基于主分量和独立成分分析的多光谱目标检测

不同材料的物体具有不同的光谱特性, 基于这一原理, 可以利用多光谱图像数据对不同的目标进行检测。对于具有相似或相同外形特征( 颜色和形状) 的物体, 利用全色图像一般达不到检测与识别的目的; 利用传统的多光谱目标检测方法, 则因计算量较大, 识别精度低等, 达不到满意的效果。提出了一种基于主分量与独立成分分析相结合的多光谱目标检测的新方法。通过对多光谱图像数据进行主分量分析, 可以降低多光谱的维数, 去掉冗余成份, 保留其主要信息; 对降维后的数据再进行独立成分分析, 提取各种目标的光谱特性, 实现目标的检测与识别。将这两种方法有机的结合起来, 发挥各自的优点, 实现对多光谱图像目标快速的检测与识别。以真假树叶( 真树叶和塑料树叶) 为例, 验证了该方法的有效性和正确性。     

空间一致性邻域保留嵌入的高光谱数据特征提取

局部线性嵌入(LLE)和邻域保留嵌入(NPE)等流形学习方法可以提取高光谱数据的主要结构特征,有助于对数据的理解和进一步处理。但是,这些方法忽视了高光谱图像中相邻像素之间的相关性。针对这个问题,提出一种基于空间一致性思想的邻域保留嵌入(SC-NPE)特征提取算法,通过一个优化的局部线性嵌入,并考虑相邻像素的相关特性,在高维空间建立数据的局部邻域结构。然后寻找一个优化的变换矩阵,将局部邻域结构投影到低维空间,实现数据的特征提取。与LLE和NPE算法相比,SC-NPE既考虑高光谱数据的流形结构,又考虑了其图像域空间信息,可以更好地应用在高光谱数据的特征提取过程中。实验结果表明,SC-NPE特征提取算法在高光谱图像分类方面的性能明显优于其他同类算法。     

基于快速非负矩阵分解和RBF网络的高光谱图像分类算法

提出一种处理AVIRIs高光谱图像数据的计算机分类算法。首先采用投影梯度（Projected Gradient）改进的非负矩阵分解（NMF）方法对高光谱数据进行特征提取,大大降低了分解过程中两个子迭代问题的时间复杂度,而后利用径向基函数神经网络（RBFNN）分类器对提取结果进行分类。结果表明,与传统NMF和主成分分析相比,PGNMF—RBF算法消耗时间最少,分类精度最高,6类地物的分类精度达到83．34％。该算法在保留非负矩阵分解明确物理意义的基础上,获得了更快的分解速度和更高的分类精度,在高光谱图像分类领域具有较大的应用潜力。     

基于双向信号子空间投影的高光谱图像虚拟维数估计

提出一种基于双向信号子空间投影的高光谱图像虚拟维数估计算法.该算法分别在高光谱图像的像元方向和波段图像方向进行信号子空间估计,虽然这两个方向上信号子空间的分布不同,但其维数均等于图像的虚拟维数.该方法不需要对信号子空间和噪声子空间进行区分,仅通过对不同方向上的信号子空间投影进行比较,获取图像的虚拟维数.仿真像元实验和实际高光谱图像实验均证明该算法改善了传统的基于单向投影的虚拟维数估计算法的性能,其性能优于常用的虚拟维数估计算法:Neyamn-Pearson检测算法和信号子空间估计算法.     

面向遥感图像小目标检测的改进YOLOv3算法

针对YOLOv3目标检测算法在遥感图像小目标检测方面精度较低的缺点,提出了一种改进的YOLOv3目标检测算法--YOLOv3-CS。根据对backbone中不同尺度特征重要性的分析重构了backbone,即增加具有丰富位置信息的浅层特征对应的卷积层深度,以此增强backbone对小目标特征的提取能力,引入RFB结构增大浅层特征图的感受野来提升小目标检测精度,优化了anchor boxes及其分配原则。在RSOD数据集的实验结果表明,YOLOv3-CS算法与YOLOv3相比,mAP提高6.49%,F1提高4.85%,所需存储空间降低12.58%,其中backbone的改进和RFB的引入对小目标检测的精度提升较为明显,说明提出的目标检测算法在遥感图像小目标检测方面有较高的优势。     

基于瞳孔角膜反射技术的视线估计方法

作为信息获取与人机交互的一种新型方式,视线跟踪技术已经成为计算机视觉领域的热门研究方向。视线跟踪的核心技术是视线估计。针对现有视线估计方法标定复杂、限制头部运动等问题,提出了一种改进的基于二维瞳孔角膜反射技术的视线估计方法。在单相机单光源条件下,通过建立瞳孔角膜反射模型、补偿个体差异误差、补偿头部运动误差等步骤实现单点标定视线估计。实验结果表明,用该算法估计视线,在一定范围内,头部移动不会带来精度的明显下降。     

超宽带信号频谱实现研究

为了给不同的应用环境下所要采用的超宽带信号波形的选择提供依据,本文采用数字方法产生了超宽带(ultra wideband＞UWB)无线通信系统中常用的基带高斯脉冲,在此基础上,分别利用带通滤波和上变频方式实现了中心频率和带宽可控的UWB信号脉冲,给出了仿真结果,结果表明,带通滤波方式功率谱能量较低,适用于短距离低功率系统,但系统实现简单.上变频方式功率谱较高,适用于高速远距离应用,且频谱控制更加灵活,但系统复杂度略高.与传统波形设计方法相比,这些方法从频域出发,频谱实现简单灵活并且系统易于实现.     

基于快速非负矩阵分解和RBF网络的高光谱图像分类算法

提出一种处理AVIRIS高光谱图像数据的计算机分类算法。首先采用投影梯度（Projected Gradient）改进的非负矩阵分解（NMF）方法对高光谱数据进行特征提取,大大降低了分解过程中两个子迭代问题的时间复杂度,而后利用径向基函数神经网络（RBFNN）分类器对提取结果进行分类。结果表明,与传统NMF和主成分分析相比,PGNMF\|RBF算法消耗时间最少,分类精度最高,6类地物的分类精度达到83.34%。该算法在保留非负矩阵分解明确物理意义的基础上,获得了更快的分解速度和更高的分类精度,在高光谱图像分类领域具有较大的应用潜力。     

基于PCA与协同表示的高光谱图像分类研究

在基于协同表示（CR）的高光谱图像分类问题中,通常直接选用训练样本构建各类字典,但各类字典内训练样本基元间的相关性往往会降低协同表示分类性能。为此,该文提出采用主成分分析（PCA）对各类训练样本进行去相关处理以构建字典,降低了训练样本间的相关性对分类结果的影响,可有效提高协同表示分类的有效性。高光谱真实数据分类实验结果表明,该算法可有效提高传统协同表示分类的正确率。     

近红外高光谱图像数据预测技术

目的 受到传感器光谱响应范围的影响,可见光区域和近红外区域（400~2 500 nm）的高光谱数据通常使用不同的感光芯片进行成像,现有这一光谱区域典型的高光谱成像系统,如AVIRIS （airborne visible infrared imaging spectrometer）成像光谱仪,通常由多组感光芯片组成,整个成像系统成本和体积通常比较大,严重限制了该谱段高光谱探测技术的发展。为了能够扩展单感光芯片成像系统获得的高光谱图像的光谱范围,本文探索基于卷积神经网络的近红外光谱数据预测技术。方法 结合AVIRIS成像光谱仪的光谱配置,设计了基于残差学习的红外谱段图像预测网络,利用计算成像的方式从可见光范围的高光谱图像预测出近红外波段的光谱图像,并在典型的卫星高光谱遥感数据上进行红外光谱预测重构和基于重构的数据分类实验,以验证论文提出的红外光谱数据预测技术的可行性以及有效性。结果 本文设计的预测网络在Cuprite数据集上得到的预测近红外图像峰值信噪比为40.145 dB,结构相似度为0.996,光谱角为0.777 rad;在Salinas数据集上得到的预测近红外图像峰值信噪比为39.55 dB,结构相似性为0.997,光谱角为1.78 rad。在分类实验中,相比于只使用可见光图像,利用预测的近红外图像使得支持向量机（support vector machine,SVM）的准确率提升了0.6%,LeNet的准确率提升了1.1%。结论 基于AVIRIS传感器获取的两组典型卫星高光谱数据实验表明,本文提出的红外光谱数据预测技术不仅可基于计算成像的方式扩展可见光光谱成像系统的光谱成像范围,对于减小成像系统体积和质量具有重要意义,而且可有效提高可见光区域光谱图像数据在典型应用中的处理性能,对于提高高光谱数据处理精度提供新的技术支撑。