Anomaly detection in hyperspectral images based spatial spectral classification

Salem, Manel Ben; Ettabaa, Karim Saheb; Bouhlel, Med Salim

doi:10.1109/dt.2017.8012094

Cited by 2 publications

(2 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Spectral clustering is a graph-based clustering approach commonly used for anomaly detection with image-based data [28] to detect small-sized objects in hyperspectral images. In [29], the spectral clustering algorithm is used as an anomaly detection tool for wilderness search and rescue.…”

Section: Spectral Clusteringmentioning

confidence: 99%

Combining Artificial Immune System and Clustering Analysis: A Stock Market Anomaly Detection Model

Close¹,

Kashef²

2020

JILSA

View full text Add to dashboard Cite

Artificial intelligence research in the stock market sector has been heavily geared towards stock price prediction rather than stock price manipulation. As online trading systems have increased the amount of high volume and real-time data transactions, the stock market has increased vulnerability to attacks. This paper aims to detect these attacks based on normal trade behavior using an Artificial Immune System (AIS) approach combined with one of four clustering algorithms. The AIS approach is inspired by its proven ability to handle time-series data and its ability to detect abnormal behavior while only being trained on regular trade behavior. These two main points are essential as the models need to adapt over time to adjust to normal trade behavior as it evolves, and due to confidentiality and data restrictions, real-world manipulations are not available for training. This paper discovers a competitive alternative to the leading approach and investigates the effects of combining AIS with clustering algorithms; Kernel Density Estimation, Self-Organized Maps, Density-Based Spatial Clustering of Applications with Noise and Spectral clustering. The best performing solution achieves leading performance using common clustering metrics, including Area Under the Curve, False Alarm Rate, False Negative Rate, and Computation Time.

show abstract

Section: Spectral Clusteringmentioning

confidence: 99%

Combining Artificial Immune System and Clustering Analysis: A Stock Market Anomaly Detection Model

Close¹,

Kashef²

2020

JILSA

View full text Add to dashboard Cite

show abstract

“…Bu görüntüler, farklı dalga boylarındaki enerji spektrumlarını içermesi nedeniyle yüzlerce bant görüntüsünden meydana gelmekte, bu nedenle de çok sayıda yeni ve farklı alanlardaki uygulamalara olanak sağlamaktadır. Örneğin; atmosfere yayılan zararlı gazların tespit ve takip edilmesi [1], [2], değişim tespiti uygulamaları [3], toprak tipinin analizi [4], tarım ve orman izleme [5], hedef ve anomali tespiti [6], [7] ve askeri gözetim [8] hiperspektral görüntülerin bazı uygulama alanlarıdır. Ek olarak, hiperspektral görüntülerin sağlık sektöründe yapılan çalışmalarda da kullanıldığı görülmektedir [9], [10].…”

Section: Introductionunclassified

Compression of hyperspectral images using automatic adaptive luminance transform and 3D-DCT method

Can¹,

Karaca²,

Urhan³

et al. 2020

Pamukkale J Eng Sci

View full text Add to dashboard Cite

Hiperspektral görüntüleme, farklı uygulama alanlarındaki kullanımı ile son yıllarda oldukça popüler bir konu haline gelmiştir. Yüksek depolama alanlarına ihtiyaç duyan hiperspektral görüntülerin yüksek verim ve kalite ile sıkıştırılması gerekmektedir. Bu çalışmada, hiperspektral görüntülerin kayıplı sıkıştırılması için otomatik uyarlamalı ışıklılık dönüşümü ve üç-boyutlu ayrık kosinüs dönüşümünü (3D-DCT) kullanan özgün bir yöntem önerilmektedir. Önerilen yöntemde ilk olarak hiperspektral verideki spektral bantlar gruplanmış ve ön işlem olarak otomatik uyarlamalı ışıklılık dönüşümü uygulanmıştır. Elde edilen her bant grubu ayrık kosinüs dönüşümü ve sonrasında Huffman kodlama kullanılarak sıkıştırılmıştır. Önerilen ışıklılık dönüşümünün amacı, bir grup içindeki bant imgeleri arasındaki ışıklılık ve karşıtlık farklılıklarını azaltarak sıkıştırma performansının arttırılmasını sağlamaktır. Deneysel sonuçlarda, Cuprite, Moffett Field, Jasper Ridge ve Pavia University hiperspektral görüntüleri üzerinde önerilen yöntem, ışıklılık dönüşümünün farklı versiyonları ile karşılaştırılmıştır. Karşılaştırma sinyal-gürültü oranı ve ortalama spektral açı uzaklığı gibi ölçütler kullanılarak yapılmıştır. Bunun yanında, sıkıştırılan verideki anomali ve hedef tespiti başarımları da karşılaştırılmıştır. Önerilen yöntemin, 3D-DCT sıkıştırma performansını özellikle düşük bit oranlarında ortalama %40 oranına kadar arttırdığı gösterilmiştir.In recent years, hyperspectral imaging has become a very popular subject with its use in different application areas. Hyperspectral images that require high storage areas need to be compressed with high efficiency and quality. In this study, a novel method that uses automatic adaptive luminance transform and three-dimensional discrete cosine transform (3D-DCT) for lossy compression of hyperspectral images is proposed. Firstly, spectral bands in hyperspectral image are grouped and automatic adaptive luminance transform is performed as a preprocessing stage in the proposed method. Each group is compressed by using DCT and Huffman encoding. The aim of the proposed luminance transform is to increase compression performance by decreasing luminance and contrast differences between band images in a group. In the experimental results, the proposed method and different versions of luminance transform are compared on Cuprite, Moffet Field, Jasper Ridge and Pavia University hyperspectral images. Comparison is carried out using signal-to-noise ratio and average spectral distance metrics. Besides, anomaly and target detection performances are also compared for compressed images. The proposed method has been shown to increase compression performance of 3D-DCT up to an average of 40% rate, especially at low bit rates.

show abstract

Anomaly detection in hyperspectral images based spatial spectral classification

Cited by 2 publications

References 9 publications

Combining Artificial Immune System and Clustering Analysis: A Stock Market Anomaly Detection Model

Combining Artificial Immune System and Clustering Analysis: A Stock Market Anomaly Detection Model

Compression of hyperspectral images using automatic adaptive luminance transform and 3D-DCT method

Contact Info

Product

Resources

About