基于多维云空间的多光谱遥感影像边缘检测研究

在云模型的基础之上,提出一种基于多维云空间的遥感影像边缘检测算法。该方法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像不同波段的数据特征建立多维云空间映射模型,将数据从图像空间映射到云空间。通过多维云的逻辑运算生成边界云并进行向量综合。利用云的数字特征反推隶属度,构建边缘模糊特征平面,并通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

复杂背景下的仿蝇视觉遥感异常检测

本文针对遥感影像复杂背景下,背景地物光谱特征与目标光谱特征之间存在较强相关性的问题,提出一种基于仿蝇视觉的复杂背景下遥感异常检测算法。首先构建并行多孔径背景模型,实现对复杂背景特征的自适应描述;然后基于异常目标的光谱特征相对异常性,采用相对马氏距离区分异常区域、不确定区域与无目标区域,消除背景与目标光谱相关性对检测结果干扰的同时,弥补了传统假设检验无法区分无目标和不确定问题的不足;最后融合多个背景模型的检测结果,实现异常目标检测。仿真实验将围绕多种背景地物并存复杂区域的异常检测验证本文算法的有效性。     

遥感影像直觉模糊集分割法

针对传统模糊聚类算法在影像分割中忽略影像成像过程带来的光谱测度不确定性及聚类过程中像素类属非隶属性的问题,本文提出了一种基于直觉模糊集的遥感影像分割算法。首先,设计直觉模糊发生器,并通过最大熵法分析影像光谱测度不确定性,求解波段指数以将遥感影像转化为直觉模糊集,从而对影像的光谱测度不确定性进行建模。然后,在聚类过程中同时考虑像素类属隶属度和像素类属非隶属度,结合直觉模糊集间距离定义目标函数,提高算法对类属模糊信息的处理能力,实现遥感影像的精准分割。最后,分别利用本文算法和比较算法对模拟影像和真彩色遥感影像进行分割试验。分割结果的定性、定量评价表明,本文算法能够更好地处理影像本身和聚类过程中的不确定性,获得更高精度的影像分割结果。     

一种新的高分辨率遥感影像模糊监督分类方法

针对高分辨率遥感影像分类中由于细节特征突出、同质区域光谱测度变异性增大所带来的像素类属的不确定性及模型的不确定性等造成的误分结果,提出一种基于模糊隶属函数的监督分类方法。对同质区域定义高斯隶属函数模型用来表征像素类属不确定性;模糊化该隶属函数参数建立影像模糊隶属函数,以建模同质区域光谱测度的不确定性;用训练样本在所有类别中的模糊隶属函数及原隶属函数（高斯隶属函数）中的隶属度为输入,建立模糊线性神经网络模型作为目标函数,实现分类决策。该算法和经典算法对World View-2全色合成影像及真实影像进行定性和定量分类实验,分类结果验证了文中方法具有更高的分类精度。     

显著性权重RX高光谱异常点检测

高光谱图像异常点检测中,传统RX异常点检测算法忽略了空间相关性,背景估计不准确。本文提出了一种基于图像局部邻域光谱显著性分析的加权RX算法。该算法通过引入图像显著性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显著性权重图,重新定义RX算法中的均值向量和协方差矩阵,并给不同的目标赋予不同的权值,达到优化背景估计的目的。利用合成高光谱数据和真实高光谱数据进行异常点检测实验,结果表明,对于同一组数据,本文算法检测到的异常点数比传统算法多,虚警率较低,有效地提高了检测率。     

高光谱影像子空间分析孤立森林异常目标探测方法

复杂的背景信息和高维冗余波段是影响高光谱遥感影像异常目标检测精度的重要因素.本文针对高光谱影像异常目标提取提出了一种子空间分析孤立森林探测方法.该方法不对背景做高斯分布假设,通过正交子空间分析增强输入特征影像中潜在异常目标与背景之间的对比度,通过主成分分析法降维来降低孤立森林算法带来的不确定性,运用了全局和局部结合的思想实现异常目标检测.在停机坪、海滩、港口和草地4个不同场景的高光谱影像上的试验结果表明,本方法的异常目标提取精度较经典方法取得了更好的结果.该方法不仅有效地处理了高光谱遥感影像的复杂背景和高维问题,还有效地利用了空间信息.     

联合盲分解与稀疏表达的高光谱图像异常目标检测

应用高光谱图像进行异常目标检测是高光谱遥感最重要的应用之一,而异常目标检测算法最为关键的是对背景的描述。RX等经典算法受制于对背景分布的高斯假设,因而在复杂背景条件下不能有效地提取出感兴趣的异常目标。本文提出了一种新的异常目标检测算法,不仅能够有效地检测出亚像元的异常目标,同时以新的方式描述背景。算法首先针对异常检测先验信息不足的问题,采用盲分解方法建立描述背景的冗余字典,该字典是根据像元的纯净性定义估计的背景类端元束构成;然后采用稀疏回归计算每个像元的重建误差,以误差特征作为异常指数,误差越大越可能是异常;为了增强对可能异常目标的描述能力,应用了局部近邻分析来增强目标在图像邻域的离群表达,从而获得最终的异常检测特征。算法将字典构造的全局性与地物的局部连续性结合,提高了异常目标检测的可靠性。采用不同混合比例模拟的亚像元数据和两幅真实数据进行实验,结果表明,算法不仅仅获得了比RX等经典算法更高的精度,同时在不同信噪比条件下表现稳健且抗噪能力强。     

深度残差网络的多光谱遥感图像显著目标检测

本文侧重于介绍智能化摄影测量深度学习的深度残差方法。显著目标检测致力于自动检测和定位图像中人最感兴趣的目标区域。多波段遥感图像因其更加丰富的光谱信息和揭示观测目标物理属性的能力在目标检测中获得重要应用。传统的显著目标检测方法通过手工设计特征,计算图像各像素或者超像素与邻域像素或者超像素之间的对比度检测显著目标。随着深度学习的巨大发展,特别是全卷积神经网络的引入,基于深度卷积网络的显著目标检测算法取得重要进步。然而,由于数据获取和标记的困难,多波段遥感图像显著目标检测的研究依然主要采用手工设计特征。本文研究基于深度卷积神经网络的多波段遥感图像显著目标检测算法,提出一种基于深度残差网络的自上而下的多光波段遥感图像显著目标检测网络,该网络可以有效挖掘深度残差网络不同层次上的显著性特征,以端对端方式实现显著目标检测。为了应对多波段遥感图像数据量有限、无法训练深度残差网络的问题,本文提出通过浅层神经网络从RGB图像直接生成多波段遥感图像,实现光谱方向的超分辨率。在现有多波段遥感图像和可见光图像显著目标检测数据集上的试验结果超过当前最好方法10%以上,验证了本文方法的有效性。     

基于超像素分割与CRF的高分辨率遥感影像变化检测

针对目前高分辨率遥感影像变化检测算法对于光谱变化过敏感问题,本文提出了一种基于超像素分割与条件随机场（CRF）的遥感影像变化检测算法。首先采用空间约束的t混合模型驱动的分割模型,获得同质性超像素块,实现良好的边界附着性和亮度均匀性。然后计算分割得到的双时相影像块之间的特征差异性,获取变化幅度图像。最后利用模糊聚类算法（FCM）对变化幅度图像进行聚类,得到隶属度图像作为CRF一阶势,并利用光谱-空间相似度约束的函数构建CRF二阶势。试验结果表明,与现有方法相比,该方法检测精度可提高5%,错检率和漏检率可降低3%,能较好地应对输入图像的光谱变化,并保持变化检测结果的边缘细节。     

A-FPN算法及其在遥感图像船舶检测中的应用

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。     

Anomaly Detection from Hyperspectral Images Using Clustering Based Feature Reduction

An anomaly detection method with a clustering based feature reduction is proposed in this paper to improve the performance of the Local RX detector. Because of high dimensionality of hyperspectral image and the low number of available samples in each local region around each testing pixel, the estimate of local covariance matrix is not possible. So, because of singularity problem, Local RX cannot use the local covariance matrix and misses the local structures of data to model the background clutter. To deal with this problem, a supervised clustering based feature reduction is introduced for extraction of background features with minimum overlap and redundant information. In the projected feature space with reduced dimensionality, the local structures of background pixels are estimated to efficiently model the background data. The experiments done on both synthetic and real hyperspectral images show the superior detection performance of the proposed method with a relatively high speed.     

一种基于高斯马尔可夫随机场的异常目标探测方法

利用高斯马尔可夫随机场模型描述像元的邻域相关性信息,并将这种邻域信息引入到局域异常探测器中,提出了一种顾及邻域信息的高光谱遥感影像局域异常目标探测算法。实验证明,该方法克服了传统异常探测方法仅仅利用光谱信息的不足,比经典的RX算法的探测效果更好,并且可以更有效地探测出大于一个像元的异常目标。     

Kernel adaptive subspace detector for hyperspectral imagery

In this letter, we present a kernel-based nonlinear version of the adaptive subspace detector (ASD) that implicitly detects signals of interest in a high-dimensional (possibly infinite) feature space associated with a particular nonlinear mapping. In order to address the high dimensionality of the feature space, ASD is first implicitly formulated in the feature space, which is then converted into an expression in terms of kernel functions via the kernel trick property of the Mercer kernels. Experimental results based on simulated data and real hyperspectral imagery show that the proposed kernel-based ASD outperforms the conventional ASD and a nonlinear anomaly detector so called the kernel RX-algorithm.     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

高光谱亚像元定位的线特征探测法

未考虑地物亚像元级空间结构特征是影响高光谱亚像元定位精度的因素之一。为了有效解决这一问题,本文提出一种基于混合像元线特征探测的亚像元定位算法。首先,通过光谱解混确定含典型线状地物的混合像元。然后,基于完备直线集的最大线性指数方法确定其余含线特征的混合像元,使用模板匹配方法结合像元引力确定含线特征混合像元的亚像元类别。最后,基于线性优化的方法迭代确定剩余混合像元的亚像元类别。通过真实数据及仿真数据的试验,结果表明所提出的方法能有效提高亚像元定位精度。     

独立成分分析的高光谱异常变化检测

遥感探测到的小目标信号一般是弱信号,利用传统的高光谱异常变化检测方法直接抑制背景来突出异常变化目标,往往导致小目标弱信号同时被抑制,造成目标探测率低、虚警率高。基于独立成分分析方法,研究了弱信号小目标的高光谱变化检测模型,该模型首先通过投影寻踪将异常变化影像投影到独立成分,突出异常变化目标,然后再抑制背景,从而达到异常变化目标和背景的有效分离。该模型可以有效降低虚警率,提高探测率。利用模拟数据和真实数据进行了精度验证,结果表明,利用模拟数据得到的探测精度为99%,利用真实数据得到的检测精度为86%,与传统异常变化检测算法相比,精度最高提高了9%。本文研究方法适用于弱信号小目标的高光谱异常变化检测。     

空间与谱间相关性分析的NMF高光谱解混

非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。     

高光谱图像目标检测的核信号空间正交投影法

针对非线性混合下的亚像元目标检测问题, 提出一种基于核函数的信号空间正交投影方法(KSSP)。该方法作为信号空间正交投影方法(SSP)的非线性推广, 首先将原空间中像元矢量经非线性映射转换到高维特征空间,然后在特征空间中用线性信号空间正交投影进行目标检测。通过核技巧, 核信号空间正交投影不必知道具体的非线性映射形式。经模拟数据与真实高光谱图像数据实验证明, KSSP 方法在目标检测性能上优于SSP, 且对噪声的抑制也有很好的效果。