空间加权的孤立森林高光谱影像异常目标检测

针对孤立森林算法在高光谱影像异常目标检测中易产生大量虚警的问题,该文将异常目标在空间分布的稀缺性与 目标光谱的差异性两个先验结合,提出了一种空间加权的孤立森林异常目标检测方法.首先利用孤立森林算法计算目标的光谱异常度,得到初步的检测结果;然后分析初步结果中目标区域的连通面积,以连通域面积为变量,基于高斯核计算目标的空间稀缺性,得到目标的空间权重属性;最后将表达空间稀缺性的属性与光谱异常度加权相乘,实现了对异常目标的准确检测.在五组高光谱数据集上的实验结果表明,该方法具有较好的检测性能.     

利用ICA正交子空间投影加权的高光谱影像目标探测算法

提出了一种利用独立成分分析（ICA）正交子空间投影加权的高光谱影像目标探测方法。该方法从影像像元集合的独立成分入手,通过一种光谱相似性测度加权,赋予每个像素合适的权值,从而有效地解决从原始影像中无法正确提取背景数据而造成的虚警概率高的问题。实验结果表明,相比于经典的CEM方法,在相同的探测概率下,该方法能降低1.97%的虚警概率;与相关目标探测算法相比,所提出的算法具有较好的目标探测效果。     

高光谱遥感异常目标探测方法性能对比分析

本文利用高光谱遥感异常目标探测理论,探讨了目前已有的几种异常目标探测方法;通过对3组数据进行试验,并从探测率和虚警率、ROC曲线及其下的面积及算法的运行时间,对几种异常检测算法的检测性能进行对比分析;最后基于统计模型和基于表示模型对3组数据的检测效果进行对比分析,从而得出适合于不同数据的检测方法,为高光谱遥感异常目标探...     

高光谱遥感影像异常目标检测研究进展

随着航空航天技术与遥感技术的不断发展,遥感影像在诸多领域的应用不断拓展,其中高光谱分辨率遥感影像具有“图谱合一”的特点,即该数据既包含了具有强大区分性的地物光谱信息,又包含了丰富的地物空间位置信息,因此高光谱数据具有非常大的应用潜力。高光谱异常目标检测问题,是在对目标先验信息未知的前提下,根据光谱与空间信息实现对区域中的异常目标的进行“盲”检测,因此其在资源调查、灾害救援等领域发挥了巨大的作用,是遥感领域非常重要的研究课题。本文针对高光谱遥感影像异常目标检测研究方向,首先总结阐述了目前高光谱异常目标检测问题的主要研究进展,根据算法原理的不同对现有主流算法进行了分类与总结,主要分成了基于统计学、基于数据表达、基于数据分解、基于深度学习等不同的种类的方法,并对每类方法的特点进行分析。随后通过对现有方法的调研、分析与总结,提出了数据库拓展、多源数据融合、算法实用化等高光谱异常检测研究未来发展的3个方向。     

基于主成分抑制的高光谱图像异常目标检测方法

高光谱图像异常目标检测主要用于检测图像中的区别于背景环境的异常目标,为图像目标的判读提供一个初步的判断,是高光谱图像应用的一个重要内容。本文在研究现有异常目标检测算法的基础上,采用基于主成分抑制和顶点成分分析相结合的方法,对实验图像中的异常目标进行了检测,取得了较好的效果。     

高光谱目标探测中的空间和光谱尺度效应

高光谱遥感目标探测主要利用目标和背景的光谱特征差异进行目标识别。一般情况下,影像的空间和光谱分辨率越高,探测效果越好。但多数情况下空间和光谱分辨率难以同时满足需求。针对该问题,本文利用Field Imaging Spectrometer System(FISS)地面高光谱成像仪器,通过在稀疏草地上布设人工绿色目标,研究了目标和背景光谱相似情况下,单一均匀背景下小目标探测问题,提出空间和光谱尺度定量分析方法,得到目标探测适用的空间和光谱尺度。结果表明:(1)利用FISS高光谱仪器进行人工目标探测,所需的空间分辨率约为目标尺寸的2倍以内;(2)当光谱分辨率优于40 nm时,目标和背景的两个主要特征:反射峰的位置和波段趋势差异均可被描述,在原始空间分辨率5倍(0.85 cm)以内,探测精度可以达到0.94以上。由于反射峰间距20 nm,当光谱分辨率低于40 nm时,该特征消失,造成探测精度的下降;(3)当光谱分辨率低于40 nm时,选取目标、背景光谱特征差异较大的波段可提高探测的有效性,在舍弃目标背景相似波段后,探测精度上升,得到本实验的最佳波段组合为红、绿、蓝、黄及红边波段。     

基于支持向量回归的高光谱影像目标探测

高光谱影像目标探测可视为一个分类问题,本文通过揭示支持向量回归(SVR)与支持向量分类(SVC)之间的关系,证明了SVR用于分类的可行性,并以此为根据提出了一种基于SVR的目标探测算法,该算法利用虚拟维数得到端元个数的估计,结合端元选择和线性混合模型生成训练样本替代从影像中选择的训练样本,因而减少了对影像先验知识的依赖。采用模拟数据和由AVIRIS获得的高光谱影像对本文算法进行了检验,结果令人满意。     

列式鲁棒主成分分析的高光谱遥感异常探测

传统的基于鲁棒主成分分析的高光谱异常探测模型中,稀疏异常矩阵假设为非低秩且其非零元素满足随机分布条件。这导致稀疏矩阵的非零元素影响低秩背景矩阵的估计,进而制约背景信息和异常信息的有效分离。提出列式鲁棒主成分分析的异常探测方法,改进异常矩阵为列稀疏条件来解决上述问题。该方法分解高光谱影像2维矩阵为低秩背景矩阵,列稀疏异常矩阵和噪声矩阵,松弛目标方程为凸优化问题,并采用非精确增强拉格朗日乘子算法来求解得到列稀疏异常矩阵的最优估计。最后,对稀疏异常矩阵中所有列的L2范数值进行阈值分割来探测得到异常像元。利用两个高光谱影像数据集,对比5种主流的异常探测方法来验证提出方法的有效性。实验结果表明,列式鲁棒主成分分析方法优于包括传统鲁棒主成分分析模型在内的5种异常探测方法,且计算效率适中。     

基于主成分判别分析的高光谱遥感影像分类方法

提出了一种基于主成分判别分析的高光谱遥感影像分类方法。针对高光谱遥感影像数据量大、冗余信息多的特点,使用改进的线性判别分析方法对高光谱遥感数据进行线性维数减少。该方法将主成分分析加入到线性判别分析的算法框架中,能够克服常规的线性判别分析方法在训练样本数量较少时遭遇到的小样本问题。通过实验,证明基于主成分判别分析的遥感影像分类方法能够利用少量的训练样本实现更优的分类精度。     

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。     

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。     

Cholesky分解的逐像元实时高光谱异常探测

传统的实时异常探测算法需对高维的背景样本统计矩阵进行求逆运算,数值稳定性差、时间复杂度高。而基于Cholesky分解,将高维矩阵的求逆运算转换为求解下三角线性系统,采用Cholesky分解因子的一阶修正方法快速更新背景统计信息,降低逐像元实时处理的时间复杂度并且保持数值稳定性。由于算法仅涉及下三角矩阵的更新过程,压缩了数据存储空间,适用于机载或星上实时处理。采用3维接收器曲线(3D-ROC)以及计算机实际处理时间对实验结果进行定量化分析,结果表明,该算法在不降低异常探测精度的同时,对当前时刻像元的实时处理时间约缩短为基于QR分解算法的0.4%—0.65%,或减少至基于Woodbury矩阵引理算法的27%—33%,有效提高实时高光谱异常探测器的计算性能,并且保持处理过程中的数值稳定性。     

A local Mahalanobis-distance method based on tensor decomposition for hyperspectral anomaly detection

Recently, some tensor decomposition-based algorithms are proposed and performed well for hyperspectral anomaly detection (AD). This paper proposes a tensor decomposition-based local Mahalanobis-distance (Tensor-LMD) method for hyperspectral AD. First, a three-order tensor is employed to represent hyperspectral data-set and the Tucker decomposition technology is used to decompose such tensor into a core tensor and three factor matrices. Then, the minor PCs are used to eliminate anomaly and noise information along each mode and the more pure background data-set is obtained. Finally, the sliding dual-window strategy is used for both the background data-set and the original hyperspectral data-set, and the local Mahalanobis-distance detector is employed for the final results. The experimental results demonstrate that the proposed Tensor-LMD can achieve a better performance when compared with the comparison algorithms.     

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。     

高光谱遥感影像多级联森林深度网络分类算法

高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。     

An assessment of independent component analysis for detection of military targets from hyperspectral images

Hyperspectral data acquired over hundreds of narrow contiguous wavelength bands are extremely suitable for target detection due to their high spectral resolution. Though spectral response of every material is expected to be unique, but in practice, it exhibits variations, which is known as spectral variability. Most target detection algorithms depend on spectral modelling using a priori available target spectra In practice, target spectra is, however, seldom available a priori. Independent component analysis (ICA) is a new evolving technique that aims at finding out components which are statistically independent or as independent as possible. The technique therefore has the potential of being used for target detection applications. A assessment of target detection from hyperspectral images using ICA and other algorithms based on spectral modelling may be of immense interest, since ICA does not require a priori target information. The aim of this paper is, thus, to assess the potential of ICA based algorithm vis a vis other prevailing algorithms for military target detection. Four spectral matching algorithms namely Orthogonal Subspace Projection (OSP), Constrained Energy Minimisation (CEM), Spectral Angle Mapper (SAM) and Spectral Correlation Mapper (SCM), and four anomaly detection algorithms namely OSP anomaly detector (OSPAD), Reed–Xiaoli anomaly detector (RXD), Uniform Target Detector (UTD) and a combination of Reed–Xiaoli anomaly detector and Uniform Target Detector (RXD–UTD) were considered. The experiments were conducted using a set of synthetic and AVIRIS hyperspectral images containing aircrafts as military targets. A comparison of true positive and false positive rates of target detections obtained from ICA and other algorithms plotted on a receiver operating curves (ROC) space indicates the superior performance of the ICA over other algorithms.