结合光谱解混的高光谱图像异常目标检测SVDD算法
基于光谱角累加的高光谱图像异常检测算法
基于光谱角累加的高光谱图像异常检测算法
杜小平;刘明;夏鲁瑞;陈杭
【期刊名称】《中国光学》
【年(卷),期】2013(6)3
【摘要】针对传统方法中用作背景的像素中存在干扰像素的问题,提出一种基于光谱角累加的高光谱图像异常检测算法.通过计算测试区域待测像素光谱向量与其他光谱向量之间的夹角,并将其累加,得到图像中每个像素的异常程度；然后使用波段选择预处理方法进一步提高检测性能.HyMap高光谱数据验证表明,在虚警概率设为0.008时,检测概率达到0.73,即在提高异常检测可靠度的同时,降低了虚警概率.【总页数】7页(P325-331)
【作者】杜小平;刘明;夏鲁瑞;陈杭
【作者单位】中国人民解放军装备学院,北京101416;中国人民解放军装备学院,北京101416;中国人民解放军装备学院,北京101416;中国人民解放军装备学院,北京101416
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.基于光谱角匹配加权的高光谱图像异常检测 [J], 王霖郁;刘一博
2.基于子空间异常增殖字典的高光谱图像目标检测算法 [J], 赵春晖;孟美玲;李威
3.基于快速软阈值迭代的高光谱图像异常检测算法 [J], 王杰超;张长兴;谢锋;王建
宇
4.基于端元提取的高光谱图像亚像元目标异常检测算法 [J], 孟强强;杨桄;卢珊;何高攀
5.基于光谱相似度量的高光谱图像异常检测算法 [J], 王玉磊;赵春晖;齐滨
因版权原因，仅展示原文概要，查看原文内容请购买。
基于端元提取的高光谱异常目标检测
（ 空军 航 空 大 学 ， 吉林 长 春 １ ３ ０ ０ ２ ２ ）
摘要： 针对高光谱图像混合像元影响异常检测效果的问题， 提 出了一种基于端元提取 的异常检测算法。 该算法采用小波分解，将原始高光谱图像分解为高频信息图像和低频信 息图像 ，舍弃低频信息图像 ， 只利用高频信 息图像，从而抑制 了背景，突 出了目标；然后使用正交子空间投影 （ Ｏ Ｓ Ｐ） 方法提取 图
Ａ ｎｏ ｍａ ｌ ｙ Ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈｍ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｅｎ ｄｍ ｅ ｍ ｂｅ ｒ Ｅｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｉ ｎ Ｈｙ ｐｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ Ｉ ｍａ ｇ ｅ ｒ ｙ
Ｈ Ｅ Ｇａ ｏ － ｐ ａ ｎ ，Ｙ Ａ ＮＧ Ｇｕ ａ ｎ ｇ ，Ｚ ＨＡ ＮＧ Ｘ ｉ ａ ｏ — ｈ ａ ｎ ，Ｈ ＵＡ ＮＧ Ｊ ｕ ｎ － ｈ ｕ ａ ，ＭＥ ＮＧ Ｑｉ ｎｇ ａ — ｑ ｉ ａ ｎ ｇ
利用NSCT和空间聚类的高光谱图像全局异常检测
利用NSCT和空间聚类的高光谱图像全局异常检测江帆;张晨洁【摘要】Due to the interference of complex background information, anomaly detection algorithm has incremental false alarm rate.In order to overcome this problem, this paper proposes an improved SVDD algorithm combining the nonsubsampled contourlet transform (NSCT) with spatial clustering.Hyperspectral imagery is transformed by NSCT, and the low frequency image containing most background information is obtained.The background residual error which is the minus of the hyperspectral imagery and low frequency image can be acquired, whereupon the background information is suppressed.Then, the low frequency image is clustered by spatial clustering method, thereupon the feature spectrum of each sub-region is computed and used as a training sample for SVDD.Hence it can eliminate the influence induced by the anomalous spectrum or random noise, and the calculated amount is also reduced at the same time.Finally, the SVDD model is used to detect background residual error data.The results show that the proposed method can inhibit the interference of complex background.It has lower false alarm rate, and hence it is more appropriate for global anomaly detection in hyperspectral imagery.%在复杂背景干扰下,高光谱图像异常检测虚警率较高.针对这一问题,提出了结合非下采样contourlet变换(nonsubsampled contourlet transform,NSCT)和空间聚类的基于支持向量数据描述(support voctor data description,SVDD)的异常检测算法.首先通过对高光谱数据进行NSCT分解,得到含有绝大部分背景信息的低频图像,与原始图像进行差运算,获取背景残差图像,以此抑制背景信息的干扰;然后采用空间聚类法对低频图像进行聚类分割,获得各子区域的特征光谱作为SVDD训练样本进行背景建模,克服异常像元与图像随机噪声对SVDD背景建模的影响,同时降低计算量;最后利用得到的SVDD模型对背景残差图像进行异常检测.实验结果表明,算法抑制了复杂背景的干扰,降低了虚警率,更适用于高光谱图像全局异常检测.【期刊名称】《国土资源遥感》【年(卷),期】2017(029)002【总页数】7页(P53-59)【关键词】高光谱图像;异常检测;NSCT;空间聚类;支持向量数据描述【作者】江帆;张晨洁【作者单位】苏州工业园区工业技术学校,苏州 215123;长春理工大学,长春130022【正文语种】中文【中图分类】TP751高光谱图像具有很高的光谱分辨率，“图谱合一”的特性在目标识别上具有得天独厚的优势[1]。
高光谱遥感图像目标检测课件
目
局部异常
目
自适 异常
人工 入 · 像解 参数以及 确定 ·离 的大气校正
出 果 35
上一讲回顾
第五讲 高光谱图像目标检测
• 高光谱图像目标检测概述 • 基于纯点模型的目标检测
纯点模型（目标替代模型、干扰模型）、基于纯点 模型的似然比检验（基于目标替代模型和干扰模型的 二元假设检验、CFAR等）、基于纯点模型的检测方 法（CEM算子）
34
第五讲 高光谱图像目标检测
上一讲回顾
– 按先验信息有无的分类：
原始 的高 光 数据
理 ·数据格式化 ·坏点修复 ·波段配准 ·无用数据 除
射校正
波段融合和波 段 ·取 ·平均
数据 整 ·白化 ·分割 · 一化
已知目 和背景
未知目 已知背景
已知目 未知背景
未知目 和背景
– 最小二乘原理利用最小化观测值与模型之间的差距来 确定它们的契合程度，它的最大优点在于不需要知道 数据服从什么样的统计分布，因此它不必估计观测数 据的统计参数。
51
四 基于几何方式混合模型的目标检测
㈠正交子空间投影算法（OSP）
• 在高光谱图像处理领域，利用最小二乘原理构建 检测算子的方法有很多，其中以Harsanyi 和 Chang提出的正交子空间投影（Orthogonal Subspace Projection，OSP）算法及其系列算 法使用的最为广泛。
P
B S
波段2
为观测值 是由背景端元构 成的Q维子空间
是由目标端元构 成的P维子空间
构成全空间的端元
波段1
AMSD检测器的构造示意图
B点是P点在背景子空间 中的投影，S则是它在
全空间的投影。
基于自编码器的高光谱图像异常检测算法研究
基于自编码器的高光谱图像异常检测算法研究基于自编码器的高光谱图像异常检测算法研究摘要：高光谱图像是一种获取多波段信息的有效手段，广泛应用于地质勘探、环境监测、农业科学等领域。
然而，由于数据量庞大且存在噪声，高光谱图像的异常检测变得十分困难。
本文提出了一种基于自编码器的高光谱图像异常检测算法，该算法可以对高光谱图像进行无监督特征学习和异常检测，具有较好的性能。
1. 引言高光谱图像是一种在可见光和红外波段之间连续采样的图像，可以提供丰富的波段信息。
它由数百甚至上千个离散波段组成，与传统的彩色图像相比，高光谱图像能够捕捉到更多的细节和特征。
因此，它在地质勘探、环境监测、农业科学等领域有着广泛的应用。
高光谱图像异常检测是在高光谱图像中寻找不合理或不寻常像素的过程，可以帮助人们发现隐藏在大量数据中的有趣信息。
然而，由于高光谱图像的数据量庞大且存在噪声，传统的异常检测方法在处理高光谱图像时往往效果不佳。
2. 相关工作目前，高光谱图像异常检测研究主要集中在两个方向，一是基于统计的方法，另一个是基于机器学习的方法。
基于统计的方法主要通过建立统计模型来描述正常像素的分布，并将偏离这个分布的像素视为异常。
然而，这种方法往往对数据的分布假设过于简单，容易受到噪声和数据不平衡的影响。
基于机器学习的方法通过使用监督学习或无监督学习算法，利用已经标记好的正常像素和异常像素进行建模，然后对未知像素进行分类。
尽管这些方法在一定程度上能够提高异常检测的准确性，但是它们对于高光谱图像的特征提取和数据预处理方面的问题仍然存在挑战。
3. 自编码器算法为了解决高光谱图像异常检测中的问题，本文提出了一种基于自编码器的异常检测方法。
自编码器是一种无监督学习算法，通过学习输入数据的低维表示来重构原始数据。
它由编码器和解码器两部分组成，其中编码器将输入映射到低维表示，解码器将低维表示映射回原始数据空间。
在训练过程中，自编码器通过最小化重构误差来学习输入数据的表示。
一种自适应多层结构和空谱联合的高光谱图像异常检测方法
法 ［５⁃８］ 、核 ＲＸ（ ＫＲＸ） 算法 ［９⁃１０］ 、 基于支持向量描述
光谱影像数据的技术 ［１］ 。 高光谱目标检测是高光
及基于协同表示的算法 ［１６］ 。 近年来深度学习技术
红外和远红外波段范围内，获取许多非常窄的连续
谱图像处理中的重要研究方向之一，它利用丰富的
{
ｕλ
０
ｕ ∈ ［０，１］
ｕ ∉ ［０，１］
（１０）
式中， λ 为正常数，通过 λ 数值可以调整 ｑ（·） 的形
状，同时改变对于 ｘ ｎ 的约束力度。 对于背景光谱，
ｙ ｎ ∈ ［０，１） 并接近于 ０， 每个光谱向量 ｘ ｎ 与（ ｙ ｎ ） λ
和判决停止层构成，如图 ２ 所示。
图 ２ 基于自适应多层结构的异常检测算法框架
２．１ 异常检测层
大小为 Ｍ × Ｎ × Ｌ 的高光谱数据，每个波段内像
元总数为 Ｐ（ Ｐ ＝ Ｍ × Ｎ） ，总波段数为 Ｌ。 该数据可
合异常检测器作为异常检测层，采用图 １ 所示的双
表该波段的所有数据。 这里使用上文提出的空谱联
· ４８６·
度量 ［１８］ 。 定义不同窗口的空间结构之间的异常值
为
δ ＬＳＳＡＶ ＝
１
‖ｇ（ Ｓ ｉ ｋ，ｊ ｋ ） － ｇ（
Ｓ ｉ ｋ，ｊ ｋ ） ‖２
ｒ ２ｉｎ
（４）
计算完当前窗口之后，搜索窗按照图 １ 所示的
搜索路径，以 ｌ 为步长进行滑动。 每次滑动后的计
算结果作为当前 ２ 个空间结构的异常值，最终取当
信息上还体现在空间结构上（ 如纹理特性） 。 然而
传统异常检测算法大多只考虑异常点与背景像素的
基于稀疏与低秩先验特性的高光谱图像异常检测算法研究
基于稀疏与低秩先验特性的高光谱图像异常检测算法研究基于稀疏与低秩先验特性的高光谱图像异常检测算法研究摘要：高光谱图像异常检测作为一种重要的遥感应用技术，广泛应用于农业、环境监测、灾害评估等领域。
本文针对高光谱图像异常检测问题，提出了一种基于稀疏与低秩先验特性的算法。
首先，对高光谱图像进行字典学习，构建原子集合；然后，通过稀疏表示方法对图像进行重构。
在重构过程中，引入低秩约束，以降低噪声对重构结果的影响。
实验结果表明，所提出的算法在异常检测性能上超过了传统的方法。
关键词：高光谱图像；异常检测；稀疏表示；字典学习；低秩约束1. 引言随着遥感技术的发展，高光谱遥感图像成为一种重要的遥感数据来源。
高光谱图像具有高维度、大量波段等特点，对于异常目标的检测和识别有着巨大的潜力。
异常目标的检测在农业、环境监测、灾害评估等领域具有广泛应用。
然而，由于传感器噪声、光照变化等因素的存在，使得高光谱图像中包含大量噪声，从而影响异常目标的检测和识别。
2. 相关工作2.1 高光谱图像异常检测方法针对高光谱图像异常检测问题，已经提出了多种方法。
传统的方法包括像元相似度、统计方法、异常度评估等。
这些方法较为简单直观，但其异常目标的检测精度和鲁棒性有待提升。
2.2 稀疏表示方法稀疏表示方法是一种常用的信号处理技术，利用稀疏表示的能力从噪声污染的信号中恢复出原始信号。
稀疏表示方法为高光谱图像异常检测提供了一种新思路。
2.3 低秩约束方法低秩约束方法通过对图像矩阵进行低秩分解，可以提取出图像的共享结构信息。
在图像处理领域中，低秩约束方法经常被应用于图像去噪、图像恢复等问题。
3. 方法3.1 字典学习字典学习是一种无监督学习方法，用于从数据中自动学习原子集合。
在本研究中，通过字典学习构建了高光谱图像的原子集合。
通过最小化高光谱图像的稀疏表示误差，得到了优化后的字典。
3.2 稀疏表示与重构利用优化后的字典，对高光谱图像进行稀疏表示和重构。
高光谱rxd算法
高光谱rxd算法
高光谱RxD算法是一种用于高光谱图像异常检测的算法。
RxD算法是Reed-XiaoliDetector的简称，它是一种基础的异常目标检测算法，适用于对特定场景的异常（未知目标）检测。
在高光谱图像中，RxD算法通过检测与背景分布中心相比属于异常像元，并在这些感兴趣区域进一步查找可能存在的目标，来实现对异常的检测。
该算法不需要目标光谱的先验知识，而是基于背景服从多元正态分布的假设，通过检测与背景分布中心相比属于异常像元，并在这些感兴趣区域进一步查找可能存在的目标。
该算法主要针对的是小目标检测问题。
高光谱RxD算法的具体步骤包括：
1. 确定感兴趣区域：根据场景需求和先验信息，确定需要检测的目标类型和区域范围。
2. 构建背景模型：通过对高光谱图像中背景区域的像素进行统计分析，构建出背景模型的统计特征，如均值、方差、协方差等。
3. 异常检测：将待检测像素与背景模型进行比较，如果其统计特征与背景模型存在显著差异，则认为该像素为异常像素。
4. 可视化结果：将检测到的异常像素进行可视化处理，以突出显示异常区域。
高光谱RxD算法具有较好的实时性和准确性，可以广泛应用于高光谱图像的异常检测中。
然而，该算法对背景模型的建立和参数选择较为敏感，可能会受到光照变化、阴影等因素的影响。
因此，在实际应用中需要根据具体场景和需求进行算法的调整和优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＣＨＥＮＧ ｏ ｚ ， ＺＨＡＯ ｕｎ ｈ ｉ Ｗ ＡＮＧ —ｅ Ｂａ — ｈｉ Ｃｈ － ｕ ， Ｙｕ ｌｉ
Ｃ ｌ ｇ ｆＩｆｒ ｔ ｎａ ｄ Ｃ ｍｍｕ ｉａｉｎ Ｈａｂｎ Ｅ ｇｎ ｅｉｇ Ｕ ｉｅｓｔ， ｒ ｉ １ ０ ０ ，Ｃ ｉａ ｏｌ ｅｏ ｏ ｍａｉ ｎ ｏ ｅ ｎ ｏ ｎ ｃｔ ， ｒｉ ｎ ｉ ｅｒｎ ｎｖｒｉ Ｈａ ｂｎ ０ １ ｈｎ ｏ ｙ ５
ｔ ｅ ｈ ｐ ｃ ｒ ｌｂ ｎ ｓ ｏ ｙｐ ｒ ｐｅ ｔ ａ ｍ ａ ｅ ｙ ｎｏ ａ ｙ ｔ ｒ ｅ ｓ ａ ｅ ｄ ｔ ｃ ｅ ｗｅ ｎ ｔ ｅ ｓ ｅ ｔ ａ ａ ｄ ｆ ｈ ｅ ｓ ｃ ｒ ｉ ｇ ｒ ，ａ ｍ ｌ ａ ｇ ｔ ｒ ｅ ｅ ｔ ｄ．Ｔｈ ｅ ｕ ｔ ｈ ｗ ｈａ ｈ ｌ ｅ ｒ ｓ ｌｓ ｓ ｏ ｔ ｔ ｔ ｅ ｐ ｏ ｓ ｄ ａ ｇ ｒｔ ｍ ａ ｍｐｒ ｖ ｅ ｅ ｔｏ ｅ ｆ ｒ ａ ｅ ａ ｅ ｒ ａ ｅ ｆ ｌｅ ａ ａ ｍ ｒ ｂａ ｉ ｔ ． ｒ ｐｏ ｅ ｌ ｏ ｉｈ ｃ ｎ ｉ ｏ ｅ ｄ ｔ ｃ ｉ ｎ ｐ ｒｏ ｍ ｎｃ ｎｄ ｄ ｃ ｅ ａ ｓ ｌ ｒ ｐ ｏ ｂ ｌ ｙ ｓ ｉ
ａ ｕ ｄ ｎ ａ ｇ ｔ ｉ ｆ ｒ ａ ｉ ｎ ｗｈ ｌ ｆ ｃ ｉ ｅ ｙ ｓ ｐ ｒ ｓ ｅ ｈ ａ ｋ ｏ ｎ ｎ ｅ ｆ ｒ ｎ ｅ ｂ ｎ ａ ｔｔ ｒ ｅ ｎ ｏ ｍ ｔ ｏ ｉ ｅ ｅ ｔｖ ｌ ｕ ｐ ｅ ｓ ｓ ｔ ｅ ｂ ｃ ｇ ｕ ｄ ｉ ｔ ｒ ｅ ｅ ｃ ．Ｔｈ ｒ ｏ ａ ｕ ｉ ｈｅ ｅ ｒ ｅ ｅ ｒ ｒｄ ｔ ｍ ｓｔ ｎ ｍ ａ ｅ ｎ ｏ ａ ｈ ｇ — ｉ ｎ ｉ ｎ ｌｆ ａ ｕ ｅ ｓ ｃ ｔ ｏ ｌ ｅ ｒ Ｓ ｐｐ ｄ ｉ ｔ ｉ ｈ ｄ ｍｅ ｓｏ ａ ｅ ｔ ｒ ｐａ ｅ ｗｉｈ ｎ ｎ ｉ ａ ＶＤＤ ． ｘ ｌ ｉｉ ｇ ｎ ｎ ｉ ｅ ｒｉ ｆ ｒ ａ ｉ ｎ ｂｅ ｎ Ｂｙ ｅ ｐ ｏ ｔｎ ｏ ｌ ａ ｎ ｏ ｍ ｔｏ － ｎ
能 力 ，降低 了虚 警 率 ．
关键词 ： 光谱解混 ；支持向量 数据描述 ； 常检测 异
中图分类号： Ｐ ５． Ｔ ７１ １
文章编号： ２５８９ （ １）１ ０２０ ０ ５．２７２ ２０． ８．７ ０ ０
Ｓ Ｄ Ｄ ｌ ｏ ｉｈｍ ｉｈ Ｓ ｃ ｒ ｌＵ ｎｍ ｉ ｉ ｇ ｆ ｒ Ａ ｎ ｍ ａ ｙ Ｄ ｅ ｅ ｔ ｏ Ｖ Ａ ｇ ｒｔ ｗ ｔ ｐｅ ｔ ａ ｘ ｎ ｏ ｏ ｌ ｔ ｃ ｉｎ ｉ ｙ ｒ ｐｅ ｔ ａ ｍ ａ ｅ ｎ Ｈ ｐｅ ｓ ｃ ｒ ｌＩ ｇ ｓ
Ｖｏ ．３ Ｎｏ．１ １ ０ Ｊ ． ０ ２ ａｎ ２ １
Ｄ ： ０３６ ／．ｓ． ５—２７２ １．１ １ ＯＩ １． ９ｊｓｎ０ ５８９ ． ２ ． ３ ９ ｉ ２ ０ Ｏ０
结合光谱解 混的高光谱 图像异 常 目标检测Ｓ ＶＤＤ算法
成宝芝， 赵春 晖， 王 玉磊
哈 尔滨工程大 学 信 息与通信工程 学院，哈 尔滨 １ ０ ０ ５０ １
摘 要 ：异常 目 标检测是高光谱数据处理 的重要应用之一． 传统方法采用支持 向量数据描述（ ｐ ｏｔ ｅｔｒ ａａ ｓ ｐ ｒ ｖｃｏ ｔ ｕ ｄ ｄｓｒ ｔ ｎ Ｓ Ｄ ） 测异常 目标而 不考虑 图像 自身存在 的背景干扰 ， ｅ ｉ ｉ ， Ｖ Ｄ检 ｃｐｏ 检测概率较低 ． 该文提 出一种新方法 ， 将光
谱解混技术 引入到基于Ｓ ＶＤＤ的异常检 测问题中 ，实现 高光谱 图像复杂背景信 息和 目标信息 的分离 ，使解混后 的 误差数据含有 丰富的 目标信息 ， 抑制 了背景干扰 ． 利用非线性Ｓ ＶＤＤ将解 混误差数据映射到高维特征空间，充分利 用高光谱图像波段间的非线性统计特 性，完成异常 目标的检测． 仿真 实验结果表 明， 该算法提高 了异常 目标 的检测
ｓｒ ｔ ｎ（Ｖ Ｄ） ａ ｌ ｉ ｌ ｌ ｅ ｃ ｏ ｒｂ ｂｌｙｉ ｈｐ ｒ ｅｔａ ａ ｏ ａ ｅｅｔ ｎ ｏｓｌ ｅ ｃｉ ｉ Ｓ Ｄ ｈ ｒ ａ ｖ ｙ ｏ ｄｔ ｔ ｎｐｏ ａ ｉ ｙ ｅ ｐｃｒｌ ｎ ｍ ｌ ｄｔｃｉ ．Ｔ ｖ ｔ ｐｏ ｓ ｅｔｅ ｗ ｅ ｌ期
２ １ 年１ ０ ２ 月
应
用
科
学
学
报
Ｊ Ｕ Ｒ ＮＡ Ｌ Ｏ Ｆ Ａ ＰＰ Ｌ Ｅ Ｄ Ｏ Ｉ ＳＣＩ ＮＣ ＥＳ — Ｅｌ ｃ ｒ ｎ ｃ ｎ ｎｆ ｒ ａ ｉ ｎ Ｅｎｇ ｎ ｅ ｉ ｇ Ｅ — ｅ ｔｏ ｉｓａ ｄ Ｉ ｏ ｍ ｔｏ ｉ ｅ ｒｎ
Ａ ｂｓ ｒ ｃ ：Ｗ ｉｈ ｕ ｏ ｓｄ ｒｎ ａ ｋ ｒ ｕ ｄ ｉ ｔ ｒｅ ｅ ｃ ｓ ｔ ｅ ｃａ ｓｃ ｌ ａ ｇ ｒｔ ｔａｔ ｔ ｏ ｔ ｃ ｎ ｉ ｅ ｉ ｇ ｂ ｃ ｇ ｏ ｎ ｎ ｅ ｆ ｒ ｎ ｅ ， ｈ ｌ ｓ ｉ ａ ｌ ｏ ｉｈｍ ｆ ｓ ｐｐ ｒ ｅ ｔ ｒ ｄ ｔ — ｏ ｕ ｏ ｔ ｖ ｃ ｏ ａ ａ ｄｅ
ｔ ｒ ｅ ｎｆ ｒ ａ ｉ ｎ ｆｏ ｃ ｍ ｐ ｉ ａ ｅ ａ ｋ ｏ ｎｄ ｃ ｕ ｔ ｒ Ａｆｅ ｐ ｃ ｒ ｌ ｕ ｍ ｉ ｉ ， ｈ ｒ ｏ ａ ｕ ｎ ｌ ｄ ｓ ａ ｇ ｔ ｉ ｏ ｍ ｔｏ ｒ ｍ ｏ ｌ ｔ ｄ ｂ ｃ ｇ ｕ ｌ ｔｅ ． ｃ ｒ ｔ ｒ ｓ ｅ ｔ ａ ｎ ｘ ｎｇ ｔ ｅ ｅ ｒ ｒ ｄ ｔ ｍ ｉ ｃ ｕ ｅ