基于主分量分析的高光谱遥感数据噪声消除方法

高光谱遥感数据是一种超维数据,噪声随机地存在于其多个通道图像上,而某些特征谱段图像的信噪比在很大程度上影响着具体的光谱特性分析的准确性,高信噪比意味着地物探测或识别的高准确性;提出了一种新颖的基于小波-PCA分析的高光谱遥感数据噪声消除方法,首先对高光谱各波段图像进行二维小波分解,然后将各小波子图像进行主分量分析,根据噪声特性自适应选取主分量进行PCA重构;得到去噪后小波图像,最后进行小波重构。通过对OMIS图像的实验结果表明,该方法不但可以有效地消除高光谱遥感数据中的噪声,改善图像的信噪比,还能比较完整地保留原有高光谱数据的空间和光谱特性,且性能上要优于PCA方法和小波分析方法。     

基于单片机的智能水下目标检测识别系统设计

本文设计了一款智能水下目标检测识别系统,该智能水下目标检测识别系统以jetson tx2为主控核心,通过电脑控制水下目标检测识别系统,实现水下目标物体的检测和识别。该系统通过双目摄像头将采集到的图像信息传递给图像识别模块,图像识别模块将图像中的目标物体进行标记,通过socket模块将目标物体检测识别信息和深度信息传输至电脑,从而为今后水下机器人自主抓取提供更多有效的信息。在海产品捕捞领域,该智能水下目标检测识别系统可以检测并识别水下海产品,并提供海产品位置等有效信息,这对今后提升海产品捕捞的自动化程度有重要意义。相对于传统的人工捕捞,智能水下目标检测识别系统不仅可以提升水下捕捞效率,降低捕捞成本,还可以大幅降低潜水员因长期水下工作罹患职业病的风险。     

一种结合波段分组特征和形态学特征的高光谱图像分类方法

如何准确识别图像中的类别信息,是计算机视觉和模式识别领域的重要研究问题。遥感卫星图像数据,尤其是高光谱等遥感图像数据的出现,将空间信息与光谱信息集成于同一数据集中,丰富了图像信息来源。如何准确地识别高光谱图像中的地物类别,已经成为了图像处理和模式识别领域的热点问题。面向高光谱图像数据提出了一种基于波段分组特征和形态学特征的高光谱图像分类方法,结合空间和光谱特征提高分类精度。通过真实的高光谱数据实验证明:利用波段分组可以有效地保持光谱特征,降低数据冗余;在波段分组基础上结合形态学特征进行分类,比传统分类方法的分类精度明显提高。     

基于主动轮廓模型的玉米种子高光谱图像分类

提出将主动轮廓模型(Active contour model,ACM)应用于玉米种子的高光谱图像分割中.首先,通过高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,利用基于主动轮廓模型的图像分割法对玉米种子高光谱图像提取目标区域轮廓,得到单波段下每粒玉米种子12个形状特征参数,然后通过主成分分析法(Principal component analysis,PCA)对特征数据降维,结合波段间的相关性选出12个最优波段,最后利用误差反向传播(Back propagation,BP)神经网络模型进行建模分类,与传统的阈值分割法相比,取得了更好的分类效果.研究结果为高光谱图像目标轮廓提取提供了一种新方法.     

基于同质性降维和CMP算法的高光谱图像分类

针对高光谱数据维数高,波段间冗余信息大的问题,提出一种基于同质性降维和组合匹配追踪算法的高光谱图像分类方法。该方法首先利用均值漂移算法对高光谱图像进行分割得到同质性图像块,对同质性的图像块进行流行学习得到降维映射函数,然后由降维后的高光谱数据训练稀疏最小二乘支持向量机分类模型,为避免正交匹配追踪稀疏重构算法迭代次数多的缺点,提出一种基于组合匹配追踪的稀疏重构求解方法。通过高光谱数据的分类结果可以得出,该方法有效提高了高光谱图像的分类精度。     

多任务的高光谱图像卷积稀疏编码去噪网络

目的 高光谱图像由于其成像机理、设备误差和成像环境等因素导致采集到的数据存在噪声。传统稀疏表示方法需要把高光谱图像划分为一系列的重叠局部图像块进行表示,通过对重叠图像块去噪结果进行平均,实现整体图像去噪。这种局部—整体去噪方法不可避免地会破坏高光谱图像空间关系,产生较差的去噪效果和视觉瑕疵。本文利用卷积算子的平移不变性,采用卷积稀疏编码（convolutional sparse coding,CSC）对高光谱图像进行整体表示,保留不同图像块之间的空间关系,提升高光谱图像去噪性能。方法 将每个波段去噪看做单任务,采用卷积稀疏编码描述单波段的局部空间结构关系。通过共享稀疏编码系数,实现不同波段之间的全局光谱关联关系建模,形成多任务卷积稀疏编码模型。多任务卷积稀疏编码模型一方面可以实现高光谱图像的空间—光谱关系联合建模;另一方面,对高光谱图像进行整体处理,有效地利用图像块之间的关系,因此具有很强的去噪能力。借鉴深度学习强大的表征能力,将多任务卷积稀疏编码模型的算法迭代过程通过深度展开（deep unfolding）方式转化为端到端可学习深度神经网络,即多任务卷积稀疏编码网络（multitas...     

一种利用均值匹配改进的高光谱异常检测方法

传统高光谱异常检测算法由于背景信息估计不准确等原因普遍存在高虚警率的问题,针对这一现象,提出了一种利用图像均值进行匹配改进的高光谱异常目标检测后验处理方法。首先采用传统的高光谱异常检测算法将待检测高光谱图像划分为背景与异常目标潜在区域,之后通过对待测图像求解均值,将其与异常目标潜在区域像元进行相似性匹配计算,剔除大范围误检像元,得到最终检测结果。该方法在传统异常目标检测算法基础上进行相似度量剔除大范围虚警像元,在提高原算法探测能力的同时有效地降低虚警率。实验表明,该方法可以有效降低虚警率,提高原算法对于亚像元异常目标的检测能力,且对于不同算法、不同数据具有普适性。     

高光谱图像低秩表达与噪声水平估计

目的 高光谱遥感图像常存在多种不同程度的退化,进而影响到后续的应用,因此,对高光谱图像进行噪声水平估计具有重要意义。在实际情况中,不同波段的图像噪声水平常有所差异,需要针对不同谱通道的特性差异进行噪声估计。因此,本文提出一种基于低秩表达的噪声水平估计算法。方法 该算法首先利用多波段图像间的光谱相关性,建立高光谱数据的低秩表达模型;再通过该模型对各波段的噪声及其水平进行估计,并根据需要检测并剔除被噪声淹没的无效波段。结果 在多组高光谱数据上进行模拟和真实实验,证明本文算法能够准确估计高光谱图像的谱通道噪声水平。结论 本文算法挖掘了低秩表达在高光谱应用中的特性,在利用波段间相关性进行全局处理的同时,也能保留波段间的差异,具有较强的鲁棒性;在合适的阈值范围内,无效波段的漏检率低至0,准确率高于80%。     

基于图像差分的自适应背景建模高光谱目标检测

高光谱图像背景建模的好坏会直接影响目标检测的效果。为了建立适宜目标检测算法的背景,提出了一种基于图像差分的自适应背景建模方法。首先对地物光谱特征点所在波段图像进行差分,之后根据差分结果的正负关系进行0、1编码,再对图像进行初步分类后进行闭运算处理,最后建立背景用于目标检测。通过异常检测和目标识别的实验,证明了该方法能够大幅提高目标的检测率,减少误警率,并提高了运算速度。     

地面、图像光谱数据的预处理

在高光谱遥感研究中，需要地面光谱和图像光谱的结合分析处理。地面光谱的正确采集，两种光谱数据的预处理，由于与分析过程的直接联系不大，往往被忽视。其实地面和遥感所采集的原始数据并不能直接用于分析，对其的预处理涉及到格式转换、数据消噪等问题，这些都是高光谱科学分析研究的前提，关系到结果的正确性。虽然目前介绍光谱分析研究的文章和书籍很多，但是完整介绍光谱采集和预处理，并可用于实践的甚少。对于刚刚涉入高光谱领域的同学和老师，对此类问题经常感到迷茫。作者在近些年内参加了多次地面光谱采集和遥感飞行试验，对大量的地面光谱和图像光谱进行预处理。主要讲述作者通过实践过程中摸索比较，总结出的简单易行、能获得较好效果的光谱预处理方法 ,同时介绍光谱采集的正确方法。地面光谱数据为ASD-FR2500采集数据(该种野外光谱仪在国内外比较普遍)，图像数据为OMIS图像。其它光谱仪或者遥感成像仪器的数据可以类似处理。     

基于主分量和独立成分分析的多光谱目标检测

不同材料的物体具有不同的光谱特性, 基于这一原理, 可以利用多光谱图像数据对不同的目标进行检测。对于具有相似或相同外形特征( 颜色和形状) 的物体, 利用全色图像一般达不到检测与识别的目的; 利用传统的多光谱目标检测方法, 则因计算量较大, 识别精度低等, 达不到满意的效果。提出了一种基于主分量与独立成分分析相结合的多光谱目标检测的新方法。通过对多光谱图像数据进行主分量分析, 可以降低多光谱的维数, 去掉冗余成份, 保留其主要信息; 对降维后的数据再进行独立成分分析, 提取各种目标的光谱特性, 实现目标的检测与识别。将这两种方法有机的结合起来, 发挥各自的优点, 实现对多光谱图像目标快速的检测与识别。以真假树叶( 真树叶和塑料树叶) 为例, 验证了该方法的有效性和正确性。     

一种基于物理机理的高光谱遥感图像真彩色校正模型

针对高光谱遥感影像由于各波段光谱范围窄,难以获得符合人们视觉效果的真彩色合成影像问题,提出一种基于物理机理的高光谱遥感图像真彩色校正模型。该模型充分利用高光谱影像在红、绿、蓝反射区的所有谱段信息,通过插补波段并进行波段加权积分重建真彩色合成图像,进而结合实测地物反射率光谱,利用辐射传输模拟的方式,构建具备普适性的真彩色校正模型。利用航空高光谱遥感影像进行色彩校正实验的结果表明,所构建的真彩色校正模型能够很好地应用于高光谱遥感影像真彩色校正。     

Target detection based on a dynamic subspace

For hyperspectral target detection, it is usually the case that only part of the targets pixels can be used as target signatures, so can we use them to construct the most proper background subspace for detecting all the probable targets? In this paper, a dynamic subspace detection (DSD) method which establishes a multiple detection framework is proposed. In each detection procedure, blocks of pixels are calculated by the random selection and the succeeding detection performance distribution analysis. Manifold analysis is further used to eliminate the probable anomalous pixels and purify the subspace datasets, and the remaining pixels construct the subspace for each detection procedure. The final detection results are then enhanced by the fusion of target occurrence frequencies in all the detection procedures. Experiments with both synthetic and real hyperspectral images (HSI) evaluate the validation of our proposed DSD method by using several different state-of-the-art methods as the basic detectors. With several other single detectors and multiple detection methods as comparable methods, improved receiver operating characteristic curves and better separability between targets and backgrounds by the DSD methods are illustrated. The DSD methods also perform well with the covariance-based detectors, showing their efficiency in selecting covariance information for detection.     

A real-time unsupervised background extraction-based target detection method for hyperspectral imagery

Target detection is an important technique in hyperspectral image analysis. The high dimensionality of hyperspectral data provides the possibility of deeply mining the information hiding in spectra, and many targets that cannot be visualized by inspection can be detected. But this also brings some problems such as unknown background interferences at the same time. In this way, extracting and taking advantage of the background information in the region of interest becomes a task of great significance. In this paper, we present an unsupervised background extraction-based target detection method, which is called UBETD for short. The proposed UBETD takes advantage of the method of endmember extraction in hyperspectral unmixing, another important technique that can extract representative material signatures from the images. These endmembers represent most of the image information, so they can be reasonably seen as the combination of targets and background signatures. Since the background information is known, algorithm like target-constrained interference-minimized filter could then be introduced to detect the targets while inhibiting the interferences. To meet the rapidly rising demand of real-time processing capabilities, the proposed algorithm is further simplified in computation and implemented on a FPGA board. Experiments with synthetic and real hyperspectral images have been conducted comparing with constrained energy minimization, adaptive coherence/cosine estimator and adaptive matched filter to evaluate the detection and computational performance of our proposed method. The results indicate that UBETD and its hardware implementation RT-UBETD can achieve better performance and are particularly prominent in inhibiting interferences in the background. On the other hand, the hardware implementation of RT-UBETD can complete the target detection processing in far less time than the data acquisition time of hyperspectral sensor like HyMap, which confirms strict real-time processing capability of the proposed system.     

样本仿真结合迁移学习的声呐图像水雷检测

水雷检测对于国防安全具有重要意义,然而,由于水下目标声呐成像实验代价较大,通常难以获得足够的水雷声呐图像样本,因此导致难以应用深度神经网络提高水雷等目标的检测精度。针对这一问题,提出样本仿真结合迁移学习的侧扫声呐图像水雷目标检测与识别方法。首先,根据侧扫声呐成像机理,建立水雷目标的仿真模型,进而仿真得到大量水雷目标样本;然后,采用大型广源域数据集ImageNet对深度卷积神经网络进行预训练,再用真实水雷样本和仿真水雷样本对深度卷积神经网络进行微调以适应水雷目标;最后,将微调后的深度卷积神经网络作为目标检测的基准网络,并进行目标检测训练;采用真实的水下水雷声呐图像数据对训练完成的网络进行验证和比较。实验结果表明,提出的基于样本仿真和迁移学习的侧扫声呐图像水雷目标检测方法能够更好地检测水雷目标,优于传统的特征提取及检测方法及只采用真实样本进行训练的检测方法,对于水下目标检测具有借鉴意义。     

基于小波变换和形状-增益矢量量化的3维图像压缩

数据压缩是高光谱图像处理应用中的一个关键问题。为了对高光谱图像进行有效压缩，在2维小波变换的基础上，提出了一种分组矢量量化的高光谱图像有损压缩方案。该方案首先按照谱段类型对高光谱图像进行分组，然后对每个谱段分别进行2维小波变换，最后变换系数再使用一种Kronecker-Product形状-增益矢量量化方法来进行量化编码。计算机仿真结果证明．该算法在取得高压缩率的同时，不仅能很好地保持数据的谱特征，并能降低运算量。     

基于高维几何特性的高光谱异常检测算法研究

提出了一种新的高光谱图像异常检测算法。作为一种多元数据集合,高光谱数据一般呈现出共超平面的几何特性,我们利用这一特点来求取垂直于超平面的法线矢量,并将数据投影到这一法线矢量方向,从而分离出异常点,达到异常检测的目的。本算法适合于对小目标的检测,且不需要先验的光谱信息。对算法的可行性进行了仿真并将它应用于高光谱数据,取得了较好的结果。     

Kernel-based regularized-angle spectral matching for target detection in hyperspectral imagery

Target detection is one of the most important applications of hyperspectral imagery in the field of both civilian and military. In this letter, we firstly propose a new spectral matching method for target detection in hyperspectral imagery, which utilizes a pre-whitening procedure and defines a regularized spectral angle between the spectra of the test sample and the targets. The regularized spectral angle, which possesses explicit geometric sense in multidimensional spectral vector space, indicates a measure to make the target detection more effective. Furthermore Kernel realization of the Angle-Regularized Spectral Matching (KAR-SM, based on kernel mapping) improves detection even more. To demonstrate the detection performance of the proposed method and its kernel version, experiments are conducted on real hyperspectral images. The experimental tests show that the proposed detector outperforms the conventional spectral matched filter and its kernel version.     

基于最小噪声分离变换的高光谱异常检测方法研究

RX算法和核RX算法能很好地分离目标和背景,是较为广泛使用的异常检测算法,但是高光谱图像数据量大且存在冗余信息和噪声,直接进行RX及核RX异常探测运算量大且容易受噪声影响.针对此问题,提出一种基于最小噪声分离变换的高光谱图像异常检测方法,首先采用残差分析法估计噪声协方差矩阵以改进最小噪声分离变换,然后利用改进后的最小噪声分离变换来有效地降低高光谱图像数据的维数并分离出噪声,最后对低维降噪后的数据进行RX及核RX异常检测,避免了随机噪声对RX及核RX异常检测结果的影响并提高了异常检测率.对真实的AVIRIS数据测试表明,该算法优于传统的相应的RX、核RX异常检测算法.     

高光谱影像的BDT-SVM地物分类算法与应用

面对海量数据的特征空间高维性及训练样本的有限性,高光谱遥感影像若采用常规统计模式的分类方法难以获得较好的分类结果。因此探讨支持向量机(SVM)分类器的基本原理,针对EO-1Hyperion高光谱影像的分类特点及现有多类SVM算法所存在的训练时间长及分类精度低等问题,引入二叉决策树SVM(BDT-SVM)分类算法,并提出一种新的类间分离度定义方法及相应的客观确定二叉树结构的策略,由此生成改进的BDT-SVM算法。实验结果表明:与其他多类分类方法相比,基于改进的BDT-SVM算法的高光谱影像地物分类效果更好,总体精度达到90.96%,Kappa系数为0.89,该算法还解决了经典SVM多类分类可能存在的不可分区域问题。