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.     

高光谱图像目标检测研究进展

 高光谱图像目标检测在民用和军事上都具有重要的理论价值和应用前景,是当前目标识别及遥感信息处理研究领域中的一个热点研究问题.文章从高光谱成像的特性及发展入手,对高光谱图像目标检测的潜在典型应用、国内外相关实验及系统进行了总结;综述了算法理论现状;详细分析了高光谱图像目标检测的研究难点及未来发展趋势.     

用于多光谱、高光谱和超光谱图像的算法

一、探测与识别 1.光谱子空间匹配滤波技术(特邀论文,A.P.Schaum,美国海军研究实验室) 2.配有超光谱自适应匹配滤波器的探测器:实际性能比较(D.G.Manolakis等,美国林肯实验室) 3.利用光学实时自适应光谱鉴别系统进行超光谱成像的自动目标识别系统(D.Gillis等,美国海军研究实验室) 4.定量研究长波红外超光谱成像器的探测性能随波段数的变化(R.T.Mayer,美国海军研究实验室)     

基于高光谱成像和模式识别的无损检测苹果表面损伤

为了实现苹果表面损伤的快速无损检测,基于高 光谱成像技术结合模式识别算法建立了苹果表面损 伤检测模型。首先,利用高光谱图像采集系统采集完好无损和表面损伤苹果样本的高光谱图 像,提取正常 区域和损伤区域的平均光谱反射率曲线；然后,采用标准正态变换(SNV)和多元散射校正(MSC)分别 对原始光谱数据进行预处理；最后,利用偏最小二乘判别分析(PLS-DA)方法,建立了苹 果表面损伤 SNV+PLS-DA和MSC+PLS-DA检测模型。结果表明:采用SNV和MSC光谱预处理方法可有效地消 除高 光谱图像中的噪声；利用SNV+PLS-DA检测模型对校正集和检验集样本的正确识别率分别为 70.8%和 77.5%,而采用MSC+PLS-DA检测模型对校正集和检验集样本的正确识 别率分别为71.7%和77.5%。因此, 基于高光谱成像技术结合模式识别方法,可实现苹果表面损伤的无损检测。     

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．     

高光谱异常检测中背景抑制方法研究

针对高光谱图像复杂背景导致异常检测效果下降 的问题,提出了一种新的异常检 测方法。首先使用小波分解将原始高光谱图像分解成高频信息图像和低频信息图像,使用主 成分分析(PCA)方法抑制高光谱原始图像的背景信息;然后将背景抑制后图像和高频信息图 像融合,得到处理后图像;最后使用Kerner-Reed-Xiaoli(KRX)算法进行异常检测,并 仿真证明了本文方法在提高异常检测效果和效率方面的有效性。     

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。     

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.     

基于高光谱图像技术的指纹识别研究

目前,国内外通过高光谱图像技术来进行指纹识别的研究非常少.高光谱图像技术作为集图像信息与光谱信息于一身的新技术,对指纹识别的可行性做了探讨和研究.以血指纹为目标,首先对高光谱指纹图像进行了主成分分析,优选出415nm、550nm和630nm三个特征波长进行图像融合;然后对该图像进行中值滤波得到更为清晰指纹图像;最后通过MATLAB软件对指纹某个像素点的光吸收强度值进行提取,得到该像素点的光谱曲线.实验研究表明,用高光谱图像技术来识别指纹是可行的.     

一种基于主成分分析的高光谱图像压缩方法

探讨将主成分分析方法应用于高光谱图像压缩。对扫帚式高光谱成像仪(PHI)图像应用主成分分析的方法,发现能量主要集中在少数几个特征值中,这就为压缩提供了可能。使用峰值信噪比(PSNR)及分类准确率来评估该方法的可行性。实验证实了该算法的有效性。     

高光谱图像基于像素结构的改进PCA算法

主成分分析法(PCA)作为一种常用的降维算法,被广泛的应用到如高光谱图像处理等需要进行大量数据处理的应用中。PCA的主要目的是利用正交变换,将具有相关性的高维数据的分量转换为线性不相关的新的成分变量,但当矩阵维数超过百万时候会造成严重的计算困难问题。本文针对PCA运算中协方差矩阵计算过程中内存调度的问题,提出了一种基于像素结构的改进的协方差矩阵计算方法,可以在确保与常规PCA具有相同性能的同时有效地降低计算所需的存储器规模。实验中分别采用传统PCA算法和改进算法对高光谱图像数据进行特征提取后利用支持向量机(SVM)进行分类,对比结果验证了改进算法的有效性和可靠性。     

基于主成分分析与局部二值模式的高光谱图像分类北大核心CSCD

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息,对降维后的图像利用局部二值模式进行空间纹理特征分析,采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,因此,此类算法不但能充分挖掘高光谱图像的谱间-空间特征,在较大程度上提高分类精度和Kappa系数,而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。     

畜产品品质的高光谱图像无损检测研究进展

应用新兴的高光谱图像技术对畜产品品质进行无损检测是当前的研究热点之一。介绍了该技术的基本原理和分析过程,总结分析了国内外畜产品品质高光谱图像无损检测的研究现状和存在问题,提出了畜产品品质高光谱图像技术检测的未来研究发展方向,以期对我国相关研究人员的研究工作提供参考。     

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.     

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。     

基于主成分分析和字典学习的高光谱遥感图像去噪方法

高光谱图像变换域各波段图像噪声强度不同,并具有独特的结构。针对这些特点,该文提出一种基于主成分分析(Principal Component Analysis, PCA)和字典学习的高光谱遥感图像去噪新方法。首先,对高光谱数据进行PCA变换得到一组主成分图像;然后,对信息量较小的主成分图像分别采用基于自适应字典的稀疏表示方法和对偶树复小波变换方法去除空间维和光谱维的噪声;最后,通过PCA逆变换得出去噪后的数据。结合主成分分析和字典学习的优势,该文方法相对于传统方法对高光谱图像具有更好的自适应性,在细节得到保留的同时有效地抑制了斑块效应。对模拟和实际高光谱遥感图像的实验结果验证了该文方法的有效性。     

基于背景残差数据的高光谱图像异常检测算法

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.     

高空间分辨率和高光谱分辨率遥感图像的融合

1 引言 在遥感成像系统的设计中,空间分辨率和光谱分辨率常常不可兼得,因为高光谱成像系统的光谱带宽很窄,必须用较大的瞬时视场(IFOR)才能收集足够多的光量子以维持可接受的信噪     

基于特征融合方法的高光谱图像分类综述

高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要.然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度.受到观测噪声、目标区域大小及端元易变性等因素的影响,使得高光谱图像的分类仍然面临诸多挑战.随着人工智能和信息处理技术的不断进步,高光谱图像分类已成为遥感领域的...