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。     

基于改进最小噪声分离变换的异常检测算法

为了降低噪声对高光谱异常检测结果的影响以及提高异常检测率,提出了一种基于改进最小噪声分离(MNF)变换的新型高光谱异常检测算法。首先对传统的MNF变换进行改进,采用加权邻域均值法对噪声矩阵进行估计,对邻域内每一个像元给予一个特定的权值,提高背景像元在邻域矩阵中的比例,进而抑制噪声像元的比例,通过差值计算提取噪声信息,然后应用改进的MNF变换对高光谱图像进行降维去噪处理,最后,将获取的低维去噪图像利用异常检测算法进行检测,并用真实的AVIRIS数据进行了测试。结果表明,该算法有更好的降维去噪效果,提高了异常检测率。     

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。     

多指标混合逐次投影高光谱图像降维算法

降维对于高光谱图像解译具有重要意义。基于二阶统计量分析的经典主成分分析方法在降维过程中会丢失小目标信号。为解决这一问题,本文中引入高阶统计量作为投影指标对主成分分析方法进行拓展,提出了一种基于不同统计量描述的混合逐次投影的高光谱图像降维算法。该方法在保持主成分分析优点的同时,有效结合了非正交向量投影的特点,可以在降维后的低维空间中保留异常信号成分。真实高光谱图像数据的实验结果证明,该方法相对于主成分分析可以提取更加完整的低维信号子空间。     

基于光谱角背景纯化的高光谱异常检测算法

为了解决利用高光谱图像进行异常检测时结果不准确、虚警率较高的问题,提出了一种基于光谱角背景纯化的异常检测算法。该算法以局部RX算法为基础,根据光谱角距离分离出内外窗口间背景像元中的异常成分,得到纯化后的背景像元,然后进行异常检测。为验证算法的有效性,选取了两组机载可见光/红外光成像光谱仪真实高光谱数据进行仿真实验,并与经典的全局RX、局部RX算法进行对比。结果表明,与局部RX算法相比,该算法在两组数据下的曲线下面积分别提高了0.0317和0.0053。这些结果为下一步的研究方向提供了参考。     

基于同质区分割的非线性端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统端元提取算法忽略了高光谱图像中地物空间分布相关性与非线性结构,制约了端元提取算法的精度。针对高光谱图像的空间关系与非线性结构,提出一种基于同质区分割的非线性端元提取算法。使用超像素分割方法将图像分割为若干同质区,利用流形学习构造高光谱图像数据的非线性结构,最后在同质区内提取端元并利用聚类方法优选端元。模拟和真实图像数据实验表明,该算法能够保证高光谱数据的非线性结构,端元提取结果优于其他传统线性端元提取方法,在低信噪比的情况下,可以保持较好的端元提取结果。     

基于三维纹理分割的高光谱图像异常检测

一幅复杂背景的高光谱图像可以看成是由不同纹理组合而成,纹理的统计特性可以近似用高斯分布来描述。采用纹理分割实现复杂背景的分解,从而突破异常大小和形状的限制。采用三维高斯马尔科夫场来描述高光谱图像背景的分布特性,利用最大似然估计得出模型参数,以此参数为特征进行纹理分割,在各纹理上计算像素的统计特性,进行异常检测。     

层次优化目标与背景的匹配滤波高光谱目标探测研究

匹配滤波(MF)算法通过比较待探测像元到目标类和背景类中心的马氏距离来判断目标和背景,但是无法知道高光谱图像背景和目标的相关统计信息,只能做一些假设,导致探测结果不准确。本文在MF探测完成后,设定阈值进行分割,对背景和目标进行重新划分,获取背景和目标的相关统计信息。为了更好地获得两类的统计信息,我们利用迭代的方法逐层次获得两类的统计信息,最后利用MF算法来进行目标探测。在运算过程中为了扩大目标和背景的的差异,增加目标与背景的可分性,向像素中添加零向量来调整像素值。利用两组真实高光谱数据来进行目标探测实验,本文提出的算法与MF算法和一些传统目标探测算法相比,ROC曲线和曲线下方面积AUC的值都得到提高,能够更好地抑制背景和突出目标,表明本文提出的算法能够提高高光谱目标探测的效果和精度。     

基于聚类和联合偏度与峰度指数的高光谱数据波段选择算法

高光谱数据的光谱分辨率高,数据量大,在提供丰富、详细的地物或目标信息的同时,不同光谱波段特别是相邻波段间有较强的相关性,导致光谱波段之间有大量冗余信息。针对这一问题,面向高光谱异常检测,提出了基于聚类和联合偏度与峰度指数的波段选择方法。首先利用虚拟维度进行估计,确定高光谱数据的本征维度,再结合最大-最小距离的思想进行聚类中心的更新,避免了随机选取的初始值可能导致距离太近的问题。然后,考虑到异常目标常常表现为不满足背景高斯分布的特点,使用联合偏度与峰度指数作为准则函数进行波段选择,有效选择出了重要波段。在三组代表性高光谱数据集上进行了实验,结果表明本文所提出的算法有效提升了高光谱异常检测的效果并降低了虚警率。     

基于线性解混的高光谱图像目标检测研究

高光谱图像的空间分辨率普遍较低，导致混合像元大量存在，为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测，提出了一种去端元的目标检测方法。在光谱解混技术的基础上，建立了复杂背景下的光谱混合模型并加以改进，采用多次去端元的方法，取得了简化背景之后的高光谱图像。结果表明，与传统的RX目标检测算法相比，所提出的算法能够显著提升目标检测效果。在实际的军事运用中，为大尺幅图像的目标识别和揭露伪装提供了思路。