收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究

张星  
【摘要】:随着遥感技术的发展,高光谱图像在不断提高光谱分辨率的同时也在不断提高其空间分辨率,利用“双高”的高光谱图像实现目标检测与识别成为当前高光谱遥感领域的研究热点。异常检测是实现目标检测的主要方式,目前主流的异常检测方法是以光谱差异为核心依据,而忽略了像元之间的空间关系。另一方面,在“双高”的观测数据中,目标常常表现为由多种材质组成的小面元(即多个像元),目前以光谱匹配为主解决单像元或子像元级目标识别的方法难以直接适用。围绕上述两个问题,论文从空间关系和光谱特性两个方面入手,开展高光谱图像异常检测与目标识别问题的研究,取得的研究成果如下:1.提出了一种基于张量分解的高光谱图像异常检测方法。高光谱图像中的异常目标通常是由明显区别于它们周围背景像元的少数几个像元(甚至是亚像元)组成的。与背景相比,异常目标具有两个主要特性:一个是异常目标的光谱与它们周围背景的光谱之间存在明显差异,即光谱异常性;另一个是异常目标以少数几个像元(甚至是亚像元)的形式嵌在局部同质的背景中,即空间异常性。然而,大部分已有的高光谱图像异常检测算法只利用了光谱异常性。如果在一个检测算法中,能够同时利用上述两种异常性,则很有可能会提升检测性能。论文利用基于三阶张量的表示方法(其中两阶表示空间维,另一阶表示光谱维)能够同等地表征高光谱图像的空间信息和光谱信息的优势,提出了一种新的异常检测方法,该方法共分为三个步骤:(1)利用张量的Tucker分解模型将高光谱数据分解为由一个核张量和三个因子矩阵的张量模乘形式。因子矩阵是相应维度方向上的特征向量依据特征值大小降序排列,主要和次要的特征向量分别代表图像中的主要成分和次要成分。(2)提出了一种快速的自适应方法确定每个因子矩阵中主要特征向量的个数(即K1,K2和K3),以尽可能地剔除背景信息。首先构建了一个以K1,K2和K3为自变量的能量函数,该能量函数描述了由(K1,K2,K3)决定的高光谱图像次要成分的空间异常度和光谱异常度,从而将确定K1,K2和K3的问题转化为了一个能量优化问题;接着计算核张量沿每个维度上切片的方差曲线,通过斜率变换最大准则确定K1,K2和K3的初始值;最后在初值的邻域范围内,穷举搜索得到使得K1,K2和K3的最佳估计值。(3)上步得到的最优空间异常度和光谱异常度的高光谱图像次要成分只含有异常目标信息和噪声,在假定噪声为高斯噪声的前提下,利用CFAR算法完成异常目标检测。对多幅高光谱图像进行了实验与分析,与目前主流的异常检测方法相比,实验结果验证了本文方法在检测性能方面的优越性。2.提出了一种结合光谱重构精度和空间约束的高光谱图像异常信息提取方法。目前高光谱图像异常检测方法只关心异常目标的位置而忽略了它们的光谱信号和尺寸大小,但这些信息对于下一步的目标识别很重要。本文将异常目标位置检测和它们的光谱信号和尺寸大小估计两个问题合二为一,提出了异常信息提取的概念,并设计了一种新方法实现它,该方法分为四个步骤:(1)首先定义了一个与原始高光谱图像相同尺寸大小的“像元光谱成分”标记矩阵。矩阵每个元素描述了对应像元的光谱成分组成,它是用一个二进制的数来表示,该数的位数是整幅图像中的背景区域个数加1;若该像元包含某背景区域的光谱,则对应位置为1,否则为0;若该像元包含异常光谱,则最后一位置为1,否则为0。这样,异常检测的问题就变成求解标记矩阵的问题。(2)然后设计了一个以“像元光谱成分”标记矩阵为自变量的能量函数。论文首先证明了标记矩阵必须满足八近邻和为8的空间约束,然后能量函数定义为所有像元重构精度和,每个像元的重构精度是通过比较观测光谱和由标记矩阵重构光谱来计算的。这样,标记矩阵估计问题转化为有约束条件的能量最优化问题。(3)接着提出了一种估计“像元光谱成分”标记矩阵初始值的方法。首先利用局部线性拟合方法找出高光谱图像中所有的纯背景像元;然后根据光谱相似性和空间连通性将纯背景像元划分为不同的背景区域,计算背景区域的平均光谱曲线,并给每个背景区域分配一个二进制位标记;接着用带有标记的背景像元对未标记的像元进行拟合,如果能拟合上,则标记为混合背景像元,否则标记为异常像元;最后通过变换像元的标记使得所有的像元满足空间约束。(4)最后设计了一种迭代优化策略求取最优解。首先找出能量最小的像元,在满足空间约束的前提下,将它的标记变换为另外一种可能的标记,计算新的高光谱图像能量,如果能量增大,则接受变换,否则变换为另外的标记,依次循环迭代下去,直至收敛。对多幅高光谱图像进行了实验与分析,与目前主流的异常检测方法相比,实验结果验证了本文方法在检测性能方面的优越性;此外,本文方法还能可靠地估计出异常目标的光谱信号和尺寸大小。3.提出了一种基于张量的块分解模型的高光谱图像目标识别方法。光谱匹配的目标识别方法只利用了目标的光谱信息,而在“双高”的观测数据中,目标的空间几何特征得以显著体现,仅凭光谱信息难以充分描述目标。本文利用张量的块分解模型能够一体化地描述目标不同材质的空间分布和光谱信息的优势,提出了一种新的目标识别方法,该方法共分为两个步骤:(1)利用张量的块分解模型对高光谱图像目标切片进行分解,得到了若干个子项,每个子项包括一个矩阵和一个向量。其中,矩阵对应材质的空间分布,向量对应该种材质的光谱特征。这样,一个包含多种材质的目标就被分解成了由每种材质的空间分布和光谱特征联合表示的形式。(2)定义了基于上述描述模型下的目标相似性测度,该测度综合考虑了每种材质的空间分布相关性和光谱特征相关性。对两幅高光谱图像进行了实验与分析,与基于光谱匹配的目标识别方法相比,实验结果验证了本文方法的有效性。


知网文化
【相似文献】
中国期刊全文数据库 前13条
1 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期
2 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期
3 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期
4 徐爽;何建国;马瑜;梁慧琳;刘贵珊;贺晓光;;高光谱图像技术在水果品质检测中的研究进展[J];食品研究与开发;2013年10期
5 叶珍;白璘;;局部保护降维与高斯混合模型的高光谱图像分类[J];工业仪表与自动化装置;2017年04期
6 吴龙国;何建国;贺晓光;刘贵珊;王伟;王松磊;苏伟东;罗阳;思振华;;高光谱图像技术在水果无损检测中的研究进展[J];激光与红外;2013年09期
7 唐中奇;付光远;陈进;张利;;基于低秩结构提取的高光谱图像压缩表示[J];电子与信息学报;2016年05期
8 张良培;李家艺;;高光谱图像稀疏信息处理综述与展望[J];遥感学报;2016年05期
9 李昌利;张琳;樊棠怀;;基于自适应主动学习与联合双边滤波的高光谱图像分类[J];计算机科学;2018年12期
10 王杰超;孙大鹏;张长兴;谢锋;王建宇;;拉普拉斯约束低秩表示的高光谱图像异常检测[J];光谱学与光谱分析;2018年11期
11 彭艳斌;艾解清;;基于谱聚类波段选择的高光谱图像分类[J];光电工程;2012年02期
12 李铁;张新君;;不变矩在高光谱图像空谱分类中的应用研究[J];小型微型计算机系统;2017年07期
13 洪恒;何明一;;一种适于高光谱图像压缩的相关系数矩阵近似计算算法[J];电子设计工程;2013年12期
中国重要会议论文全文数据库 前10条
1 卢云龙;刘志刚;;高光谱图像目标探测现状研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
2 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
3 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集(下册)[C];2008年
4 马德敏;孙凡;金星;舒嵘;王建宇;;机载高光谱图像质量定量化评价方法的研究[A];成像光谱技术与应用研讨会论文集[C];2004年
5 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年
6 唐宏;杨新;方涛;施鹏飞;;基于核方法的光谱角制图模型及其在高光谱图像分割中的应用[A];中国地理信息系统协会第八届年会论文集[C];2004年
7 杨硕;袁鸿翼;虞宇宏;赵敏;;高光谱图像亚像素目标仿真及检测研究[A];第四届高分辨率对地观测学术年会论文集[C];2017年
8 武倩聿;张馨月;张旭东;;基于约束能量最小化的高光谱图像目标检测算法研究[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年
9 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
10 张悦;官云兰;;基于聚类的高光谱图像非监督波段选择方法[A];《江西遥感》2017年第2期(总第3期)[C];2017年
中国博士学位论文全文数据库 前10条
1 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年
2 张星;组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究[D];国防科学技术大学;2016年
3 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年
4 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年
5 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年
6 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年
7 吴钊君;基于权重核范数的高光谱图像去噪与解混方法研究[D];哈尔滨工业大学;2018年
8 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年
9 卢燕;高光谱矿物填图技术在金属矿产和油气勘查中的应用研究[D];中国地质大学(北京);2018年
10 秦凯;机载成像高光谱遥感及应用关键技术研究[D];中国地质大学(北京);2018年
中国硕士学位论文全文数据库 前10条
1 张会敏;基于核方法与字典学习的高光谱图像分类算法研究[D];南京师范大学;2018年
2 房盟盟;特定温度下滩羊肉贮藏期的高光谱—动力学预测方程构建[D];宁夏大学;2018年
3 徐凯;基于主动学习的高光谱图像分类研究[D];哈尔滨工程大学;2018年
4 吴飞;基于等距特征映射的高光谱图像可视化研究[D];哈尔滨工程大学;2018年
5 马赫男;结合聚类算法的高光谱图像半监督分类研究[D];哈尔滨工程大学;2018年
6 王雪婷;高光谱图像的降维及分类算法研究[D];哈尔滨工程大学;2018年
7 邓伟伟;基于逐行处理的高光谱异常检测快速算法研究[D];哈尔滨工程大学;2018年
8 周沛林;基于深度学习的高光谱图像分类问题研究[D];浙江大学;2018年
9 黄志彬;面向高光谱图像异常检测的GPU加速器设计[D];哈尔滨工业大学;2018年
10 林伟俊;高光谱图像实时目标和异常检测算法研究[D];杭州电子科技大学;2018年
中国重要报纸全文数据库 前1条
1 本报记者 付毅飞;“珠海一号”,为何能拍出太空大片[N];科技日报;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978