联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

基于低秩表示和学习字典的高光谱图像异常探测

提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法.相对于其它低秩矩阵分解方法如鲁棒主成分分析,低秩表示方法更为契合高光谱图像的线性混合模型.该算法将低秩表示模型应用到高光谱图像异常探测问题上来,引入表征背景信息的学习字典,大大增强了低秩表示模型对初始参数的鲁棒性.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地提高了异常的探测率,同时对初始参数具有较好的鲁棒性,可以作为一种解决高光谱图像异常探测的有效手段.     

基于低秩稀疏分解的红外弱小目标检测算法研究进展

红外探测系统具有隐蔽性好、抗干扰能力强等特点,广泛应用于军事和民用领域,红外弱小目标的检测是红外探测系统中的重要组成部分,已成为了当前的研究热点。近年来,学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果,为此,重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束,其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束,然后分析了联合时域信息约束,将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比,最后讨论了该领域下一步的研究方向。     

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...     

基于端元提取的高光谱异常目标检测

针对高光谱图像混合像元影响异常检测效果的问题,提出了一种基于端元提取的异常检测算法。该算法采用小波分解,将原始高光谱图像分解为高频信息图像和低频信息图像,舍弃低频信息图像,只利用高频信息图像,从而抑制了背景,突出了目标;然后使用正交子空间投影（OSP）方法提取图像的端元光谱;最后根据提取的端元光谱,采用光谱角匹配（SAM）技术完成高光谱图像的异常检测。为了验证本文方法的有效性,利用 AVIRIS 高光谱数据进行了仿真实验,取得了较好的检测效果。与其他算法相比,结果表明,本文算法的检测性能明显优于传统算法,既降低了虚警率,又大大缩短了计算时间,适用于实时的高光谱图像异常目标检测。     

基于低秩结构提取的高光谱图像压缩表示

为实现高效、精准的高光谱图像分类,该文利用低秩矩阵恢复从原始数据中提取低维特征,实现高光谱图像的压缩表示。针对高光谱应用的特殊性,该文算法基于结构相似性度量(Structural Similarity Index Measurement, SSIM)对矩阵恢复过程提出了信噪分离约束,有助于选择更优的模型参数,增强表示的准确性。实验证明,相比现有相关方法,该文算法能够有效去除高光谱图像中的噪声,表示结果更为鲁棒;在仅使用低维特征时,仍能达到较高的分类精度。     

基于联合核协同的高光谱图像异常目标检测

在目前的高光谱图像异常目标检测算法中,通常 只考虑高光谱图像的光谱特性而忽 略其空间 特性,针对这一问题,提出了基于联合核协同的稀疏差异指数的检测算法。本文算法将核协 同与稀疏差异指数表示方法相结合,分别提出了光谱核协同和空间核协同的 稀疏差异 指数表示模型,进而提出了一种联合核协同的稀疏差异指数表示模型。在模拟的 高光谱图 像数据中,讨论了双窗口设计对所提出算法的检测结果的影响;在真实的AVIRIS高光谱图像 仿真实 验中,分析了不同波段选择及主成分分析对检测结果的影响。结果表 明,所提出的算法检测精度高,虚警概 率低。     

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。     

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪; 然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度; 最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。     

基于低秩分解和卷积稀疏编码的多源图像融合

针对卷积稀疏编码能够较好地保留图像信息特征的这一特点,提出基于低秩分解和卷积稀疏编码的多源图像融合方法.为了避免图像分块处理对图像结构的影响,将每幅待融合图像进行全局处理.首先,通过低秩分解将图像分解成低秩和稀疏两部分;接着,对稀疏部分进行卷积分解,可以训练得到一组稀疏滤波器字典,再将卷积稀疏编码应用到图像的融合中;然后,对低秩和稀疏成分分别设计不同的融合规则,得到融合低秩成分和融合稀疏成分,最终得到融合图像.最后,为了验证所提方法的融合效果,将所提方法与其他方法进行对比实验.实验结果表明,所提方法在视觉效果和客观评价指标方面均取得良好的效果.     

基于稀疏表示分步重构算法的高光谱目标检测

针对传统稀疏表示重构算法在高光谱目标检测中表现出运算速度慢的问题,提出了分步重构算法（Two Steps Reconstruction,TSR）。该方法先求得 K 个与待测像元最相似的字典原子,然后用这些原子线性表示待测像元以求解稀疏向量,舍弃了传统重构算法的迭代求解的方式,直接通过求解逆矩阵,简化了运算过程,使运算速度大幅提高。本文给出了方法的具体过程并将其与传统方法及其改进方法进行比较。实验结果表明,TSR 在保证检测精度不下降的同时能够大幅提升运算速度。     

基于端元提取的超光谱图像目标检测算法

针对超光谱图像中目标检测问题,提出了一种基于端元提取的超光谱图像目标检测算法。该算法在未知任何先验信息条件下,对超光谱数据进行基于噪声调节的主成分分析,通过保留信噪比较大的主成分,有效降低超光谱图像中的噪声水平;然后利用基于无监督正交子空间投影的端元提取算法获取图像中的端元矢量,将各端元矢量代入改进的约束能量最小化算子中,从而实现超光谱图像的目标检测。实验结果表明,该算法不但可以得到较好的目标检测结果,在运算性能上也具有一定的优势。     

动态背景下基于低秩及稀疏分解的动目标检测方法

针对背景运动引起动目标检测精度显著下降的问题,该文提出一种基于低秩及稀疏分解的动目标检测方法。所提方法首先引入伽马范数($\gamma {\rm{ - norm}}$)近乎无偏地逼近秩函数以解决核范数过度惩罚较大奇异值从而导致所得最小化问题无法获得最优解进而降低检测性能的问题,而后利用${L_{{1 / 2}}}$范数抽取稀疏前景目标以增强对噪声的稳健性,同时基于虚警像素所具有稀疏且空间不连续特性提出空间连续性约束以抑制动态背景像素,进而构建目标检测模型。最后利用基于交替方向最小化(ADM)策略扩展的增广拉格朗日乘子(ALM)法对所得优化问题求解。实验结果表明,与现有主流算法对比,所提方法可显著改善动态背景情况下动目标检测精度。     

采用低秩与加权稀疏分解的视频前景检测算法

传统的鲁棒主成分分析模型能较好地解决视频前景检测问题.但是,若该模型的假设条件不能满足,算法性能会变差.针对此问题,本文提出了一种低秩与加权稀疏分解模型,通过对前景矩阵加权以增强其稀疏性.在建立加权矩阵的过程中,采用光流法获取每帧的运动矢量,以区分真实运动区域.其次,进一步提出一种增强模型,通过将加权矩阵作用于观测矩阵及背景矩阵,防止前景与背景的错误分离.实验结果表明,在无噪和有噪的情况下,提出的算法均能有效地分离监控视频中的前景和背景.     

运动平台混响背景下基于低秩稀疏分解的目标回波增强

在水下航行器等运动平台上,主动声呐的近距离滤波结果受混响干扰影响严重,大量的混响回波亮点会掩蔽目标回波的可见性,导致后续检测判决的虚警率增大.以阵列处理的方位历程图作为基本输入,该文利用某些场景下混响干扰相邻周期间潜在的相干结构,假设混响满足低秩性;由于平台间的相对运动,假设感兴趣的目标回波在逐周期间是不相关且稀疏的.之后,将方位历程图表示为低秩的混响、稀疏的运动目标回波和噪声成分,在此基础上提出以加速近端梯度法(APG)和快速数据投影法(FDPM)分别实现离线和在线的低秩稀疏分解,从而实现混响抑制和目标回波增强.试验结果验证了假设模型的有效性,并且两种分解算法均能有效地增强目标回波.     

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.     

运动平台混响背景下基于低秩稀疏分解的目标回波增强

在水下航行器等运动平台上,主动声呐的近距离滤波结果受混响干扰影响严重,大量的混响回波亮点会掩蔽目标回波的可见性,导致后续检测判决的虚警率增大.以阵列处理的方位历程图作为基本输入,该文利用某些场景下混响干扰相邻周期间潜在的相干结构,假设混响满足低秩性;由于平台间的相对运动,假设感兴趣的目标回波在逐周期间是不相关且稀疏的....     

基于稀疏约束的SAR目标特征提取方法研究

特征提取是合成孔径雷达目标识别关键技术与核心任务。为了更好地提取目标特征,稀疏约束将被添加在非负矩阵分解法中,并应用于图像目标特征提取,通过利用稀疏约束的非负矩阵分解方法对sAR目标图像进行分解,构建具有稀疏性的目标特征矢量,提高了特征矢量的类内相似性与类间差异性。利用基于支持向量机的分类方法对MSTAR数据进行目标识别试验,试验结果表明,添加稀疏约束的NMF方法与PCA、ICA以及一般NMF特征提取方法相比,能够显著提高目标识别的稳定性和准确率。     

基于谱间相关性的高光谱图像稀疏分解算法

针对高光谱图像邻近波段相关性强的特点,结合粒子群优化算法的快速寻优能力,提出一种基于谱间相关性的高光谱图像稀疏分解算法.将高光谱图像分组为参考波段图像和普通波段图像,参考波段图像采用粒子群寻优找到最优原子,实现稀疏分解.普通波段图像的最优原子由两部分构成,一部分原子从参考波段图像的最优原子继承而来,继承个数由普通波段图像与参考波段图像的谱间相关性确定,其余原子则由粒子群搜索得到.对高光谱数据集进行稀疏分解,验证算法的分解效率,结果表明,在重构图像精度相当的条件下,稀疏分解速度比正交匹配追踪算法快约18倍.