vực nghiên cứu bao gồm: GIS, xử lý ảnh vệ tinh, UAV, đo ảnh và thị giác máy tính.

Tống Minh Đức, Học viện Kỹ thuật Quân sự

Tống Minh Đức tốt nghiệp Đại học tạiHọc viện Kỹ thuật Quân sự năm 2000, nhận học vị Tiến sĩ tại Trường Đại học Tổng hợp Kỹ thuật Điện (LETI), Nga năm 2007. Hiện là giảng viên tại Khoa Công nghệ Thông tin của Học viện Kỹ thuật Quân sự. Lĩnh vực nghiên cứu bao gồm: xử lý ảnh, nhận dạng đối tượng, an toàn bảo mật thông tin.

References

T. Bolukbasi, P. Tran, “Outline Color Identification For Search And Rescue,” Technical Report of Department of Electrical and Computer Engineering, Boston University, no. ECE-2012-07, 2012.

M. B. Salem, K. S. Ettabaa, M. A. Hamdi, “Anomaly detection in hyperspectral imagery: An overview,” in International Image Processing, Applications and Systems Conference, pp. 1–6, 2015.

I. S. Reed and X. Yu, “Adaptive Multiple-Band CFAR Detection of an Optical Pattern with Unknown Spectral Distribution,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 38, no. 10, pp. 1760–1770, 1990.

T. E. Smetek, K. W. Bauer, “Finding hyperspectral anomalies using multivariate outlier detection,” IEEE Aerospace Conference, pp. 1–24, 2007.

D. Manolakis, D. Marden, G. A. Shaw, “Hyperspectral image processing for automatic target detection applications,” Lincoln Laboratory Jour., vol. 14, no. 1, pp. 79–116, 2003.

D. C. Borghys, V. Achard, S. R. Rotman, N. Gorelik, C. Perneel, E. Scwheicher, “Hyperspectral anomaly detection: a comparative evaluation of methods,” XXXth URSI General Assembly and Scientific Symp., pp. 1–4, 2011.

T. Marshall, L. N. Perkins, “Color Outline Detection For Search And Rescue,” Technical Report of Department of Electrical and Computer Engineering, Boston University, no. ECE-2015-01, 2015.

M. Ramachandran, W. Moik, Outline Color Identification For Search And Rescue, Technical Report of Department of Electrical and Computer Engineering, Boston University, No. ECE-2013-03, 2013.

D. K. Hoai, N. V. Phuong, “Anomaly Color Detection on UAV Images for Search and Rescue works,” in 2017 9th International Conference on Knowledge and Systems Engineering, pp. 287–291, 2017.

S. Khazai, S. Homayouni, A. Safari, and B. Mojaradi, “Anomaly Detection in Hyperspectral Images Based on an Adaptive Support Vector Method,” IEEE Geoscience and Remote Sensing Letters, vol. 8, no. 4, pp. 646–650, 2011.

A. Banerjee, P. Burlina, and C. Diehl, “A support vector method for anomaly detection in hyperspectral imagery,” IEEE Transactions on Geoscience and Remote Sensing, vol. 44, no. 8, pp. 2282–2291, Aug. 2006.

D. W. J. Stein, S. G. Beaven, L. E. Ho, E. M. Winter, A. P. Schaum, and A. D. Stocker, “Anomaly detection from hyperspectral imagery,” IEEE Signal Process. Mag., vol. 19, no. 1, pp. 58–69, 2002.

S. Matteoli, T. Veracini, M. Diani, and G. Corsini, “Models and Methods for Automated Background Density Estimation in Hyperspectral Anomaly Detection,” IEEE Transactions on Geoscience and Remote Sensing, vol. 51, no. 5, pp. 2837–2852, 2013.

P. Gurram and H. Kwon, “Support-Vector-Based Hyperspectral Anomaly Detection Using Optimized Kernel Parameters,” IEEE Geoscience and Remote Sensing Letters, vol. 8, pp. 1060–1064, 2011.

C.-I.ChangandS.-S.Chiang,“Anomalydetectionandclassification for hyperspectral imagery,” IEEE Trans. Geosci. Remote Sensing, vol. 40, no. 6, pp. 1314–1325, 2002.

T. Veracini, S. Matteoli, M. Diani, and G. Corsini, “Nonparametric Framework for Detecting Spectral Anomalies in Hyperspectral Images,” IEEE Geoscience and Remote Sensing Letters, vol. 8, no. 4, pp. 666–670, 2011.

S. Matteoli, T. Veracini, M. Diani and G. Corsini, “Background Density Nonparametric Estimation With Data Adaptive Bandwidths for the Detection of Anomalies in Multi-Hyperspectral Imagery,” IEEE Geoscience and Remote Sensing Letters, vol. 11, pp. 163–167, 2014.

C. Zhao, X. Wang, and G. Zhao, “Detection of hyperspectral anomalies using density estimation and collaborative representation,” Remote Sensing Letters, vol. 8, no. 11, pp. 1025–1033, 2017.

B. Silverman, “Algorithm AS 176: Kernel density estimation using the fast Fourier transform,” Applied Statistics, vol. 31, no. 1, pp. 93–99, 1982.

A. Elgammal, R. Duraiswami and L.S. Davis, “Efficient Kernel density estimation using the Fast Gauss Transform with applications to color modeling and tracking,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 25, pp. 1499–1504, 2003.

S. Lukasik, "Parallel computing of kernel density estimates with MPI," in 7th International Conference on Computational Science, pp. 726–733, 2007.

P. D. Michailidis, and K. G. Margaritis, “Parallel Computing of Kernel Density Estimation with Different Multi-core Programming Models,” in 21st Euromicro International Conference on Parallel, Distributed, and Network-Based Processing, pp. 77–85, 2013.

P. D. Michailidis, K. G. Margaritis, “Accelerating Kernel Density Estimation on the GPU Using the CUDA Framework,” Applied Mathematical Sciences, vol. 7, no. 30, pp. 1447–1476, 2013.

M. Rosenblatt, “Remarks on Some Nonparametric Estimates of a Density Function,” Annals of Mathematical Statistics, vol. 27, no. 3, pp. 832–837, 1956.

E. Parzen, “On Estimation of a Probability Density Function and Mode,” Annals of Mathematical Statistics, vol. 33, pp. 1065–1076, 1962.

L. Devroye and L. Gyorfi, Nonparametric Density Estimation: The L1 View, Wiley, New York, 1985.

W. Hardle, A. Werwatz, M. Muller and S. Sperlich, Nonparametric Density Estimation, In: Nonparametric and Semiparametric Models, Springer Series in Statistics, pp. 39-83, 2004.

J. L. Bentley, “Multidimensional Binary Search Trees Used for Associative Searching,” Communications of the ACM, vol. 18, no. 9, pp. 509-517, 1975.

H. M. Kakde, “Range Searching using Kd Tree,” 2005. References, Aug. 12, 2019. [Online]. Available: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.122.5818.

P. Trebuna, J. Halcinová, “Experimental Modelling of the Cluster Analysis Processes,” Procedia Engineering 48, pp. 673–678, 2012.

M. Harris, "Optimizing parallel reduction in CUDA," Nvidia developer technology 2, no. 4, p. 70, 2007. [Online]. Available: https://developer.download.nvidia.com/assets/cuda/files/reduction.pdf.

Dstl Satellite Imagery Feature Detection. [Online]. Available: https://www.kaggle.com/c/dstl-satellite-imageryfeature-detection. [Accessed: Oct 25, 2019].

Hyperspectral Remote Sensing Scenes. [Online]. Available: http://www.ehu.eus/ccwintco/index.php?title=Hyperspectral_Remote_Sensing_Scenes. [Accessed: Oct 25, 2019].

Published
2019-12-31
Section
Bài báo