基于混合噪声估计的高光谱图像异常检测方法

随着光谱分辨率越来越高,高光谱图像更容易受到噪声的干扰,直接用传统的检测算子会产生较高的虚警.针对RX算法存在较大噪声干扰的问题,提出了一种基于混合噪声评估的RX异常检测方法.首先对高光谱图像进行分块,利用滤波的思想选取均匀图像块;考虑图像光谱-空间信息,运用多元线性回归分析对均匀图像块进行混合噪声评估;然后将高光谱图像和混合噪声进行作差,消除噪声的干扰;最后运用RX算子进行异常检测.实验结果表明,该方法达到了消除噪声的效果,与RX和MNF-RX算法相比具有更好的目标检测性能.     

基于区域特征的高光谱与全色图像NSCT域融合方法

针对高光谱图像解译需求,提出了一种基于目标检测理论的NSCT域高光谱图像与全色图像融合方法.首先对高光谱图像进行RX异常目标检测,得到目标背景分离图像;然后对参与融合的波段图像进行无下采样轮廓波分解,得到不同分辨率的低频子带和多方向的带通子带;对于背景区域的低频子带系数和高频子带系数,分别采用加权平均和平均梯度自适应加权的融合策略,对于目标区域,则根据不同特征采用区域方差自适应加权的低频系数融合方法和区域方差取大的高频系数融合方法;最后进行NSCT逆变换得到融合图像.实验结果表明,本文提出的融合方法能够有效提高高光谱图像的目视效果,突出目标与背景区域的差异,有利于目视解译工作的进行.     

基于虚拟仪器的某型飞机惯导自动测试设备研究

针对某型飞机惯导系统的检测问题，采用虚拟仪器技术，以工业控制计算机为硬件平台，设计出了满足系统检测需求的自动测试设备；测试软件以LabWindows／CVI为开发平台，采用ODBC技术，结合SQL语言实现数据共享和在线专家支持。     

采用分段行-列核2DPCA的高光谱图像降维

二维主成分方法计算时间少,降维效果好,被成功应用到高光谱图像降维中.基于二维主成分方法,为挖掘高光谱图像的非线性信息,实现了分段行-列核2DPCA方法的降维,并对比分析了行-列2DPCA方法、分段行-列2DPCA方法和行-列核2DPCA方法的降维效果.利用相关性将高光谱图像划分为5个子空间,通过转换数据结构来实现行和列的核2DPCA变换,最后将行和列结果进行融合得到降维结果.降维结果表明,在较高信息保持率情况下,分段行-列核2DPCA方法具有最高的图像清晰度和边缘强度.不同地物像元像素折线图表明,分段行-列核2DPCA方法能更好地区分不同地物,可以很好地应用于地物分类和目标识别.     

利用NSCT分解的高光谱异常检测

针对因背景复杂而导致高光谱异常检测效果降低的问题,提出了一种基于背景抑制的异常检测方法.首先对高光谱图像进行NSCT分解,得到各个波段的低频图像,然后对图像的低频信息做差,得到背景残差图像,对背景残差图像在做突出目标信息处理,最后使用KRX算法对处理后图像异常检测,并与其他方法进行比较,证明本文方法的有效性.     

浅析联合作战中的情报保障策略

针对联合作战时情报保障的重要性,提出了我军在联合作战中情报保障实施的对策。在深入分析联合作战情报保障实施原则的基础上,介绍了联合作战中情报保障的流程的6个阶段,并结合美军的C4ISR+K系统及我军联合作战情报保障能力的现状,得到联合作战情报保障实施的对策。该研究为我军的情报保障工作提供一定的参考。     

黑龙江省浅成低温金矿床成矿地质特征及矿床成因

对发育在黑龙江省陆相火山岩区的主要金矿床的矿床地质特征、成矿流体和稳定同位素、稀土元素地球化学特征的归纳与总结,得出：该类型矿床属于典型的冰长石-绢云母化蚀变：δ^18O水 集中在-14．11‰～6．23‰,δD值在-78．25‰～-132．64‰,显示成矿流体以大气降水为主,有少量的岩浆水;δ^34S 多数集中在-3．1‰～4．6‰,稍正向偏离陨石硫的特点,^206Pb／^204Pb 为17．742～18．758,^207Pb／^204Pb为15．287～15．760,^208Pb／^204Pb 为37．414～38．616,显示成矿物质应主要来自于深部幔源物质的岩浆热液流体系统;稀土元素配分曲线显示,金矿体与赋矿围岩等有密切的关系,但稀土总量明显偏低,形态更趋复杂,显示了成矿物质来源的复杂性;成矿时代多集中在100～118Ma,多为早白垩世;流体包裹体均一值集中在150～280℃,盐度集中在1．2％～8．36％,成矿压力为4～19．6MPa,估算成矿深度为0．13～0．65km;显示为典型的浅成低温热液型金矿床的特点。     

战场态势情报保障体系的构建

在分析战场态势情报保障体系需求的基础上,针对战场态势情报保障体系的基本概念、主要原则,构建了战场态势情报保障体系,并结合美军情报保障工作现状,提出了体系建设的相关措施,对未来情报保障具有一定的借鉴作用。     

基于光谱梯度角的高光谱影像流形学习降维法

为了挖掘高光谱数据的光谱局部特征,从高光谱遥感数据内在的非线性结构出发,提出了一种基于光谱梯度角的高光谱影像流形学习降维方法。采用局部化流形学习算法局部保持投影（LPP）对高光谱遥感数据进行非线性降维,对距离度量进行改进,将能够更好刻画高光谱影像光谱局部特征的光谱梯度角相似性度量应用于LPP方法,并用真实高光谱图像进行降维实验,取得了优于LPP方法和采用光谱角的LPP方法的结果。结果表明,在光谱规范化特征值方面,所提方法优于LPP方法和采用光谱角的LPP方法;在信息量的保持方面,具有更好的局部细节信息保持量。采用光谱梯度角的流形学习方法用于高光谱影像降维能取得较好的降维效果。     

结合K-L散度和互信息的无监督波段选择算法

波段选择是重要的高光谱图像降维手段。为了达到降维的目的,提出结合K-L散度和互信息的无监督波段选择算法,并进行了理论分析和实验验证。首先选出信息熵最大的波段作为初始波段,然后将散度与互信息量的比值定义为联合散度互信息（KLMI）准则,选择KLMI值大且信息量也大的波段加入波段子集中,选出信息量大且相似度低的波段集合,最终利用k最近邻分类算法实现了基于最大方差主成分分析算法、聚类算法、互信息算法和本文中方法的真实高光谱数据分类实验。结果表明,本文中的算法总体分类精度和κ系数均达到0.8以上,高于其它算法;大多数地物的分类精度均得到提升,具有较好的分类性能。该算法是一种实用的高光谱图像降维算法。