基于Laplacian Eigenmap的图像变化检测虚警优化技术

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (32): 196-200.

基于Laplacian Eigenmap的图像变化检测虚警优化技术

吴华^1,2,常艳玲²,沙瑞¹

1.北京装甲兵工程学院技术保障工程系,北京 100072
2.中国酒泉卫星发射中心,兰州 732750

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-11-11 发布日期:2007-11-11
通讯作者: 吴华

Optimization of false alarm rate in image change detection based on Laplacian Eigenmap

WU Hua^1,2,CHANG Yan-ling²,SHA Rui¹

1.Department of Technological Support Engineering of Academy of Armored Force Engineering,Beijing 100072,China
2.The Satellite Launch Center,Lanzhou 732750,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-11-11 Published:2007-11-11
Contact: WU Hua

摘要/Abstract

摘要： 对点目标的图像变化检测,现有的变化检测技术结果往往存在着虚警过大的问题。通过深入分析多个传统的变化检测方法的特点,利用各方法的互补性,提出了利用Laplacian Eigenmap对多个方法检测结果进行降维分类的优化技术。首先把各个方法对某个像素的检测结果用向量的形式进行表示,然后利用Laplacian Eigenmap对整个图像的数据流形在低维空间展开,最后利用模糊分类进行分类。该技术有两个优势：（1）在保证现有较高检测率的同时,大大降低了结果的虚警率;（2）它极大地降低了在传统方法中由于人为阈值取舍带来的偏差风险。但该技术的不足之处是增加了计算量。

关键词: 图像变化检测, 虚警优化, Laplacian特征映射, 降维

Abstract: According to the high false alarm rate in the image change detection for point targets,an optimization method based on Laplacian Eigenmap is proposed in this paper.We firstly express all the results of one pixel in the image by many ICD methods as a vector,and then spread the manifold which is formed by such vectors in the high dimensional space into the low dimensional space by Laplacian Eigenmap.At last these data are classified into two classes by the Gustafson Kessel,the changed points and those not.Its advantage lies in two aspects.First,it can reduce the false alarm apparently while keeps the detection rate in a high level.Second,it can also decrease the uncertainty of the result due to the unreliable decision of the threshold value.However,such optimization increases the computational complexity.

Key words: image change detection, optimization of false alarm rate, Laplacian Eigenmap, dimensionality reduction

吴华^1,2,常艳玲²,沙瑞¹. 基于Laplacian Eigenmap的图像变化检测虚警优化技术[J]. 计算机工程与应用, 2007, 43(32): 196-200.

WU Hua^1,2,CHANG Yan-ling²,SHA Rui¹. Optimization of false alarm rate in image change detection based on Laplacian Eigenmap[J]. Computer Engineering and Applications, 2007, 43(32): 196-200.

[1]	王义武，杨余旺. 空间投影在K-means算法中的研究与应用[J]. 计算机工程与应用, 2020, 56(7): 200-204.
[2]	韩嵩，韩秋弘. 半监督学习研究的述评[J]. 计算机工程与应用, 2020, 56(6): 19-27.
[3]	魏世超，李歆，张宜弛，周晓锋，李帅. 基于E-t-SNE的混合属性数据降维可视化方法[J]. 计算机工程与应用, 2020, 56(6): 66-72.
[4]	邱建荣，罗汉. 改进的局部线性嵌入算法及其应用[J]. 计算机工程与应用, 2020, 56(3): 176-179.
[5]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[6]	谢心蕊，雷秀仁，赵岩. MI和改进PCA的降维算法在股价预测中的应用[J]. 计算机工程与应用, 2020, 56(21): 139-144.
[7]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[8]	黄欣，莫海淼，赵志刚，曾敏. 离散型增强烟花算法和[kNN]在特征选择中的研究[J]. 计算机工程与应用, 2020, 56(16): 112-117.
[9]	黄冬梅，梁素玲，王振华，孙婧琦，徐首珏. 利用信息熵的高光谱遥感影像降维方法[J]. 计算机工程与应用, 2019, 55(6): 191-196.
[10]	李翼宏，杜镇宇，胡劲松. APT样本的有效网络特征筛选算法[J]. 计算机工程与应用, 2019, 55(3): 83-89.
[11]	孙萍，胡旭东，张永军. 结合注意力机制的深度学习图像目标检测[J]. 计算机工程与应用, 2019, 55(17): 180-184.
[12]	郑棉仑，袁志勇，童倩倩，朱炜煦. 无条件稳定的显式降维非线性有限元[J]. 计算机工程与应用, 2018, 54(4): 50-55.
[13]	刘鹏睿，宋礼鹏. 针对恶意JavaScript识别的降维方法[J]. 计算机工程与应用, 2018, 54(21): 20-24.
[14]	孙敬荣1，2，卢新明1，2. 基于混合包围盒与三角形相交的碰撞检测优化算法[J]. 计算机工程与应用, 2018, 54(19): 198-203.
[15]	仇国庆，张少昀，赵婉滢，马俊. 基于PSO-ICA的文本分类研究[J]. 计算机工程与应用, 2018, 54(14): 95-99.