利用背景残差数据检测高光谱图像异常

针对高光谱图像微小目标检测中存在的严重背景干扰问题,提出了一种基于背景残差数据的非线性异常检测算法.首先利用提取的背景光谱端元对图像各像元进行光谱解混,实现了目标信息和复杂背景信息的分离;接着将含有丰富目标信息的解混残差数据非线性映射到高维特征空间,可以充分挖掘高光谱图像波段间隐含的非线性信息,并在特征空间利用RX算子完成目标的检测,从而在抑制大概率背景信息的基础上有效地利用了高光谱图像波段间的非线性统计特性.为了验证算法的有效性,利用真实的AVIRIS数据进行了实验研究,并与经典RX算法、未抑制背景的特征空间核RX算法的检测结果相比较,结果表明基于背景残差数据的检测算法具有良好的检测性能和较低的虚警,且运算复杂度较低.     

高光谱图像异常检测算法研究进展

异常检测算法不需要利用光谱的先验知识,而能直接检测出与周围景物光谱存在明显差异的光谱信号所在位置,是高光谱遥感应用领域一个重要研究方向,在民用和军事上都有重要的理论价值和应用前景。深入分析了目前主要的异常检测算法,并对各算法的优、缺点分别进行了评述。最后,指出了此领域今后的研究方向。     

基于高光谱图像解混的海洋绿藻检测算法

提出了一种基于线性混合模型的高光谱图像绿藻面积估计算法。利用端元提取算法,自动获取图像中绿藻端元的光谱曲线,根据得到的端元及原始图像,通过全约束最小二乘算法,求得绿藻端元的丰度图,丰度图作为绿藻面积的估计结果。算法能够有效克服由于高光谱图像分辨率不足造成的绿藻面积估计不准确的问题,实现亚像素水平的绿藻面积估计。利用2013年6月29日获取的GOCI传感器获取的8波段光谱图像展开实验,计算得到当日绿藻覆盖面积为321 km2,与HJ-1B卫星的实测结果高度接近,相比于NDVI等传统算法具有明显优势。方法为绿藻灾害预警和监测提供了一条新的解决思路和技术途径,具有较高的应用价值。     

高光谱图像异常目标检测算法研究进展

高光谱图像在国防军事和民用领域都有大量的应用,特别是异常目标检测不需要任何先验信息,使其成为高光谱图像处理和信息提取的关键技术和研究热点之一.通过系统的梳理、分析和研究,对现有的异常目标检测算法进行了深入的归纳和总结,并对高光谱图像异常目标检测涉及到的关键问题、未来的技术发展方向(如稀疏表示、张量分解和深度学习等)以及...     

基于光谱角背景纯化的高光谱异常检测算法

为了解决利用高光谱图像进行异常检测时结果不准确、虚警率较高的问题,提出了一种基于光谱角背景纯化的异常检测算法。该算法以局部RX算法为基础,根据光谱角距离分离出内外窗口间背景像元中的异常成分,得到纯化后的背景像元,然后进行异常检测。为验证算法的有效性,选取了两组机载可见光/红外光成像光谱仪真实高光谱数据进行仿真实验,并与经典的全局RX、局部RX算法进行对比。结果表明,与局部RX算法相比,该算法在两组数据下的曲线下面积分别提高了0.0317和0.0053。这些结果为下一步的研究方向提供了参考。     

核加权RX高光谱图像异常检测算法

提出了一种新的基于混合核函数的加权RX算法,用于高光谱图像异常检测.在将原始高光谱数据非线性映射到高维特征空间以挖掘高光谱图像波段间蕴含的非线性信息后,自适应地赋予特征空间RX算子中采样协方差矩阵各光谱向量相应的权值.权值的大小与光谱向量到质心的距离成反比,从而削减了协方差矩阵中异常数据比重,使加权协方差矩阵更好地表征背景数据分布.最后利用核函数性质将高维特征空间的内积运算转化为低维输入空间的核函数计算,并根据高光谱数据特点线性组合新型光谱核函数和径向基核函数以改善算法性能.为验证算法的有效性,利用真实的高光谱数据进行了仿真实验,结果表明该算法优于特征空间的RX算法,能检测到更多的异常目标.     

一种基于光谱解混的高光谱图像道路检测方法

道路检测是遥感图像处理的一个重要任务,高光谱图像以其图谱合一的特点为道路检测提供了新的有用信源.针对遥感道路检测需求,本文提出一种利用高光谱图像进行道路检测的新方法.该方法首先利用线性混合物模型和独立分量分析技术对输入高光谱图像进行无监督解混,实现道路目标的光谱提取,得到描述道路目标的解混分量图.在此基础上,利用均值比例算子和Hough变换实现最终道路检测.仿真实验结果标明,本文提出的算法是有效的.     

基于三维纹理分割的高光谱图像异常检测

一幅复杂背景的高光谱图像可以看成是由不同纹理组合而成,纹理的统计特性可以近似用高斯分布来描述。采用纹理分割实现复杂背景的分解,从而突破异常大小和形状的限制。采用三维高斯马尔科夫场来描述高光谱图像背景的分布特性,利用最大似然估计得出模型参数,以此参数为特征进行纹理分割,在各纹理上计算像素的统计特性,进行异常检测。     

基于协峭度张量的高光谱图像异常检测

高光谱图像中的异常像元往往具有在图像中出现的概率低和游离于背景数据云团之外的特点,如何“自动”确定这些异常像元是高光谱遥感图像处理中的一个重要研究方向。经典的高光谱异常检测方法一般从图像的统计特性入手,广泛应用的RXD异常检测算法通过计算图像的2阶统计特征,可以直接给出异常点的分布情况,算法复杂度低,但缺点是没有考虑到图像的高阶统计信息。基于独立成分分析的异常检测算法虽然考虑了高阶统计量对异常点的敏感性,但需要反复迭代提取异常成分后,再对提取后的成分进行异常检测。该文提出一种基于协峭度张量的异常检测算法,该算法不需要事先提取异常成分,可以直接对观测像元进行逐一检测,从而给出异常点的分布情况。基于模拟数据和真实数据的实验结果表明,该方法能够在检测出异常像元的同时更好地压制背景信息、减小虚警率,从而提高异常检测精度。

     

基于光谱解译的高光谱图像奇异检测算法

奇异检测是高光谱图像的重要应用之一.针对目前研究中存在的问题,提出了一种新的基于光谱解译的奇异目标检测算法,用于高光谱图像处理.该算法利用光谱解译技术有效地实现了目标信息和复杂背景的分离,很好地抑制了背景对检测的干扰.解译后的误差数据仅包含丰富的目标信息且更好地服从高斯分布.利用主成分分析对解译误差数据进行变换,根据高阶统计量,定义局部平均奇异度来选择对于奇异检测最有效的主分量,并利用RX算子完成最终检测.为验证算法的有效性,利用真实的AVIR IS数据进行了仿真实验.结果表明该算法能够较大地改进经典RX算法的检测性能.     

自适应结构化背景和形状特征子空间高光谱图像多类目标检测

针对高光谱图像中目标形状特征已知,背景和目标光谱特征未知时的多类小目标检测问题,给出一种检测算法.通过高光谱图像数据样本二次型的高阶矩控制点扩散函数,获取自适应结构化背景;然后,利用目标形状先验信息构造形状特征子空间,在高维光谱特征空间实现形状特征子空间匹配检测.理论分析和实验结果表明该检测器可同时有效检测具有不同形状特征的多类目标.     

高光谱图像混合像元分解算法

传统的高光谱图像混合像元分解技术包括端元提取和估计每个端元的混合比例.虽然很多模型都能得到可以接受的解混结果,但是一些未知端元的存在使得结果在包含未知端元的像素点处出现偏差.因此,提出了一种基于支持向量数据描述的高光谱图像混合像元分解算法.首先高光谱图像数据被分成类内和类外两部分,类内是完全由已知端元数据混合的像素点,而类外数据是包含未知端元的像素点.两类数据交界处被认为是已知端元和未知端元混合的数据.然后再对这些像素点进行混合像元分解,分别对仿真数据和真实高光谱图像进行实验.结果表明该算法可以有效地解决因存在未知端元对解混精度的影响,而且能给出未知端元的解混分量.该方法的解混结果几乎不受未知端元的影响,优于直接解混结果     

一种用于光谱图像的基于邻域背景检测的矢量滤波器

提出了一种通用性强的非线性矢量数字滤波器———基于邻域背景统计的矢量滤波器,该滤波器既可用于光谱图像又可用于灰度图像,具有腐蚀小面积奇异像元的作用,可以消除图像噪声和光谱散点,同时保持原有的光谱信息不变,此外还对图像边缘有一定的锐化作用.文章设计了该滤波器的一种简化实现算法,并给出了航空高光谱图像和彩色图像的处理实例,实验结果显示该滤波器滤波效果良好,对光谱图像的噪声消除和边缘检测都有很大帮助.     

INFRARED SMALL TARGET DETECTION ALGORITHM BASED ON SELF-ADAPTIVE BACKGROUND FORECAST

A background forecast filter is presented to detect a small target under an infrared (IR) nature scene. By calculating the correlation of image pixels, the background around the small target could be forecasted. Subtracting the forecast background from original scene, the small targets would become outstanding. Experimental results show that the algorithm proposed has better performance with respect to probability of detection and less computation complexity.     

基于高光谱图像主成分分量的小目标检测算法研究

提出了一种基于图像主成分分量的高光谱小目标检测算法．作为一种多元数据集合,通常高光谱数据形成的几何体是一个超平面．主成分分析能有效估计这一几何体的本征维数．显著特征值对应的主成分体现了几何体大部分信息;而不显著特征值对应的主成分则代表了正交于几何体的信息,而这些信息中则包含了重要的内容,例如目标特性。文中提出的方法就是利用这些不显著的主成分分量来进行小目标检测．该方法减少了对先验光谱信息的依赖,提高了算法的实用性．     

基于多传感器融合的红外图像序列检测性能分析

针对红外图像目标检测性能问题,从多传感器融合算法的典型流程出发,推导单帧检测性能、多帧检测性能和多传感器融合性能的关系,并从理论上对单个因素的影响进行定量分析.分析结果表明,多传感器融合的性能比单帧检测性能和多帧检测性能更优越.     

基于超光谱图像的舌体分割算法

舌体分割是实现中医舌诊现代化的一个前提工作,分割质量直接影响舌象诊断的性能.然而由于舌的生理特征比较复杂,舌的形态以及舌与嘴唇的连接各不相同,使得舌体分割比较困难.本文采用超光谱成像系统代替数码相机采集舌图像,并借鉴光谱角度匹配算法,发展了基于超光谱图像的舌体分割算法.这一算法通过光谱角度匹配算法将超光谱舌图像立方体转换成光谱角度立方体,然后采用一维脉冲波形的边沿信息检测出边缘信息,最后实现了舌体的分割.试验表明,这种基于超光谱图像的舌体分割算法可以较为准确地将舌体分割出来.