基于端元提取和低秩稀疏矩阵分解的高光谱图像异常目标检测

为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法.首先,对原始HSI进行最优分数阶傅里叶变换.然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量.最后,构建背景协方差矩阵,通过马氏距离检测异常目标.实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能.     

改进的在线随机张量分解的多光谱视频目标检测

针对目前大部分监控视频使用的单色或三色相机在目标检测中难以解决光照强度变化、颜色饱和度和阴影的问题,以及处理数百个波段的多光谱图像可能会增加计算量,提出了一种改进的在线随机张量分解的多光谱视频运动目标检测算法。在在线随机张量分解的基础上进行扩展,采用在线优化方法实时处理,结合小样本批处理初始化缩小基矩阵大小,采用K-双边随机投影方法不断更新基矩阵和稀疏部分系数,每次处理一个视频帧直到达到设定的迭代次数或所有样本计算已经完成,并在MSVS数据集上进行了实验。结果表明,该算法的检测结果在基于F-measure、recall和precision的定量评价中均有很好的效果,与现有同类方法相比,在检测精度和运行速度上有更加优越的性能。