基于低概率检测的高光谱异常目标检测算法研究

在深入分析高光谱数据特点的基础上,系统研究了基于低概率检测的高光谱图像异常检测方法。首先针对高光谱图像数据维数高的特点研究高光谱图像降维方法,重点研究自适应子空间分解(ASD)算法对高光谱图像进行降维;然后研究高光谱图像异常目标检测算法,异常检测算法能够在没有先验光谱信息的情况下检测到与周围环境存在光谱差异的目标,具有较强的实用性,成为一个重要的研究热点,重点研究低概率检测(LPD)算法,并用此算法对高光谱图像进行异常检测。此外,还研究了其它算法如RX算法,并与LPD算法进行比较,在此基础上对LPD算法进行改进,寻求以较高的鲁棒性进行高光谱异常目标检测,最终用基于特征融合的低概率检测算法对LPD算法进行改进。     

多窗口融合判别子空间的高光谱图像异常检测

由于高光谱图像异常检测受到不规则背景和噪声的干扰,直接应用传统的RX异常检测算法会造成很高的虚警和很大的运算量.针对这一问题,提出了一种基于判别子空间的结合多窗口融合的RX算法.首先在无先验信息的前提下采用聚类的方式得到样本类别,并对占优聚类样本进行判别特征提取;然后利用正交子空间投影使背景和目标信息达到最大程度的分离以实现对背景的抑制,从而在抑制背景的基础上利用局部多窗口融合的RX算法进行异常检测;最后将AUC值作为评价检测方法性能的指标. NUANCE和HYDICE高光谱数据异常目标检测实验的AUC值统计结果表明:多窗口融合算法在检测性能方面优于经典的全局和局部RX算法,它对背景和噪声有更强的抑制作用,且检测到的异常目标精确,可见该算法是有效而可行的.     

一种新型基于插值的高光谱图像亚像元定位算法

在高光谱图像亚像元定位领域中,基于插值的亚像元定位算法具有无参数、无迭代、快速运算等优点,得到了广泛的应用。传统的基于插值的亚像元定位算法由于原始高光谱图像分辨率低和现有的光谱解混技术的局限性,使得丰度图像不能充分携带原始高光谱图像的先验信息。针对这一问题,提出了一种新型基于插值的高光谱图像亚像元定位算法。将插值算法直接应用于原始低分辨率高光谱图像,得到高分辨率图像。将高分辨率图像通过光谱解混得到具有丰富原始图像先验信息的丰度图像,利用丰度图像提供的信息将类别标签分配到每个亚像元中,获得亚像元定位结果。仿真实验证明,该方法可以充分地携带原始图像的先验信息,获得比传统的基于插值的亚像元定位算法精度更高的结果。     

高光谱图像分块压缩感知采样及谱间预测重构

压缩感知理论提供了一种新的数据采集思路. 基于该理论提出了一种高光谱数据采集和图像重构方法,以波段分组的方式将高光谱各波段分为参考波段和普通波段,对各波段图像单独采用分块压缩感知测量以获取高光谱数据. 在图像重构过程中,参考波段采用平滑投影Landweber算法重构. 对于普通波段,结合谱间预测和平滑投影Landweber提出了一种新算法: 先采用谱间双向预测得到预测图像,然后对预测图像进行分块压缩感知测量获得测量值,并计算它与该波段原测量值之间的差值,再由测量差值重构预测差值来迭代恢复原波段图像. 该方法在数据重构过程中充分考虑了高光谱图像的谱间相关性和空间相关性,能提高图像重构精度. 实验结果表明,利用所提出的方法重构高光谱图像,其性能优于多向量压缩感知方法和分块压缩感知测量后直接对各波段图像单独重构的方法.     

基于稀疏表示的高光谱图像增殖快速算法

在高光谱图像目标检测领域中,稀疏表示算法取得了较好的检测效果,但传统基于稀疏表示的目标检测算法稀疏向量的求解耗时长,检测时只利用高光谱图像的光谱信息,没有考虑空间信息,且其字典中所包含训练样本种类和数目较少,都对目标检测有一定影响。针对上述不足,通过对字典进行改进,添加空间信息,转变稀疏向量求解思路,提出基于稀疏表示的高光谱图像增殖快速目标检测算法。通过实验仿真证明,此算法在目标检测精度上有一定程度的提高,并且缩短了算法的运算时间。     

基于二维主成分分析的高光谱遥感图像降维

提出一种以高光谱图像分析为目标的基于二维主成分分析的高光谱遥感图像的降维方法。通过多变量线性变换对高光谱数据进行特征提取,应用二维主成分分析的方法对高光谱遥感图像进行降维。对AVIRIS图像应用二维主成分分析的方法,可将能量主要集中在少数几个特征值中,这就为降维提供了可能。计算机仿真结果表明,该算法计算量小,方差小,峰值信噪比(PSNR)、分类准确性均显著提高,MSE有所下降。     

一种改进的局部离群数据检测算法

针对传统局部离群数据检测算法时间复杂度高、参数鲁棒性差的问题,在基于连接的异常因子(Connectivity based outlier factor,COF)算法的基础上,提出了一种基于聚类和密度的局部离群数据检测算法。利用聚类方法从原始数据集中筛选出候选离群数据集,来降低算法的时间复杂度;在进行数据对象之间距离计算时,引入信息熵的概念确定数据对象的离群属性,以提高算法的检测准确率。确定数据集的离群属性后,采用新的局部链接离群因子(Local connectivity based outlier factor,LCOF)度量候选离群数据集中数据的离群程度。此算法在保证检测准确率的前提下,降低了时间复杂度和检测准确率对参数的依懒性。仿真结果证明了所提方法的有效性和可行性。     

基于子空间划分和自我表示学习的高光谱波段选择

基于高光谱图像的应用,在不降低性能的前提下,选择具有信息和代表性的波段是大数据环境下一项具有挑战性的任务.许多波段选择方法忽略波段的有序性,只考虑波段的冗余性,这会导致有价值的波段丢失,而保留无用的波段.针对此问题,提出了一种自适应子空间划分和自我表示学习的高光谱波段选择方法(Adaptive subspace par...     

高光谱遥感图像最优波段选择方法的研究进展与分析

随着成像光谱仪的发展日益成熟,高光谱遥感图像的研究已进入到一个新的阶段--对获取的高光谱数据进行有效处理和利用的阶段。目前的处理方法主要集中在对高光谱图像的数值分析处理上,比如大气校正、降低数据维数、信息提取、分类与目标探测等方面。高光谱图像相邻的波段之间一般具有较大的相关性,并不是所有的波段对于后续处理都有着同等的重要性,通过选择最优波段而组成新的高光谱图像空间,在不损失重要信息的条件下可以代表其他波段的信息。因而需要在更合理的数学模型的指导下,按照一定的准则,来决定最佳波段的选择问题。对目前国内外高光谱图像的各种波段选择方法进行了综合归纳和分析,力图为高光谱图像处理寻找突破点,加强此领域的研究力度。     

一种边缘增强的光谱响应曲线分形维计算方法

提出了一种用于高光谱影像边缘增强的光谱响应曲线差分步长分形维特征值计算方法. 该方法首先对高光谱响应曲线进行差分处理,并利用步长分形维算法计算差分光谱曲线分形维值,最后根据差分分形维值计算高光谱特征影像. 实验结果表明,本文提出的差分步长分形维算法较原始步长法更能保持光谱影像细节并增强边缘,同时减弱噪声影响,可用于高光谱影像特征提取、分析和解译.     

基于有约束CNMF的遥感高光谱多光谱图像融合

针对高光谱图像空间分辨率较低的问题,设计了一种基于光谱解混的高光谱、多光谱图像融合算法（VSC-CNMF）. 结合遥感图像的实际物理特性,在混合像元分解时加入端元单形体最小体积约束和丰度稀疏约束,通过光谱退化、空间退化和迭代解混,实现不同图像间端元和丰度的匹配,获得了具有高空间分辨率的融合图像. 仿真实验表明,VSC-CNMF可得到具有更高空间质量和光谱质量的融合图像.     

粒子群优化的深海图像暗边缘检测优化算法

为解决深海资源探测图像识别难题,提出一种基于粒子群优化的图像暗边缘检测优化算法。该算法通过指数型线性单元和高斯误差线性单元改进激活函数,根据Marr-Hildreth算子检测结果并结合改进激活函数构建暗边缘检测算法,利用粒子群对改进暗边缘检测算法进行训练和优化。最后,采用不同算法对水下11个数据集进行比较的结果表明：改进算法的峰值信噪比、结构相似度和边缘保持指数最高,分别达到18.769 6 dB、0.660 7和0.834 5;图像均方误差最低,为3 750.225 3;平均检测时间为0.667 4 s,比其他对比实验中性能最好的算法缩短了14%。     

用随机决策树群算法进行高光谱遥感影像分类

摘要： 高光谱影像具有丰富的光谱信息,与全色、多光谱影像相比能更好地进行地面目标的分类识别. 该文对决策树分类算法的优劣进行分析,引入随机决策树群算法,对青海省祁连县Hyperion高光谱影像和IRS-P6影像数据进行实验,使用子空间划分和光谱距离进行降维后,分别采用支持向量机、神经网络、最大似然法进行分类,并与随机决策树群算法分类结果进行比较. 结果表明,该算法表现最优且无需降维预处理,可广泛应用于高光谱遥感领域.     

主成分分析在高光谱遥感图像降维中的应用

高光谱遥感图像的高数据维给图像进一步处理带来了困难,为了解决这一问题,本文提出了主成分分析的降维方法.根据原始数据协方差阵的特征值和特征向量,可以计算各个波段对给定主成分的贡献率,对重要主成分贡献率的和直接反应了波段信息量的大小,实验证明,该方法效果较好,且计算量小.     

一种微小表面缺陷的机器视觉检测方法

针对表面缺陷在线自动检测应用的特点,提出一种快速检测微小表面缺陷的新方法. 文中分析了Otsu 法分割表面梯度图像中微小缺陷的性能,结合分析结果提出利用梯度图像方差分布搜寻表面缺陷区域的算法,在有表面缺陷的局部区域应用Otsu 法分割图像. 算法性能分析和实验结果表明,该方法可从背景变化不剧烈的表面图像中快速自动检测微小表面缺陷.     

基于引导滤波和NSST的工业CT图像边缘检测

针对传统边缘检测算法不能准确检测有噪工业CT图像边缘的问题,提出一种鲁棒性好、能有效保持细小边缘的边缘检测算法.用引导滤波取代高斯滤波作为边缘检测的预处理,避免Canny算法对边缘的损坏,得到初步检测结果.在此基础上采用非下采样Shearlet变换分解图像,提取包含图像边缘细节信息的各尺度不同方向的高频系数.对每个方向的系数进行模极大值检测,并结合不同分解程度下边缘像素处的系数关系进一步调整模极大值,低频置零并通过反变换得到高频边缘检测结果.将初步检测结果与高频检测结果进行融合,经数学形态学处理得到最终边缘检测图像.实验对比了Canny算子以及近年来提出的同类边缘检测算法的结果,所提算法表现出更好的边缘保持特性,检测的完整性和准确性更高,品质因数比实验中的其他算法平均高出12%,边缘检测效果优越,为工业CT无损检测系统提供了更好的边缘检测方案.