[人工智能] 箱线图（Box-plot）在高光谱图像处理中的应用

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 箱线图（Box-plot）在高光谱图像处理中的应用 -> 正文阅读

[人工智能]箱线图（Box-plot）在高光谱图像处理中的应用

箱线图（Box-plot）在高光谱图像处理中的应用

欢迎学习交流！
个人网站：https://zephyrhours.github.io/
邮箱：zengf.hou@bit.edu.cn

前言

在高光谱异常探测、目标探测和变化检测中，除了使用ROC曲线做定性评价外，箱线图也是被广泛的使用。在很多文章中都可以看到它的身影，箱线图来可以有效地评价算法对背景的抑制和对目标的分离情况，下面分享笔者基于Matlab编写的 箱线图（背景分离性分析图） 给搞科研的各位朋友，希望对您的工作有所帮助！如果您使用该代码，或这些代码对您有所帮助，请添加文章引用！

一、箱线图

箱线图（Box-plot）又称为盒须图、盒式图或箱形图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用。它主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。箱线图的绘制方法是：先找出一组数据的上边缘、下边缘、中位数和两个四分位数；然后，连接两个四分位数画出箱体；再将上边缘和下边缘与箱体相连接，中位数在箱体中间，具体如下：
请添加图片描述

二、箱线图在高光谱影像中的应用

下面是箱线图在高光谱影像异常探测中的一个应用实例，在文章中，我们又称箱线图（Box-plot）为背景异常分离性分析，或者统计性分离分析（Statistical separability analysis），具体如下图所示：

在图中可以看到，不同的检测算法表现不同，其中该图中我们采用蓝色和红色来分别表示背景地物和异常地物，箱体的取值范围，我们截取原始数据的10%~90%进行显示；蓝色箱子和红色箱子的高低，表示不同算法对背景和异常的抑制情况（背景和异常的取值）。在高光谱异常检测或者目标探测中，蓝色箱子越低，背景就会被抑制的越严重；红色箱子跟蓝色箱子之间的距离表示算法对背景和异常的分离情况，间隔越大，就越有利于目标或异常的分离。也就说明算法的分离性比较好。如图所示，LRX算法表现出来了对背景的抑制情况很好，但是蓝色箱子被抑制的同时，红色箱子跟蓝色箱子的高度差很小，也就是说该算法虽然可以有效的抑制背景，但是分离性不好，不能很好的区分背景和异常。而在GTVRR和2S-GLRT中则表现出来了比较好的分离情况，但是GTVLRR对背景的抑制没有2S-GLRT算法好，因此综上比较可知，这些算法中2S-GLRT 体现出来了比较好的背景异常分离性。具体描述请参考下面的文献。

三、相关参考文献

关于箱线图在高光谱异常探测、变化检测和目标探测中的应用以及具体描述请参考下面文献！

BibTex 格式:

@article{liu2021multipixel,
  title={Multipixel Anomaly Detection With Unknown Patterns for Hyperspectral Imagery},
  author={Liu, Jun and Hou, Zengfu and Li, Wei and Tao, Ran and Orlando, Danilo and Li, Hongbin},
  journal={IEEE Transactions on Neural Networks and Learning Systems},
  year={2021},
  publisher={IEEE}
}

@article{houcollaborative,
  title={Collaborative Representation with Background Purification and Saliency Weight for Hyperspectral Anomaly Detection},
  author={Hou, Zengfu and Wei, Li and Tao, Ran and SHI, Weihua},
  journal={SCIENCE CHINA Information Sciences},
  publisher={Science China Press}
}

@ARTICLE{9469924,
author={Hou, Zengfu and Li, Wei and Li, Lu and Tao, Ran and Du, Qian},
journal={IEEE Transactions on Geoscience and Remote Sensing},
title={Hyperspectral Change Detection Based on Multiple Morphological Profiles},
year={2021},
volume={},
number={},
pages={1-12},
doi={10.1109/TGRS.2021.3090802}}

@article{hou2021three,
  title={Three-Order Tucker Decomposition and Reconstruction Detector for Unsupervised Hyperspectral Change Detection},
  author={Hou, Zengfu and Li, Wei and Tao, Ran and Du, Qian},
  journal={IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing},
  volume={14},
  pages={6194--6205},
  year={2021},
  publisher={IEEE}
}


@article{zhao2021hyperspectral,
  title={Hyperspectral target detection based on transform domain adaptive constrained energy minimization},
  author={Zhao, Xiaobin and Hou, Zengfu and Wu, Xin and Li, Wei and Ma, Pengge and Tao, Ran},
  journal={International Journal of Applied Earth Observation and Geoinformation},
  volume={103},
  pages={102461},
  year={2021},
  publisher={Elsevier}
}