Wykrywanie anomalii na obrazach hiperspektralnych oparte na ulepszonym algorytmie isolation forest

Widzieć niewidoczne na zdjęciach satelitarnych

Współczesne satelity nie tylko robią ładne zdjęcia Ziemi; rejestrują setki odcieni światła, których nie widzimy. W tej tęczy informacji kryją się wczesne sygnały o zapadliskach kopalń, wyciekach ropy czy wojskowym kamuflażu. Streszczony tu artykuł przedstawia nowy sposób automatycznego wykrywania drobnych, nietypowych wzorców na obrazach hiperspektralnych — ułatwiający odnajdywanie niewielkich, ryzykownych zmian na ziemi bez potrzeby angażowania armii analityków.

Dlaczego dodatkowe kolory ujawniają ukryte cele

Zwykłe zdjęcia satelitarne przechowują trzy podstawowe kolory: czerwony, zielony i niebieski. Obrazy hiperspektralne natomiast rejestrują dziesiątki, a nawet setki wąskich pasm spektralnych. Każdy piksel niesie szczegółowy „odcisk świetlny”, odzwierciedlający jego skład — gleba, skała, roślinność, metal, woda czy zanieczyszczenia. Problem polega na tym, że te sześciany danych są ogromne, zaszumione i pełne redundantnych informacji pochodzących od atmosfery, sensorów i złożonego terenu. Wykrywanie anomalii w takim kontekście oznacza odnalezienie kilku pikseli, które wyraźnie różnią się od otoczenia, bez wcześniejszej wiedzy, co przedstawiają. Te rzadkie piksele mogą sygnalizować osiadanie gruntu w kopalniach, pióropusze zanieczyszczeń czy ukryty sprzęt, więc ich wiarygodne i szybkie wykrycie jest kluczowe dla monitoringu środowiska i bezpieczeństwa.

Od prostych drzew do mądrzejszych lasów

Badanie opiera się na isolation forest — metodzie uczenia maszynowego stworzonej do wykrywania punktów odstających. W podstawowym isolation forest dane są wielokrotnie dzielone losowo, tworząc zbiór drzew decyzyjnych. Nietypowe punkty zwykle izolują się w zaledwie kilku podziałach, podczas gdy normalne piksele wymagają wielu. Pomysł sprawdza się w umiarkowanych zbiorach danych, lecz sceny hiperspektralne obejmują setki pasm, znaczący szum i bardzo subtelne anomalie. Losowy wybór cech może marnować zasoby na redundantne pasma, zacierać kontrast między celami a tłem i podnosić liczbę fałszywych alarmów. Autorzy więc przeprojektowali las tak, by operował na czystszych danych i oceniał piksele nie tylko globalnie na poziomie całego obrazu, ale też lokalnie w ramach ich sąsiedztwa.

Wyostrzenie obrazu dzięki wieloskalowej wizji

Aby oczyścić i skompresować dane przed wykrywaniem, metoda najpierw stosuje dekompozycję niskiego rzędu i rzadką, znaną jako Godec. Mówiąc prościej, dzieli ona obraz na gładką warstwę tła i rzadką warstwę zawierającą ostre, nietypowe sygnały. Do tego autorzy wykorzystują fakt, że interesujące cele często wyróżniają się nie tylko spektralnie, lecz także przestrzennie — w sposobie rozmieszczenia. Używają 3D filtrów Gabor, które działają jak soczewki wrażliwe na teksturę, przesuwając się przez hiperspektralny sześcian, aby uwydatnić wzory o różnych rozmiarach i kierunkach. Algorytm superpikseli oparty na entropii grupuje następnie sąsiednie piksele w małe, spójne regiony. Dopasowując, jak drobne są te regiony, metoda potrafi stłumić losowy szum przy jednoczesnym zachowaniu prawdziwych struktur, takich jak zapadliska, pęknięcia czy obiekty sztuczne.

Łączenie wskazówek globalnych i lokalnych

Gdy oczyszczone cechy spektralne i przestrzenne zostaną wyodrębnione, ulepszony isolation forest przypisuje każdemu pikselowi wynik anomaliości. Zamiast polegać wyłącznie na tym, jak szybko piksel izoluje się w całym zbiorze, metoda sprawdza też, jak spójny jest on z bezpośrednim otoczeniem. Piksele, które globalnie wyglądają normalnie, ale lokalnie są dziwne, lub odwrotnie, są ponownie oceniane za pomocą łącznej reguły punktacji. Ten dwupoziomowy pogląd zmniejsza zarówno pominięcia wykryć, jak i fałszywe odstępstwa spowodowane złożonym tłem. Testy na dwóch szeroko używanych zestawach danych hiperspektralnych, San Diego i HYDICE, pokazują, że nowe podejście osiąga wysokie wyniki dokładności (AUC około 0,97 i F1 bliskie 0,94) przy jednoczesnym utrzymaniu bardzo niskiego poziomu fałszywych alarmów oraz rozsądnym użyciu pamięci i prędkości przetwarzania.

Od testów laboratoryjnych do monitoringu w terenie

Autorzy przetestowali dalej swoją metodę na rzeczywistych zadaniach związanych z osiadaniem kopalń i monitoringiem ekologicznym z użyciem danych satelitarnych i lotniczych. W obszarach kopalnianych system prawidłowo oznacza ponad 95% anomalii związanych z zapadnięciami, tracąc jedynie około 4%. W nadzorze środowiskowym wykrywa niemal 94% podejrzanych regionów, takich jak zaburzona roślinność czy możliwy kamuflaż, również z kilkuprocentowym odsetkiem pominięć. W porównaniu z kilkoma ustalonymi technikami, ulepszony las okazuje się zarówno bardziej czuły, jak i bardziej stabilny w różnych scenariuszach. Dla osób niebędących specjalistami kluczowy wniosek jest taki: przez staranne oczyszczenie danych, obserwowanie wzorców na wielu skalach i łączenie ocen globalnych z lokalnymi, możemy przekształcić obrazy hiperspektralne w potężne, zautomatyzowane narzędzie „wczesnego ostrzegania” o istotnych zmianach na powierzchni ziemi.

Cytowanie: Li, A. Anomaly detection of hyperspectral images based on improved isolation forest algorithm. Sci Rep 16, 6171 (2026). https://doi.org/10.1038/s41598-026-36548-5

Słowa kluczowe: obrazowanie hiperspektralne, wykrywanie anomalii, teledetekcja, isolation forest, monitoring środowiska