基于四阶累积量的波段子集高光谱图像异常检测

针对由于高光谱图像光谱和空间分布的复杂性导致核RX算法检测性能不高这一问题,提出了基于四阶累积量的波段子集非线性异常检测算法。首先先依据各相邻波段间的相关系数,将原始图像数据划分为多组波段子集;然后,利用主成分分析(PCA)构造的正交子空间对各波段子集进行背景抑制,得到图像误差数据;在此基础上,再次利用PCA提取各波段子集的特征信息,使异常目标信息集中于前面几个波段;最后,提取各子集主成分中含有最大四阶累积量值的波段,构成最优波段子集,并与核RX算法结合进行异常检测。利用真实的AVIRIS高光谱图像对算法进行仿真,结果表明,本文算法检测精度高,虚警率低,性能明显优于核RX算法。     

基于双边滤波的最优波段子空间高光谱异常目标检测

针对KRX方法对高光谱图像进行异常目标检测时存在检测效率低和虚警率高的问题,在充分分析高光谱图像数据特征基础上,本文提出一种最优波段子空间方法的高光谱图像异常目标检测算法。该算法首先利用双边滤波方法对高光谱图像进行全局滤波,充分利用双边滤波的优点,使得高光谱图像背景信息得到抑制;然后采用经典的自动子空间方法对高光谱图像进行波段子集划分;再利用联合偏度-峰度指标,在每个波段子集内选出最优波段;最后利用这些最优波段构成新的波段最优子空间,在此基础上,在最优波段子空间中利用Kernel RX算法进行异常目标检测,从而得到异常检测结果。本文利用真实的高光谱图像进行仿真验证,获得异常目标、检测的虚警数和ROC等检测结果。结果表明,该算法具有鲁棒性强、虚警率低和检测精度高等优点。     

基于粒子群优化聚类的高光谱图像异常目标检测

高光谱图像的高维特性增加了图像的信息量,但 是同时也带来了“维数灾难”问题 。在高光谱图像异常目标检测 过程中,如何更好降低维数,去除波段冗余性和最大程度抑制背景干扰成为亟需要解决的 问题。针对此,本文提出了基于粒子群 优化(PSO)聚类的高光谱图像异常目标检测算法。算法首先利用粒子群方法对传统的k-均 值聚类进行优化,在不改变高光谱图像 波段特征的基础上用新的聚类方法对图像进行了波段子集类划分,使得具有相似特性的波段 归为一类;然后,通过主成分分析(PCA)变换使 得聚类后的图像数据中含有的异常目标变得突出,同时抑制背景干扰;最后,提取各子集主 成分中含有最大四阶累积量值的波 段,构成最优波段子集,并与核RX算法结合进行异常检测。利用真实的AVIRIS高光谱图像对 算法进行仿真,结果表明,算法检测精度高,虚警率低。     

面向目标检测基于稀疏表示的波段选择方法

随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化（CEM）检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性.     

高光谱图像波段子集模糊积分融合异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,该文给出一种基于高相关性波段子集分割的模糊积分低概率目标检测融合算法。依据高光谱图像数据的波段相关性将原始高光谱数据分割为若干连续波段子集;利用非参核密度估计得到原假设下各波段子集数据RX检测器输出的概率密度函数,构造出非参隶属度映射函数;利用数据光谱维的特征值定义目标信号噪声能量比(TNER),衡量各波段子集信源检测结果的重要程度;最后,通过Sugeno模糊积分实现波段子集检测结果的决策级融合。使用可见光/近红外波段OMIS-I高光谱图像进行了实验,实验结果证明了算法的有效性。     

基于空-谱结合的稀疏高光谱异常目标检测

针对稀疏表示理论用于高光谱图像异常目标检测存 在检测精度不高的问题,在对高光谱图像的空间特性和光谱特性充分分析基 础上,提出了基于空-谱结合的 稀疏高光谱异常目标检测算法。首先利用多尺度高斯滤波对原始高光谱图像进行滤波 处理,通过滤波减少高光谱图像 含有的噪声对异常目标的影响;对滤波之后的高光谱图像进行波段子集划分,划分依据是邻 波段间的相关系数;然后利用高 光谱图像稀疏差异指数对每个子空间进行异常目标检测;最后对检测结果进行叠加,得到最 终异常目标检测结果。采用真实 的AVIRIS高光谱图像对算法进行仿真验证的结果表明,本文算法检测精度高,虚警率低, 提高了稀疏表示理论用于高光谱异常目标的检测性能。     

利用独立成分分析的高光谱图像波段选择方法

提出一种适合目标探测的基于独立成分分析(ICA)的高光谱图像波段选择方法。首先进行"虚拟维"(VD)估计以确定重要独立成分个数,同时对FastICA生成的独立成分排序,选择排序靠前的几个独立成分作为重要独立成分;再根据波段对重要独立成分的平均贡献量对波段排序;最后使用光谱相似性度量去除排序后的冗余波段,保证了最终波段子集含有较多的目标信息。对AVIRIS获取的两幅真实高光谱图像进行了目标探测实验,结果表明,文中方法优于另外两种基于二阶统计特性的波段选择方法,其选出的波段分别占据全部波段的12%和3%,目标探测算子自适应余弦估计(ACE)和自适应匹配滤波(AMF)其上的探测率较全波段分别提高了30%和15%。     

Hyperion高光谱影像波段选择方法比较研究

Hyperion影像的光谱分辨率高,数据体积庞大,而且相邻波段之间的相关性强,信息冗余度较高, 给数据处理与解译带来了很多问题。鉴于此,提出了通过将分段主成分分析和波段指数相结合来开展波段选择与降维研究的思想。 同时采用自适应波段选择法、波段指数法和主成分分析累计贡献率方法进行了波段选择方法的对比研究;对4种波段选择方法所得到的结 果进行了最佳波段组合、地物可分性和图像变换比较分析。实验结果表明,分段主成分分析与波段指数综合方法可以有效抑制由于全局变换造成局部重要光谱被滤除的现象 ,同时还可兼顾自适应分区后各子区间及区间内波段之间的相关性,有效降低高光谱数据的维度。由此可见,该方法的波段选择效 果优于传统的自适应波段选择方法、波段指数法以及主成分分析累计贡献率方法。     

一种基于主成分分析的高光谱图像波段选择算法

提出了一种基于主成分分析的高光谱图像波段选择算法。该算法把每个波段被映射到主成分的信息量的大小作为是否被选择的指标，因此，可以保证选择的波段包含原始图像绝大部分信息，而且指标的计算只需要得到原始数据的协方差阵，而不必对原始数据进行真正的主成分变换，极大的降低了计算量。贝叶斯和K-均值分类实验表明．该算法是有效可行的。     

基于局部联合偏度-峰度的高光谱图像波段选择方法北大核心CSCD

偏度和峰度能够较好地表达高光谱图像的非高斯性,突出目标、纹理等异常信息,很好地应用于波段选择。为了更好地突出局部异常信息,在全局联合偏度-峰度指数模型基础上,提出了局部偏度-峰度的高光谱图像波段选择方法。利用全局联合偏度-峰度指数对原始图像进行波段子空间划分,然后选择适当大小的模板窗口,计算窗口内的局部联合偏度-峰度指数,并以此方法遍历所有波段,求出累积局部联合偏度-峰度指数,最后进行波段选择。波段选择结果表明,局部联合偏度-峰度指数方法所选择波段分布更加广泛,效果更好。异常检测实验结果和融合结果表明,本文方法所得图像在客观指标评价中具有较大优势。     

Representative band selection for hyperspectral image classification

High dimensional curse for hyperspectral images is one major challenge in image classification. In this work, we introduce a novel spectral band selection method by representative band mining. In the proposed method, the distance between two spectral bands is measured by using disjoint information. For band selection, all spectral bands are first grouped into clusters, and representative bands are selected from these clusters. Different from existing clustering-based band selection methods which select bands from each cluster individually, the proposed method aims to select representative bands simultaneously by exploring the relationship among all band clusters. The optimal representative band selection is based on the criteria of minimizing the distance inside each cluster and maximizing the distance among different representative bands. These selected bands can be further applied in hyperspectral image classification. Experiments are conducted on the 92AV3C Indian Pine data set. Experimental results show that the disjoint information-based spectral band distance measure is effective and the proposed representative band selection approach outperforms state-of-the-art methods for high dimensional image classification.     

基于波段分组的高光谱图像无损压缩

高光谱图像海量数据给存储和传输带来极大困难,必须对其进行有效压缩。针对高光谱图像不同频谱波段间相关性不同的特点,提出一种基于波段分组的高光谱图像无损压缩算法。为了降低波段排序算法的计算量,根据相邻波段相关性大小预先进行分组,采用最佳后向排序算法对各组波段进行重新排序。在当前波段和参考波段中选取具有相同空间位置的邻域结构,在最小二乘准则下,利用邻域像素对当前预测像素进行最优谱间预测。参考波段和预测残差数据进行JPEG-LS压缩。对OMIS-I型高光谱图像进行实验的结果表明,与基于多波段预测算法相比,该算法可进一步降低压缩后的平均比特率。     

基于分类别PCA散度的高光谱图像分类波段选择

波段选择是去除高光谱图象段间冗余,实现降维的有效方法。该文提出了一种新的基于分类别主成分分析(PCA)散度的波段选择方法。即首先对训练集各类样本分别进行PCA变换去相关并计算散度,接着分析相应PCA变换系数获得对各类样本分类都重要的原始波段,在综合考虑波段的相关度,散度和子集规模的基础上获得最终选择波段。复杂度分析表明该方法较局部寻优的前向搜索计算量大为降低,提高了效率,并用高光谱遥感图象的分类实验进行了验证。     

一种新的基于目标检测的波段选择方法

针对现有的高光谱遥感波段选择方法应用于目标检测时效果不高的问题,提出了基于目标检测的波段选择方法两步波段选择（Two Step Band Selection,TSBS）方法。该方法首先应用典型波段选择方法对高光谱波段进行初选;然后根据波段逐一累积后不同波段组合的目标检测效果,对初选波段进行再次选择,最终得到目标检测效果更好的波段组合。该方法不仅继承了典型波段选择方法的优点,而且直接基于目标检测的效果选择波段,应用针对性强,方法简单易行。实验结果表明:TSBS方法在高光谱数据波段选择方面具有较好的普适性,能够在实现数据降维的同时,有效改善目标检测的效果。     

A joint band prioritization and band-decorrelation approach to bandselection for hyperspectral image classification

Band selection for remotely sensed image data is an effective means to mitigate the curse of dimensionality. Many criteria have been suggested in the past for optimal band selection. In this paper, a joint band-prioritization and band-decorrelation approach to band selection is considered for hyperspectral image classification. The proposed band prioritization is a method based on the eigen (spectral) decomposition of a matrix from which a loading-factors matrix can be constructed for band prioritization via the corresponding eigenvalues and eigenvectors. Two approaches are presented, principal components analysis (PCA)-based criteria and classification-based criteria. The former includes the maximum-variance PCA and maximum SNR PCA, whereas the latter derives the minimum misclassification canonical analysis (MMCA) (i.e., Fisher's discriminant analysis) and subspace projection-based criteria. Since the band prioritization does not take spectral correlation into account, an information-theoretic criterion called divergence is used for band decorrelation. Finally, the band selection can then be done by an eigenanalysis based band prioritization in conjunction with a divergence-based band decorrelation. It is shown that the proposed band-selection method effectively eliminates a great number of insignificant bands. Surprisingly, the experiments show that with a proper band selection, less than 0.1 of the total number of bands can achieve comparable performance using the number of full bands. This further demonstrates that the band selection can significantly reduce data volume so as to achieve data compression     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

融合视觉注意机制的高光谱RX异常检测算法

视觉注意机制具有快速引导关注到重点区域的特性,将其引入高光谱图像异常检测中具有可行性。本文从采样方式、波段选取、融入局部光谱特征3方面构建更适用于计算高光谱图像显著性的视觉注意机制模型。针对经典的基于高斯统计分布假设的RX异常检测算法在背景参数估计中易受潜在异常干扰的问题,利用视觉显著性结果对原图像进行高斯加权,在加权后图像中进行背景均值与协方差的重新估算,进而使用更精确的背景参数对原图像进行RX异常检测。在5个经典数据上的实验结果表明,本文方法有效地表现了潜在的异常目标,改进的RX异常检测算法具有更高的检测精度与更低的虚警率。