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。     

基于子空间中主成分最优线性预测的高光谱波段选择

针对高光谱遥感图像的异常检测问题,为了使高光谱降维数据能更完整地保留其光谱信息,提出了基于子空间中主成分最优线性预测的波段选择方法.采用改进相关性度量的谱聚类方法将高光谱波段划分为不同的子空间,并对各子空间中的波段进行主成分分析(PCA),选择主要分量作为重构目标;以子空间追踪法为搜索策略,从各子空间中选择数个波段对其重构目标进行联合最优线性预测;合并各子空间中的所选波段得到最佳波段子集.实验结果表明,该方法选择的波段子集可以较完整地重构原始数据,与原始数据以及自适应波段选择(ABS)方法、线性预测(LP)方法、最大方差主成分分析(MVPCA)方法、自相关矩阵波段选择(ACMBS)方法、组合因子最优波段选择(OCFBS)方法得到的波段子集相比,其波段子集具有更好的异常检测性能.     

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。     

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。     

一种基于改进子空间划分的波段选择方法

高光谱图像具有光谱分辨率高、波段连续、数据量大、图谱合一等特点。然而较高的光谱分辨率会造成波段间相关性强,信息冗余多。所以如何从数百个高光谱波段中选出有利于识别或分类的波段组合成为了高光谱应用需要解决的问题。文章针对相邻波段间相关性较大的特点,提出一种改进的对波段相关矩阵进行全局搜索的子空间划分的波段选择方法。该方法克服了传统只利用相关向量对波段进行划分的缺陷,利用整个相关矩阵进行全局搜索划分,再在划分后的子空间内进行波段选择,从而降低了波段之间的相关性。文章最后使用上述方法对AVIRIS数据进行波段选择,并通过SVM方法对其进行地物分类,结果表明该方法较不进行子空间划分的波段选择方法有较高的分类精度。     

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.     

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.     

基于RTF的高光谱图像去噪方法

高光谱数据中包含丰富的光谱和空间上下文信息。早期的高光谱图像去噪方法是单波段的、仅利用了高光谱数据的空间上下文信息。近年来提出的一些去噪方法综合利用了光谱和空间上下文信息,但是在对大尺度和全局上下文信息建模以及模型与图像内容自适应等方面存在局限,导致去噪结果出现过平滑的现象。针对上述问题,提出了一种基于回归树场的高光谱图像去噪方法:首先选择需要处理的高光谱波段;然后构建基于回归树场的高光谱去噪模型;最后利用基于特定代价函数的模型训练方法同时得到模型的结构和参数、输出去噪后的图像。实验结果表明,该方法能够充分利用高光谱数据的光谱和空间上下文信息,在有效去除噪声的同时很好地保存了图像中的重要细节,与BM3D和CRF相比,其PSNR提高了0.8~1.1 dB。     

基于改进双边滤波稀疏表示的高光谱目标检测算法

为了充分利用高光谱图像中包含的空间信息,将一种改进的双边滤波应用到其目标检测中,提出基于光谱角匹配的双边滤波稀疏表示高光谱目标检测算法。通过将光谱角匹配与双边滤波相结合,用高光谱图像像元之间的相似性作为双边滤波器中值域距离的权值,在抑制了图像各波段中噪声的同时突出了目标,然后通过稀疏表示算法进行目标检测。实测的高光谱数据实验显示,与传统稀疏表示方法和普通双边滤波稀疏表示方法比较,所提方法在检测效果上有一定的提高。证明了充分利用高光谱图像的空间信息能进一步提高其目标检测的效果。     

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。     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法.首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选...     

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。     

波段最大筛选法及其在高光谱目标探测中的应用

提出了一种面向目标探测的高光谱图像波段选择方法—波段最大筛选法(MBS),它将每个波段的图像看成一条波段向量,以两个最不相似的波段作为初始波段,每次从剩余波段中选取一个和已选波段最不相似的波段,通过对波段相似性阈值的合理调节,保证了目标探测算子在所选波段上探测效果最佳。为了验证MBS的有效性,对机载可见光/红外成像光谱仪(AVIRIS)获取的两幅真实高光谱图像进行了实验,结果表明,MBS选出的波段分别占据全部波段的15%和9%,从而使目标探测算子ACE和AMF在其上的探测性能有了明显改善。     

An in-depth analysis of hyperspectral target detection with shadow compensation via LiDAR

Shadowy areas present a big hindrance in target detection from HSI, as the reflectance data received from target materials is significantly diminished when measured from shadowy areas. In this work, we perform an in-depth analysis of hyperspectral target detection on targets in full illumination and in partial or full shadows; and analyze how much target detection can be improved if the hyperspectral data is corrected at the regions of shadows. To do this, first, we detect the shadows using LiDAR, and propose a way to correct them in the hyperspectral image using the physical radiance model. Then, using three target detectors, namely the spectral angle mapper (SAM), adaptive coherence estimator (ACE) and matched filter (MF), we compare the results of target detection with and without shadow correction. We analyze our results based on the target material (red felt and blue felt targets), the background (grass or gravel), the amount of shadow (partial or full) and based on the time of the data collection (in the morning or at noon). Our results indicate several interesting observations: (i) the red-felt material is much harder to detect than the blue-felt material even though they are made up of the same material; but this gap in detection decreases significantly if shadow correction is performed using the radiance model, (ii) both the red-felt and the blue-felt targets are hard to detect earlier in the day when the rays from the sun are inclined; but there is not a significant difference in making the data collection in the morning or at noon if shadow correction is performed, and (iii) the shadow compensation dramatically increases the detection rates and boosts up the area under the receiver operating curve (AUC) from around 0,7-0,9 band to the 0,95-1,00 band.In addition, we provide our shadow detection code¹, sky-view factor results and all the MODTRAN outputs for the parts of the Share2012 dataset used in this work. In doing so, we hope to provide a benchmark for researchers who would like to test their target detection or shadow correction algorithms on HSI-LiDAR data.     

p值统计量建模独立性的高光谱波段选择方法

近年来，p值统计量的使用规范引起了统计学界的极大关注和集中讨论，广泛认为，p值统计量可表达观测数据与备择假设之间的不相容程度。为探究高光谱图像波段的相关分析p值与其样本独立性的联系，进行了演绎推理和实例验证，研究表明，与相关系数r统计量相比，相关分析p统计量可直接表达波段样本的独立性，且p值矩阵具有高水平的自稀疏性，便于建模和计算。进而，对相关性p值矩阵进行直方图频数统计，提出一种基于p值的高光谱自适应波段选择方法pSMBS。选取典型数据进行了监督分类实验，结果表明，在Kappa系数、总体精度（OA）和平均精度（AA）上，pSMBS均优于同类方法ABS、InfFS和LSFS。说明pSMBS在高光谱波段选择方面具有突出的有效性，这也佐证了相关性p值对波段独立性的强表征能力。     

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。     

大型稀疏阵列天基雷达系统分析

天基雷达可以在全球范围内实现运动目标探测和对地高分辨率成像。该文研究了天基雷达系统问题,基于大型稀疏阵列天线,论述了天基雷达的技术体制和关键技术,设计了基于稀疏阵列的MEO轨道X波段天基雷达系统参数并分析了其系统性能,为天基雷达的技术实现提供了一种新的途径。