基于光谱角匹配加权的高光谱图像异常检测

针对高光谱背景中存在异常和噪声的问题,提出了一种基于光谱角匹配(SAM)加权的核RX异常检测算法。首先对图像背景像元进行K-均值聚类,得到不同类背景对应的聚类中心,然后计算背景像元与聚类中心的光谱角余弦,选出较纯净的背景作为新背景,最后新背景中的每个像元将自己的光谱角信息作为权值,构造加权核RX异常检测算子,通过加权削弱了残留其中的异常和噪声的干扰。为验证算法的有效性,利用真实的AVIRIS和ROSIS-03遥感器采集高光谱数据进行了仿真实验,结果表明与对比算法相比,所提算法对潜在的异常具有较强的抑制能力,提高了检测精度。     

基于背景抑制及顶点成分分析的高光谱异常小目标检测

高光谱图像异常小目标检测数据量大、信息提取困难.文中提出了一种不需要先验信息并且计算复杂度较低的快速检测算法——基于背景抑制及顶点成分分析（EVCA）的异常小目标检测.利用高光谱图像端元是单形体顶点这一特性,在抑制背景后的图像上提取目标端元,并结合光谱匹配技术完成目标检测.为了验证新方法的有效性,与不经过背景抑制的VCA算法及传统检测算法进行了比较.实验结果表明,该算法不需要先验信息,体现了较好的检测效果.     

基于端元提取的高光谱图像亚像元目标异常检测算法

针对高光谱图像异常检测因为背景复杂、存在亚像元目标而导致检测效果下降的问题,提出了一种新的检测方法。该方法首先对高光谱数据使用主成分分析法进行背景抑制,然后使用正交子空间投影方法进行端元提取,再使用光谱角度匹配技术进行异常检测。最后与其他两种检测方法比较,具有更好的检测效果,证明该方法的有效性。     

背景不确定性对高光谱异常目标探测的影响

为研究背景不确定性对高光谱目标探测的影响,对比分析了不同背景复杂度高光谱图像的异常目标检测结果。为避免其他因素的干扰,对航空高光谱图像进行低通滤波处理,获得具有不同背景复杂度的高光谱系列图像,而后在图像中嵌入目标,得到背景不确定性不同而目标相同的系列高光谱图像。用异常检测算法对得到的图像进行目标检测,结果表明:(1)背景不确定性越低,异常目标被探测到的可能性越大;(2)混合像元的存在有利于降低目标的显著性,并使得探测结果的不确定性增加;(3)当空间分辨率的尺度大于2倍目标尺度时,即便背景不确定性很小,由于目标背景的光谱混合,目标检测结果也变得完全不确定。     

基于色彩空间变换的目标检测算法研究

对高光谱遥感图像的目标进行检测,通常采用异常检测算法.异常检测算法常在检测到目标的同时出现较多大噪声点和非目标异常点,为解决这一问题提出了一种基于HSV色彩空间的目标检测算法.利用背景和目标的光谱曲线特征,找到三个差异最大的特征波段子集进行平均,再进行假彩色合成并正变换至HSV色彩空间,以H分量为阈值进行目标检测.对仿真数据和真实高光谱数据进行了实验,实验结果证明了本算法的有效性.     

高光谱遥感图像异常检测研究进展

高光谱遥感图像异常检测即是对遥感图像中与背景存在显著光谱差异的像元进行识别,它在灾害预测和环境监测等领域具有很大应用价值.异常检测受到遥感学界的普遍重视,这些年来对异常检测开展的研究取得了不少成果.高光谱图像异常检测研究最初基于传统数据处理和信号分析方法,随着高光谱图像数据处理研究的深入及数据挖掘技术和智能学习方法等相关技术的发展,现在呈现智能和联合处理的新方向.文章对异常检测算法近来的研究进展进行的介绍以期为异常检测的相关研究提供一定参考.     

基于嵌套窗口的高光谱图像目标检测

针对经典RX检测算法所存在的窗口分析方式的不足,提出一种基于嵌套窗口分析的高光谱图像小目标检测算法,并将这种嵌套方式应用到线性RX、非线性核特征向量空间分解（KEST）算法之中,对不同窗口方式的检测算法以及非线性判别分析检测算法进行了详尽的对比分析．实验表明,在3层嵌套窗口下的文中算法能够获得更好的目标检测效果．     

复杂背景下改进的红外弱小目标检测

许多研究者关注红外弱小目标检测领域并进行过种种探索，然而复杂背景下检测的难题始终未得到满意的解决。复杂背景下的杂波难以消除，目标检测无法得到显著结果。为此，本文提出了一种基于高升压滤波器的加权三层窗口目标检测算法HB-WTLLCM（High-Boost Weighted Tri-Layer Local Contrast Measure），针对复杂背景的目标检测进行目标增强，从而提高检测率。本文算法首先利用改进的高升压滤波器对红外原始图像进行预处理，再利用三层嵌套窗口，根据目标形状进行局部对比度增强。最后引入一种基于复杂度评估的加权算法，进一步进行目标增强和随机噪声抑制。实验数据显示，本文提出的算法相比于主流算法在多建筑、多树木的复杂背景下目标增强能力更强，检测率更高。上述结果提示，本文提出的HB-WTLLCM算法对于复杂场景下红外弱小目标进行检测具有一定优势。     

一种基于小波提升变换的多尺度边缘提取算法

提出了一种基于小波提升变换的改进图像边缘的检测算法.本算法首先对源图像进行小波提升分解,然后分别对高、低频子图像进行边缘提取.对于低频信息使用Canny算子进行边缘检测,而高频信息先用相邻尺度小波系数相乘的方法去除噪声,消噪后再对高频分量进行边缘检测.最后通过一定的融合规则进行融合,得到最终的边缘图像.实验结果表明,该方法具有运算速度快,能有效地抑制噪声,边缘检测精度高等特点,是一种有效的图像边缘提取算法.     

基于物体信息的图像显著性区域检测

针对目前图像显著性检测存在的显著性图边缘模糊、缺乏视觉高层信息等问题,提出了一种基于物体信息的显著性检测算法。将似物性计算与显著性计算相结合,可以将前景与背景分离,抑制高对比度干扰区域的影响。首先采用改进的L0平滑算法对图像进行滤波处理,然后通过超像素分割将图像分成若干图像块,再通过聚类算法进行合并,得到待检测图像块。采用似物性检测算法计算物体可能存在的区域,与待检测图像块进行融合,得到物体显著性图,再通过颜色对比度及空间分布特征计算显著性图,最后将二者融合,得到最终结果。实验结果表明,算法能够得到清晰的物体边缘,对图像的显著性区域能够较为全面地覆盖,有效地抑制高对比区域的干扰。     

基于光谱差异均衡区间筛选的高光谱目标检测

如何快速、准确地进行目标检测,是高光谱遥感图像在实际应用中面临的关键问题.波段选择是提高高光谱数据利用效率的途径之一,针对目前基于光谱匹配的高光谱目标检测算法数据利用率低,易受冗余信息干扰导致检测率不理想的问题.在构建光谱区间差异均衡化计算模型的基础上,提出差异均衡化的光谱子区间提取方法.使用实测高光谱遥感影像数据集对方法进行验证.结果表明,相比于采用全谱段数据以及其他波段选择方法的目标检测结果,所提出的方法在计算耗时、检测准确率方面均取得更理想的结果,可高效实现高光谱图像的目标检测.      

基于像元递归的高光谱局部异常检测算法

阐述了基于传统RX算法(Reed-Xiaoli Detector,RXD)架构的高光谱实时局部异常检测算法研究方案.基于高光谱空间成像方式的特点,针对摆扫型成像光谱仪逐像元成像的机理,采用局部因果阵列窗,两次利用Woodbury矩阵求逆引理,实现高光谱目标的局部异常检测.首先,将经典的矩阵窗改进为滑动因果阵列窗;然后,对局部实时算子的因果阵列窗窗长的参数设定进行优化,选取四组数据进行测试对比,选取最优参数;最后,就检测结果灰度图、ROC曲线(Receiver Operating Characteristic Curve)、AUC数值(Area Under Curve)以及算法运行时间等四个方面,对局部异常检测算子与经典双窗算子、全局实时算子分别进行仿真实验比较.结果表明,虽然因果阵列窗窗长的参数优化使局部异常检测算子的计算复杂度有略微升高,但异常目标点的观测更加清晰,AUC值明显提高,具有更好的检测效果.     

基于自适应波段聚类PCA的高光谱图像压缩

对高光谱图像进行有效压缩已经成为高光谱遥感领域的研究热点。针对现有高光谱图像压缩算法谱间特性利用不够充分的问题,提出了一种自适应波段聚类PCA(principal component analysis)与JPEG2000相结合的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段聚类,对聚类后的各个波段组分别进行PCA运算,最后利用JPEG2000标准对所有主成分进行编码压缩。对高光谱图像进行波段聚类,不仅能更有效地利用谱间相关性,提高压缩性能;还可以降低PCA的运算量。实验结果表明,该算法在相同压缩比下,其信噪比、异常检测、光谱角性能相比对比算法均有所改善。     

自适应背景更新及运动目标检测算法

从视频中检测运动目标是智能视频监控应用中的一项关键技术.文中提出了一种基于区域的自适应背景更新及运动目标检测算法,首先使用高斯模型建立初始的静态背景图像,通过背景减法得到差值图像;然后使用自适应阈值对差值图像进行二值化,并利用形态学滤波和连通区域面积检测进行后处理,得到运动目标区域掩模;最后,根据运动目标区域掩模检测出运动目标,同时使用基于区域的自适应背景更新算法动态更新背景图像.实验结果表明,该算法能够自适应地对背景模型进行更新,对于背景的扰动、光线的渐变等带来的影响有很好的抑制作用,可以有效地检测出运动目标.     

基于独立成分分析的运动车辆检测算法

根据独立成分分析原理,提出了一种基于固定点算法的运动车辆检测方法,并使用光谱冗余方法解决了独立成分分析检测结果通道不确定的问题。该方法将交通图像序列看作是由背景图像和运动车辆图像混合而成的观测信号,采用独立成分分析方法分离背景图像和前景运动车辆图像。独立成分分析方法能够分离出大量的背景信息如道路2边的树木和建筑物等,但分离出的前景图像仍包含有少量的路面信息,又一次结合光谱冗余方法去除了少量的路面信息,最终实现了运动车辆的检测。通过实验证明基于固定点算法的运动车辆检测方法有较强的抵抗图像背景灰度变化的能力,即使在外界天气、光照明显变化的情况下,依然可以准确、清晰地检测出运动的车辆,是一种具有较好鲁棒性的运动车辆检测方法。     

基于改进凸包和颜色对比度的彩色图像分割方法

基于特征对比度的显著性检测方法在处理复杂背景图像时,容易将对比度较高的背景区域误判为目标,导致分割结果不准确.为解决上述问题,提出了一种基于改进凸包和全局颜色对比度的彩色图像分割方法.首先以超像素为基本计算单元,根据图像颜色及其空间分布,计算基于颜色对比度的基本显著图;然后利用颜色增强Harris角点得到目标的凸包,并利用FH方法生成的超像素对凸包进行修正,以此为基础计算基于改进凸包的中心显著图;最后将上述2个显著图进行加权融合得到最终显著图,并使用大津法得到图像中的目标.通过在MSRA1000和ECSSD数据集上进行实验,结果表明本文算法相较于其他算法在可视效果和准确率、召回率等评价指标方面有明显的优势.     

基于Clifford代数的多光谱图像边缘检测

为了充分利用多光谱图像不同图层之间的关联性,采用Clifford代数描述多光谱图像.在Clifford代数空间中,定义了多光谱图像的Clifford微分与Clifford梯度.在此基础上,提出了一种新的多光谱图像边缘检测与融合算法.该算法首先计算出各像素点的Clifford梯度,进而得到Clifford梯度范数;然后以此为依据,判断像素点是否为边界点,从而得到多幅边缘检测图像;最后,将这些图像融合,便可得到最终的边缘图像.与基于最大熵的多光谱图像边缘检测算法的比较结果表明,算法由于利用了多光谱图像不同图层之间的关联性,因而可以更好地保留边缘信息,获得更完整的边缘检测效果.     

干涉高光谱图像的主分调制预测无损压缩

提出一种基于主分调制预测的高光谱图像无损压缩算法。将干涉高光谱图像分为空间方向和光程差方向,空间方向采用主分量预测算法来去除帧间冗余;光程差方向采用调制分量预测算法来去除谱间冗余。主分量预测采用两步预测算法,第一步采用四阶预测器得到预测参考值,第二步采用8级查找表搜索预测算法得到实际预测值,然后将参考预测值和实际预测值进行比较得出最后的预测值。调制分量预测采用线性预测得到调制预测帧。最后,根据主分预测帧和调制预测帧得到最终预测帧,从而得出残差帧,利用残差帧进行熵编码。实验结果表明,文中算法的平均压缩码率达到3.05bpp,与传统高光谱图像无损压缩算法比较,平均压缩码率提高了0.14~2.94bpp,有效地提高了干涉高光谱图像无损压缩码率。     

基于模糊数学的公路路面裂痕检测技术

根据公路路面实际裂痕灰度值比背景灰度值低,而路面非背景和非裂痕像素灰度值比背景灰度值高或低很多,设计了一种基于模糊数学的公路路面裂痕检测的新技术.首先使用改进的基于乘性模型的灰度校正算法对原始图像进行预处理,接着根据OTSU最大类间方差法计算得到原图像前景与背景的最佳阈值作为渡越点,构造一个新的模糊隶属度函数对预处理后的图像进行模糊处理,然后用Sobel算子对模糊后的图像边缘检测判断得到含有裂痕信息的区域,最后用图像分割算法区域分割出含有裂痕信息的图像子块.实验证明,新提出的方法在处理速度和检测准确性方面基本能够满足实际需要,能实时、自动检测出模糊图像的裂痕.     

基于过渡区提取的多阈值图像分割

对基于过渡区提取的多阈值图像分割算法进行了研究．首先使用局部熵方法提取过渡区,然后构造对称非最大抑制滤波器检测过渡区直方图的多个峰值,最后使用考虑差异度与位面数的代价函数决定最优类别个数及多分割阈值．实验研究表明,算法得到的阈值准确、稳定,较好地解决了基于过渡区提取的图像分割方法中的多阈值分割问题,同时也为多阈值图像分割提供了一种新的思路．