• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XII pt.1 >Kernel Canonical Correlation Analysis for Hyperspectral Anomaly Detection
【24h】

Kernel Canonical Correlation Analysis for Hyperspectral Anomaly Detection

机译：用于高光谱异常检测的核典范相关分析

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we present a kernel-based nonlinear version of canonical correlation analysis (CCA), so called kernel canonical correlation analysis (KCCA), for hyperspectral anomaly detection applications. CCA only measures linear dependency between two sets of signal vectors (target and background) ignoring higher order correlations crucial for distinguishing between man-made objects and background clutter. In order to exploit nonlinear correlations we implicitly map the two sets of data into a high dimensional feature space where correlations of nonlinear features extracted from the original data are exploited by a kernel function. A generalized eigenproblem is then formulated for KCCA. In this paper, both CCA and KCCA are applied to real hyperspectral images and detection performance of CCA and KCCA are compared to the well-known RX anomaly detection algorithm.
机译：在本文中，我们提出了一种基于核的非线性版本的规范相关分析（CCA），即所谓的内核规范相关分析（KCCA），用于高光谱异常检测应用。 CCA仅测量两组信号矢量（目标和背景）之间的线性相关性，而忽略了对区分人造物体和背景杂波至关重要的高阶相关性。为了利用非线性相关性，我们将两组数据隐式映射到一个高维特征空间，其中从原始数据中提取的非线性特征的相关性被内核函数利用。然后为KCCA制定一个广义特征问题。本文将CCA和KCCA都应用于真实的高光谱图像，并将CCA和KCCA的检测性能与著名的RX异常检测算法进行了比较。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号