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。     

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。     

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。     

基于粒子群优化聚类的高光谱图像异常目标检测

高光谱图像的高维特性增加了图像的信息量,但 是同时也带来了“维数灾难”问题 。在高光谱图像异常目标检测 过程中,如何更好降低维数,去除波段冗余性和最大程度抑制背景干扰成为亟需要解决的 问题。针对此,本文提出了基于粒子群 优化(PSO)聚类的高光谱图像异常目标检测算法。算法首先利用粒子群方法对传统的k-均 值聚类进行优化,在不改变高光谱图像 波段特征的基础上用新的聚类方法对图像进行了波段子集类划分,使得具有相似特性的波段 归为一类;然后,通过主成分分析(PCA)变换使 得聚类后的图像数据中含有的异常目标变得突出,同时抑制背景干扰;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,算法检测精度高,虚警率低。     

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.     

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.     

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。     

基于背景纯化的改进协同表示的高光谱异常目标检测

针对协同表示的高光谱异常目标检测算法的异常点敏感问题,提出了一种基于背景纯化的改进协同表示的高光谱异常目标检测算法。利用扩展数学形态学的膨胀操作消除局部背景模型中可能存在的异常点,从而得到更为纯净的背景字典,能够有效地消除检测过程中异常点对检测效果的负面影响,从而提高检测精度。采用该算法对高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法具有更好的检测效果。     

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。     

局部非负稀疏编码的高光谱目标检测方法研究

基于稀疏编码的高光谱图像处理算法能够挖掘高光谱高维数据空间中潜在的数据相关性,能自然地贴近光谱信号的本质特征。本文提出基于非负稀疏编码的高光谱目标检测算法。与经典稀疏编码模型相比,非负稀疏编码对编码系数进行非负约束,一方面使得线性编码具有明确的物理解释,另一方面增强了系数的可分性与稳健性。算法首先通过双窗口设计构造局部动态字典,然后利用目标和背景在动态字典上编码的稀疏性差异进行阈值分割最后通过统计判决实现目标检测。仿真数据以及真实数据实验结果证明了算法的有效性。      

Invariant subpixel material detection in hyperspectral imagery

We present an algorithm for subpixel material detection in hyperspectral data that is invariant to the illumination and atmospheric conditions. The algorithm does not require atmospheric correction. The target material spectral reflectance is the only required prior information. A target material subspace model is constructed from the reflectance using a physical model and a background subspace model is estimated directly from the image. These two subspace models are used to compute maximum-likelihood estimates (MLEs) for the target material component and the background component at each image pixel. These estimates form the basis of a generalized likelihood ratio test for subpixel material detection. We present experimental results, using Hyperspectral Digital Imagery Collection Experiment (HYDICE) imagery, that demonstrate the utility of the algorithm for subpixel material detection under varying illumination and atmospheric conditions     

基于协峭度张量的高光谱图像异常检测

高光谱图像中的异常像元往往具有在图像中出现的概率低和游离于背景数据云团之外的特点,如何“自动”确定这些异常像元是高光谱遥感图像处理中的一个重要研究方向。经典的高光谱异常检测方法一般从图像的统计特性入手,广泛应用的RXD异常检测算法通过计算图像的2阶统计特征,可以直接给出异常点的分布情况,算法复杂度低,但缺点是没有考虑到图像的高阶统计信息。基于独立成分分析的异常检测算法虽然考虑了高阶统计量对异常点的敏感性,但需要反复迭代提取异常成分后,再对提取后的成分进行异常检测。该文提出一种基于协峭度张量的异常检测算法,该算法不需要事先提取异常成分,可以直接对观测像元进行逐一检测,从而给出异常点的分布情况。基于模拟数据和真实数据的实验结果表明,该方法能够在检测出异常像元的同时更好地压制背景信息、减小虚警率,从而提高异常检测精度。     

Rank Estimation and Redundancy Reduction of High-Dimensional Noisy Signals With Preservation of Rare Vectors

In this paper, we address the problem of redundancy-reduction of high-dimensional noisy signals that may contain anomaly (rare) vectors, which we wish to preserve. For example, when applying redundancy reduction techniques to hyperspectral images, it is essential to preserve anomaly pixels for target detection purposes. Since rare-vectors contribute weakly to the -norm of the signal as compared to the noise, -based criteria are unsatisfactory for obtaining a good representation of these vectors. The proposed approach combines and norms for both signal-subspace and rank determination and considers two aspects: One aspect deals with signal-subspace estimation aiming to minimize the maximum of data-residual -norms, denoted as , for a given rank conjecture. The other determines whether the rank conjecture is valid for the obtained signal-subspace by applying Extreme Value Theory results to model the distribution of the noise -norm. These two operations are performed alternately using a suboptimal greedy algorithm, which makes the proposed approach practically plausible. The algorithm was applied on both synthetically simulated data and on a real hyperspectral image producing better results than common -based methods.     

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.