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.     

基于线性光谱混合理论的高光谱图像压缩

为了以较小的压缩误差为代价解决高效压缩高光谱数据的难题,提出基于线性光谱混合理论的星上高光谱图像压缩算法.利用顶点成分分析求高光谱图像的端元向量,并根据信道容量选择端元数;基于线性光谱混合模型求各像元对应于端元向量的丰度值;用JPEG2000对端元向量和丰度值矩阵进行无损压缩.对AVIRIS高光谱图像的仿真结果表明:压缩比为80∶1时,原始光谱与解压缩重构光谱最大相对误差小于2.7%,最大光谱角余弦误差小于0.000 23,压缩性能优于现有算法;算法还能有效地抑制原始图像中的随机噪声.     

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.      

高光谱成像仪在字迹检测方面的探索研究

近年来光谱成像技术在公安、司法鉴定中已经成为了必不可少的基础装备,在文件检验工作中发挥着不可替代的作用。高光谱成像相对于多光谱成像具有更丰富的图像和光谱信息。尝试研究高光谱成像技术在文件检验工作方面的应用,使用V10E-PS高光谱文检仪简易系统,在可见光波段范围内,实时地采集到光谱分辨率较高、通道数量多,且成像清晰的文字样本数据。用ENVI数据分析软件经过主成分分析、最小噪声分离、主成分分析和独立主成分分析等分析方法后,能够清晰准确的分辨部分数字的修改部位。     

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．     

基于PCA和KRX算法的高光谱异常检测

针对高光谱图像背景复杂导致高光谱图像异常检测效果下降的问题,提出了一种新的基于抑制背景的高光谱图像异常检测方法。该方法首先使用主成分分析法抑制高光谱图像中的背景信息,得到背景抑制后的图像,然后再使用基于核的RX算法(KRX算法)异常检测,最后将检测结果图进行阈值分割,得到一幅二值图像。最后使用ROC曲线对检测结果进行评价,通过与RX、KRX算法对比,证明本文方法得到的结果具有较高的检测率和较低的虚警率,充分说明文中方法的有效性。     

建立在近似惯性流形上的后验Galerkin方法

文中给出了一种建立在近似惯性流形基础上的后验Ｇａｌｅｒｋｉｎ方法，并且应用于一类非线性椭圆边值问题，与经典Ｇａｌｅｒｋｉｎ方法比较，新方法的逼近阶提高了一倍．     

基于显著性检测的红外舰船目标检测识别技术

为有效解决舰船目标的检测与识别问题,提出一种基于显著性检测和Hu不变矩的红外舰船目标检测识别方法,首先使用中值滤波、维纳滤波及灰度非线性变换去除噪声,增强对比度,然后利用Itti算法模型进行显著性检测,针对检测分割后的舰船目标提取几何特征、灰度特征和Hu不变矩特征进行综合识别.经大量仿真实验证明,此方法具有较高的检测识...     

基于单极化SAR图像的舰船目标检测与分类方法

 SAR是一种主动式微波成像传感器,具有全天时全天候高分辨率对地观测能力,被广泛应用于海洋舰船目标检测与分类。随着SAR成像技术的发展,SAR图像的分辨率越来越高,数据量也越来越大,研究鲁棒高效的海洋舰船目标检测与分类方法对于军事及民用领域具有重大意义。总结了现有的针对单极化SAR图像的舰船目标检测及分类方法,分析了各类方法的特点以及存在的问题,展望了未来SAR图像舰船目标检测及分类方法的发展趋势。     

高光谱影像化学气体检测算法研究

在研究高光谱影像目标检测常用算法的基础上,将约束能量最小化方法(CEM)、正交子空间投影(OSP)、广义似然比检验(GLRT)及自适应一致估计器(ACE)等算法应用到高光谱影像化学气体检测中。实验采用两组合成的高光谱影像数据,实验结果显示算法可行,且ACE算法取得最好的检测效果。     

基于高光谱成像技术的水果品质无损检测

高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的.综述了国内外将该技术应用于水果品质检测方面的研究进展,提出了利用高光谱图像技术检测苹果轻微损伤的方法,利用500～900 nm的高光谱图像数据,通过主成分分析提取547 nm波长下的特征图像.     

基于H-CFAR的SAR图像快速舰船目标检测

SAR舰船目标的快速、准确检测是SAR海洋业务化应用中的重要需求,文章提出了一种基于直方图恒虚警率(H-CFAR)的快速检测方法.该方法直接利用SAR图像的灰度直方图信息,并结合CFAR算法,实现了SAR舰船目标的检测;利用ASAR、TerraSAR和Radarsat-2数据对此方法进行了检验,结果表明,该方法与现有的K CFAR相比,在相同的硬件条件下,能够更快更准确地实现SAR舰船目标检测.     

基于最佳阈值分割的舰船目标检测方法

提出了一种基于最佳阈值分割的舰船目标检测方法,该方法通过构造分割阈值集合,并搜索特征约束条件下的最佳分割阈值进行目标分割,从而实现目标与背景区域的成功分离.使用该方法对不同卫星来源、不同分辨率的24 523幅光学遥感图像和516幅SAR图像进行了实验,对于1 155个目标图像的检测率高于95.0%,同时虚警率保持在较低水平,表明该方法对于遥感图像中的海上舰船目标检测效果较好、适应性强.     

高光谱数据组分信息的盲分解方法

将基于独立成分分析(independent component analysis,ICA)技术的盲分解方法(blind signal separation,BSS)应用于遥感混合像元的定量分解,解决了幅度不确定性问题,实现了从高光谱数据中同时得到定量的组分光谱信息和组分权重信息。通过数值模拟实验提出了光谱反演区间的选择方法,进一步完善了该算法,且讨论了算法的稳健性。以陕西省横山县为试验区,从HYPERION高光谱影像中反演了各像元的植被覆盖度,并利用SPOT5影像进行了精度验证,结果表明该方法具有较高的精度。     

基于视觉注意机制的视频监控中海上舰船目标检测

当天空、海面和岸上建筑等自然背景比较复杂时,容易干扰视觉注意的对象,而影响舰船目标的检测。本文提出了一种改进的视觉注意模型来检测海上舰船目标,首先利用小波变换获得舰船目标图像的高频特征和低频特征;然后利用改进的Top-hat滤波器抑制云雾和较强的海杂波,采用改进的Gabor滤波器得到方向特征,采用离散矩变换（DMT,discrete moment transform）得到边缘纹理特征;同时将图像进行色彩空间转换,由HSI（Hue-Saturation-Intensity）空间提取图像亮度、色调和饱和度来构成运动特征和颜色特征;最后将各特征图通过加权线性融合得到兴趣图,通过自适应阈值分割出舰船目标区域。实验证明该舰船目标检测算法具有较好的检测效果。     

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。     

基于优化ICA算法的高光谱矿物识别

混合像元是影响岩矿高光谱由定性解译向定量反演发展的关键因素之一.以往分离岩矿高光谱混合像元,需要先获得参与混合的端元数量及端元光谱,这在许多场合是难以做到的.独立成分分析可以在端元光谱、混合矩阵未知且没有任何先验知识的情况下,有效分离岩矿高光谱混合像元,只要端元光谱是非高斯性信号且满足统计独立性.它实现了矿物识别,并为矿物丰度反演及成分识别打下了基础.通过引入调整因子,改善独立成分分析(Independent Component Analysis,ICA)算法的收敛性.当参与混合的端元光谱相似度较高或者端元光谱的非高斯性较低时,岩矿高光谱混合像元的分离精度将受到影响.     

基于RetinaNet的SAR图像舰船目标检测

在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集(SSDD)对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度.     

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.     

高光谱数据组分信息的盲分解方法

将基于独立成分分析（independent component analysis,ICA）技术的盲分解方法（blindsignalseparation,BSS）应用于遥感混合像元的定量分解,解决了幅度不确定性问题,实现了从高光谱数据中同时得到定量的组分光谱信息和组分权重信息。通过数值模拟实验提出了光谱反演区间的选择方法,进一步完善了该算法,且讨论了算法的稳健性。以陕西省横山县为试验区,从HYPERION高光谱影像中反演了各像元的植被覆盖度,并利用SPOT5影像进行了精度验证,结果表明该方法具有较高的精度。