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。     

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。     

先验信息约束NMF的高光谱解混

针对高光谱图像中含有大量混合像元,且大多数解混算法未能利用真实地物信息的问题,提出了一种利用先验信息约束的非负矩阵分解方法对高光谱进行解混。首先利用顶点成分分析法和全约束最小二乘法分别对端元矩阵和丰度矩阵进行初始化,然后利用本文算法对高光谱数据进行解混,最后对估计端元和估计丰度进行评价分析。实验显示,利用本文提出的方法对数据解混的结果优于其他约束的非负矩阵分解算法得到的结果,在求解过程中有很好的抗噪性能。     

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。     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

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.     

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.     

一种波段降维的VCA高光谱端元提取算法研究

高光谱图像解混过程一般包括三个方面,即波段降维、端元提取和光谱反演。这其中,高光谱图像端元提取算法研究是一个核心问题。VCA(Vertex Component Analysis,顶点成分分析)算法是一个经典的基于凸面几何学的端元提取方法。通过研究,对原始的VCA算法进行改进,首先计算出波段间的相关系数,然后将相关系数相同的波段保留一个其他去除,最后通过剩余的波段再利用VCA算法进行端元提取。仿真结果表明,该方法可以有效提取出图像中含有的端元成分,提高了计算效率。     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

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。     

一种背景自适应的运动目标检测算法

鉴于传统混合高斯模型背景更新的不足,融合边缘检测、帧间差分,提出一种背景自适应的运动目标检测算法。该算法利用Sobel算子提取图像的边缘信息,采用了三帧差分法把每帧图像分为背景区域、背景暴露区域以及目标运动区域,对背景暴露区域、背景区域以及运动区域采用不同的背景更新策略。实验表明,算法对缓慢运动物体、光线突变及背景融入等条件有较好的适应性,能够有效地检测运动目标。     

基于SUSAN算法的空间目标分割算法

随着航天科技的迅猛发展,空间背景下非合作目标的分割问题已经成为人们关注的新焦点。SUSAN算法是一种新兴的并行边界类分割算法,采用USAN原理,通过对模板覆盖像素的统计来提取目标的特征。针对空间目标图像的特点,提出了一种基于SUSAN算法的空间目标分割算法。利用图像中目标的边缘轮廓信息进行特征提取,实现了人造目标与背景的分离。该算法具有抗噪声能力好、特征定位准确、计算速度快、能够较好的保持图像的特征结构信息等特点,非常适用于航天图像的实时分割处理。     

基于梯度二阶导数的Canny阈值自适应选取算法

图像边缘含有丰富的图像信息,对于很多视觉系统至关重要,比如目标检测与图像分割等。传统的Canny算子仅能用于灰度图像,无法有效利用彩色图像中的颜色信息;此外,该方法需要人为设定高低阈值,不能自适应提取图像边缘,进而造成背景边缘放大等问题。提出了一种基于Canny的自适应彩色图像边缘检测算法;该算法首先通过图像一阶直方图的统计特性,自适应地选取高斯滤波器的参数σ,有效去除了噪声;同时改善了σ参数设置不合理对边缘检测的影响。其次采用了基于图像梯度二阶导数的阈值选取的方法,即根据图像特性自适应选取合适的阈值。实验结果表明:算法能很好地改善传统Canny算子的缺陷,对于彩色图像的边缘信息提取能达到很好的效果。     

航道智能监控系统中运动目标的检测与分割

运动目标的检测与分割是航道智能监控系统中的重要环节,先通过对图像作预处理平滑图像去除噪声,减小波浪对运动目标检测算法的影响,然后利用运动目标检测算法在背景中提取到前景对象,最后通过连通区域标识算法把每个对象用一个外接矩形来标识,从而实现对运动目标的检测与分割。     

提高红外点目标图像单帧检测概率的背景抑制法

给出了一种低信噪比红外点目标图像检测的新方法．利用背景图像相对于目标图像具有相关长度长、在频域空间处于低频部分的特点，提出了在空域对红外点目标场景图像进行高通滤波的方法，达到抑制背景、提高目标图像信噪比的效果．进一步讨论了自适应门限曲面函数的建立．实验表明，该方法可以在满足总体要求的红外点目标图像信噪比和虚警目标个数的条件下，最大可能地提高红外点目标图像的检测概率．     

基于深度学习的复杂背景下茶叶嫩芽检测算法

针对传统的基于机器视觉的茶叶嫩芽检测方法存在手工特征提取鲁棒性较差以及准确率较低等问题,首次将基于深度学习的目标检测算法YOLO应用到复杂背景下的茶叶嫩芽图像的检测,并从多尺度检测方面对YOLO网络架构进行了改进,用大尺度和中尺度检测代替了原来的多尺度检测.在预处理阶段,通过结合超绿特征以及OSTU算法对复杂背景下的茶叶嫩芽图像进行了图像分割,使得茶叶嫩芽区域更加明显.实验结果表明,通过与其他算法对比,基于深度学习的目标检测算法对复杂背景下的茶叶嫩芽具有较高的检测精度,为复杂背景下茶叶嫩芽的智能化采摘设备的研究提供了基础.