高光谱影像小目标谐波分析探测模型

针对高光谱影像小目标探测问题,结合白化处理(WP)与约束能量最小化(CEM)算法,提出一种基于谐波分析(HA)的小目标探测新模型,即HA-WP-CEM模型.该模型首先对原始影像进行3次谐波分析,提取出最适合小目标探测的高光谱影像谐波分析余项、振幅和相位等7个能量谱特征成分.其次通过对谐波分析特征成分的白化处理,实现各特征成分的背景抑制,突出低概率的小目标信息.在采集白化数据的探测目标参考像元光谱之后,将参考光谱矢量和白化数据协方差矩阵输入CEM算子,得到小目标的探测结果.最后利用高分辨率影像进行定性评价,并选取3个重点区域,通过计算模型探测结果的信噪比、探测率、漏检率和虚警率进行定量评价.研究结果表明,HA-WP-CEM探测模型在运行简易性、可靠性、实用性和准确性等方面均明显优于直接采用CEM、WP-CEM等方法.同时该模型在数据变换、抑制背景、降噪等方面也达到了很好的效果.     

基于支持向量回归的高光谱影像目标探测

高光谱影像目标探测可视为一个分类问题,本文通过揭示支持向量回归(SVR)与支持向量分类(SVC)之间的关系,证明了SVR用于分类的可行性,并以此为根据提出了一种基于SVR的目标探测算法,该算法利用虚拟维数得到端元个数的估计,结合端元选择和线性混合模型生成训练样本替代从影像中选择的训练样本,因而减少了对影像先验知识的依赖。采用模拟数据和由AVIRIS获得的高光谱影像对本文算法进行了检验,结果令人满意。     

高光谱目标探测的进展与前沿问题

针对高光谱目标探测问题的主要挑战,将高光谱目标探测的进展与前沿问题分为两个方面进行综述。基于信号检测理论的方法如结构化背景的约束能量最小化方法、非结构化背景的自适应一致性余弦评估器等,是高光谱目标的探测经典算法;随着统计模式识别与机器学习领域中新技术的出现,一些数据驱动的目标探测方法逐渐成为了高光谱目标探测的前沿问题,如核方法、稀疏表达方法等。概述了两类方法的特点,比较了各自的优势和不足,并展望了高光谱目标探测未来的发展趋势。     

高光谱遥感异常目标探测方法性能对比分析

本文利用高光谱遥感异常目标探测理论,探讨了目前已有的几种异常目标探测方法;通过对3组数据进行试验,并从探测率和虚警率、ROC曲线及其下的面积及算法的运行时间,对几种异常检测算法的检测性能进行对比分析;最后基于统计模型和基于表示模型对3组数据的检测效果进行对比分析,从而得出适合于不同数据的检测方法,为高光谱遥感异常目标探...     

高光谱目标探测中的空间和光谱尺度效应

高光谱遥感目标探测主要利用目标和背景的光谱特征差异进行目标识别。一般情况下,影像的空间和光谱分辨率越高,探测效果越好。但多数情况下空间和光谱分辨率难以同时满足需求。针对该问题,本文利用Field Imaging Spectrometer System(FISS)地面高光谱成像仪器,通过在稀疏草地上布设人工绿色目标,研究了目标和背景光谱相似情况下,单一均匀背景下小目标探测问题,提出空间和光谱尺度定量分析方法,得到目标探测适用的空间和光谱尺度。结果表明:(1)利用FISS高光谱仪器进行人工目标探测,所需的空间分辨率约为目标尺寸的2倍以内;(2)当光谱分辨率优于40 nm时,目标和背景的两个主要特征:反射峰的位置和波段趋势差异均可被描述,在原始空间分辨率5倍(0.85 cm)以内,探测精度可以达到0.94以上。由于反射峰间距20 nm,当光谱分辨率低于40 nm时,该特征消失,造成探测精度的下降;(3)当光谱分辨率低于40 nm时,选取目标、背景光谱特征差异较大的波段可提高探测的有效性,在舍弃目标背景相似波段后,探测精度上升,得到本实验的最佳波段组合为红、绿、蓝、黄及红边波段。     

高光谱遥感影像异常目标检测研究进展

随着航空航天技术与遥感技术的不断发展,遥感影像在诸多领域的应用不断拓展,其中高光谱分辨率遥感影像具有“图谱合一”的特点,即该数据既包含了具有强大区分性的地物光谱信息,又包含了丰富的地物空间位置信息,因此高光谱数据具有非常大的应用潜力。高光谱异常目标检测问题,是在对目标先验信息未知的前提下,根据光谱与空间信息实现对区域中的异常目标的进行“盲”检测,因此其在资源调查、灾害救援等领域发挥了巨大的作用,是遥感领域非常重要的研究课题。本文针对高光谱遥感影像异常目标检测研究方向,首先总结阐述了目前高光谱异常目标检测问题的主要研究进展,根据算法原理的不同对现有主流算法进行了分类与总结,主要分成了基于统计学、基于数据表达、基于数据分解、基于深度学习等不同的种类的方法,并对每类方法的特点进行分析。随后通过对现有方法的调研、分析与总结,提出了数据库拓展、多源数据融合、算法实用化等高光谱异常检测研究未来发展的3个方向。     

高光谱图像目标检测算法分析

本文将国内外的高光谱图像目标检测算法分为光谱异常检测、光谱匹配检测和高光谱与高空间分辨率结合目标检测三种检测算法,分析了三种检测算法的原理、应用特点和局限性,并探讨了目标检测算法的发展的可能性。     

面向对象的高光谱影像目标识别方法

将面向对象影像分析和决策树方法综合应用于高光谱遥感影像的目标提取,在分析待提取地物特征的基础上,总结归纳其特性知识,构建分类规则,设计和实现决策树以完成目标识别。该方法充分应用分割所得到的均质对象的位置、形状、纹理等特征实现了决策规则提取和决策树构建,在应用OMIS和PHI影像进行目标识别的实践中取得了很好的效果。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

高光谱影像子空间分析孤立森林异常目标探测方法

复杂的背景信息和高维冗余波段是影响高光谱遥感影像异常目标检测精度的重要因素.本文针对高光谱影像异常目标提取提出了一种子空间分析孤立森林探测方法.该方法不对背景做高斯分布假设,通过正交子空间分析增强输入特征影像中潜在异常目标与背景之间的对比度,通过主成分分析法降维来降低孤立森林算法带来的不确定性,运用了全局和局部结合的思...     

一种基于非线性主成分分析的高光谱图像目标检测方法

目标探测是高光谱图像的重要应用之一.目前已经有了很多的目标探测算法,然而这些算法要求目标与背景是线性可分的.在实际的高光谱数据中,这一要求往往难以满足.本文提出了一种基于非线性主成分分析的高光谱图像目标探测算法.该方法先利用神经网络将高光谱图像进行非线性降维,从而使得在降维后的数据中目标与背景线性可分;然后使用约束能量最小化算法进行目标探测,为了取得较好的目标探测效果,保留了图像原始的特征.针对模拟数据和真实高光谱图像数据的试验表明,基于神经网络的非线性主成分分析可以将线性不可分的目标与背景分离.使用非线性特征和原始特征的组合可以获得更好的目标探测效果.     

采用小波和分形维的高光谱遥感影像特征提取

由于omis影像128个波段间具有较强的相关性,可对高光谱响应曲线采用小波分解,用噪声较小波段的部分高频信息代替噪声较大波段的相应高频信息对其进行小波降噪。再对降噪后的影像采用db4函数进行7级小波分解,对各级小波系数取一范数后,用最小二乘法对各级分解对应的范数在半对数坐标系下线性拟合,根据直线斜率求取各像元分维值,最后实现分类。通过实验,证明了此方法的有效性。     

基于局域自适应信息理论测度学习的高光谱目标探测方法

传统基于信号检测的目标探测方法需要依赖特定的统计假设,只有在符合条件的情况下才能取得较好的目标探测结果。为了克服这一缺陷,提出了一种基于局域自适应的信息理论测度学习方法。首先将信息理论测度学习方法作为目标主函数,然后加以局域自适应决策法则进行约束,自适应地减小相似样本对距离,增大不相似样本对距离,使得在考虑阈值的同时兼顾测度学习前后距离的改变情况来进行目标探测决策,从而更好地实现目标探测。实验证明,该方法与其他经典目标探测方法或测度学习方法相比,可以更好地实现目标与背景分离,能够更有效地对高光谱影像数据进行目标探测。     

基于光谱相关性的SVM高光谱遥感影像分类

根据高光谱遥感影像数据特点,首先利用光谱相关性进行特征选择,然后引进SVM进行高光谱遥感影像分析解译,最后利用AVIRIS影像进行试验,结果显示分类精度和时间比常规方法都有很大改善。     

利用ICA正交子空间投影加权的高光谱影像目标探测算法

提出了一种利用独立成分分析（ICA）正交子空间投影加权的高光谱影像目标探测方法。该方法从影像像元集合的独立成分入手,通过一种光谱相似性测度加权,赋予每个像素合适的权值,从而有效地解决从原始影像中无法正确提取背景数据而造成的虚警概率高的问题。实验结果表明,相比于经典的CEM方法,在相同的探测概率下,该方法能降低1.97%的虚警概率;与相关目标探测算法相比,所提出的算法具有较好的目标探测效果。     

采用张量子空间的高光谱影像多维滤波算法

提出一种基于张量子空间的多维滤波算法,将其应用于高光谱遥感影像降噪。该方法将高光谱影像数据视为三阶张量,引入张量数据表达,通过张量子空间分解将含噪影像投影到信号子空间,根据影像信号与噪声在子空间中分布的不同滤除噪声并保留原始影像的信号成分。利用该算法作用于多组含噪高光谱数据,对比逐波段二维维纳滤波算法、小波降噪算法等传统数字图像降噪算法的结果,试验证明了这种新型降噪算法的有效性。     

采用张量子空间的高光谱影像多维滤波算法

本文提出了一种基于张量子空间的多维滤波算法,将其应用于高光谱遥感影像降噪。该方法将高光谱影像数据视为三阶张量,引入张量数据表达,通过张量子空间分解将含噪影像投影到信号子空间,根据影像信号与噪声在子空间中分布的不同滤除噪声并保留原始影像的信号成分。利用该算法作用于多组含噪高光谱数据,对比逐波段二维维纳滤波算法、小波降噪算法等传统数字图像降噪算法的结果,实验证明了这种新型降噪算法的有效性。     

高光谱遥感及其影像空间结构特征分析

分析了高光谱遥感技术相对于传统的低光谱分辨率遥感的特点,以及其在环境监测等领域的应用。然后分析了高光谱影像的空间结构特征,并指出高光谱影像的空间结构特征在实际应用中也具有很重要的意义。最后,本文使用了统计学分析方法对实验影像的空间结构特征进行了分析,并提出了一个可用于描述高光谱影像空间特征的统计学参数。     

高光谱遥感影像矿物自动识别与应用

在对矿物光谱特征理解与归纳的基础之上，对矿物光谱特征进行知识化表达，利用数理逻辑和一定的判别规则实现对高光谱遥感影像矿物的自动识别与批量化信息提取。在ENVI平台上，利用IDL语言开发了高光谱遥感影像矿物分层自动识别模（Mineral Auto-identification Module Basedon Spectral Identification Tree：MAIM-SIT）。该模块已经在新疆东天山哈密地区利用HyMap数据、西藏驱龙地区利用Hyperion数据以及美国Cuprite地区利用AVIRIS数据成功地进行了矿物识别，可识别的矿物或矿物组合可达10种以上，基本实现了高光谱矿物信息提取的智能化与批处理能力。     

结合Gram-Schmidt变换的高光谱影像谐波分析融合算法

针对高光谱影像谐波分析融合(HAF)算法在影像融合时不顾及地物光谱曲线整体反射率这一缺陷,提出了结合Gram-Schmidt变换的高光谱影像谐波分析融合(GSHAF)改进算法。GSHAF算法可在完全保留融合前后像元光谱曲线波形形态的基础上,将高光谱影像融合简化为各像元光谱曲线的谐波余相组成的二维影像与高空间分辨率影像之间的融合。它是在原始高光谱影像光谱曲线被谐波分解为谐波余项、振幅和相位后,首先将其谐波余项与高空间分辨率影像进行GS变换融合,这样便可有效地修正融合后像元光谱曲线的反射率特征,随后再利用该融合影像与谐波振幅、相位进行谐波逆变换,完成高光谱影像谐波融合。本文最后利用Hyperion高光谱遥感影像与ALI高空间分辨率影像对GSHAF算法进行可行性分析,再以HJ-1A等卫星数据对其进行普适性验证,试验结果表明,GSHAF算法不仅可以完全地保留光谱曲线波形形态,而且融合后影像的地物光谱曲线反射率更接近真实地物。