一种基于非线性主成分分析的高光谱图像目标检测方法

目标探测是高光谱图像的重要应用之一.目前已经有了很多的目标探测算法,然而这些算法要求目标与背景是线性可分的.在实际的高光谱数据中,这一要求往往难以满足.本文提出了一种基于非线性主成分分析的高光谱图像目标探测算法.该方法先利用神经网络将高光谱图像进行非线性降维,从而使得在降维后的数据中目标与背景线性可分;然后使用约束能量最小化算法进行目标探测,为了取得较好的目标探测效果,保留了图像原始的特征.针对模拟数据和真实高光谱图像数据的试验表明,基于神经网络的非线性主成分分析可以将线性不可分的目标与背景分离.使用非线性特征和原始特征的组合可以获得更好的目标探测效果.     

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。     

基于特征层融合的高光谱图像异常检测算法研究

介绍了一种基于特征层融合的异常检测算法。目前，其他的目标检测算法都需要知道有确定类别标记的样本，而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖，但是其结果存在较大虚警。提出的异常检测算法是利用低概率检测算法对高光谱数据先进行特征层融合，再进行分割、提取异常点，其结果降低了虚警和漏警。用这一方法对OMIS系统产生的数据进行了处理，取得了较好的结果。     

基于主动学习的高光谱异常检测SVDD算法

针对SVDD算法在高光谱图像异常检测中存在的计算量过大的问题,提出基于主动学习的SVDD异常检测算法。因为SVDD计算复杂度与训练样本的数量成指数增加,将主动学习的思想引入算法中。这种方法主动地选择构建超球体的支持向量样本,剔除对于构建超球体贡献不大的样本,大大减少了进行计算的数据量。     

基于特征层融合的高光谱图像异常检测算法研究

介绍了一种基于特征层融合的异常检测算法。目前，其他的目标检测算法都需要知道有确定类别标记的样本，而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖，但是其结果存在较大虚警。提出的异常检测算法是利用低概率检测算法对高光谱数据先进行特征层融合，再进行分割、提取异常点，其结果降低了虚警和漏警。用这一方法对OMIS系统产生的数据进行了处理，取得了较好的结果。     

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。     

一种面向异常检测的高光谱图像降维算法

针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。     

多尺度样本熵高光谱图像分类

针对目前高光谱图像分类数据冗余度高,计算效率低下,且易丢失光谱信息等问题,该文提出一种可以有效地利用光谱信息通过多尺度样本熵提取图像特征的方法。先描述多尺度样本熵计算过程,并对参数进行分析,选取最优参数。在此基础上,分析多尺度样本熵曲线变化规律,设计最优多尺度样本熵特征选择方法。将选取的最优多尺度样本熵特征矢量代入支持向量机分类器(SVM),实现高光谱图像分类。将该文算法与深度特征融合网络(DFFN)算法和基于自适应波段选择(ABS)算法在PaviaU图像和Indian Pines图像上进行对比实验,并对其结果进行定量精度评价。实验结果表明,对于两组高光谱图像,该文算法在总体分类精度上分别达到了98.64%和96.49%,明显高于两种对比算法,同时在时间效率上也有了显著提升。     

递归滤波与KNN的高光谱遥感图像分类方法

为了有效去除高光谱图像中的噪声,强化空间结构,充分利用地物目标的空间上下文信息,提升高光谱图像的分类精度,提出一种基于递归滤波(recursive filtering,RF)和KNN(k-nearest neighbor)算法的高光谱图像分类方法。首先,利用主成分分析法对高光谱图像进行降维;其次,通过RF算法对降维后的主成分图像进行滤波,以增强遥感图像的轮廓特征;然后,采用KNN算法计算测试样本与不同类别训练样本的欧式距离,根据比较k个最小欧式距离的平均值得到测试样本所属类别;最后,在2个典型的数据库上进行实验验证,并分析所提算法中不同参数对分类精度的影响。实验结果表明,RF算法可以有效地去除噪声点,强化图像轮廓,与其他高光谱图像分类方法相比,该方法在分类准确性方面表现突出。     

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。     

基于形态学重构运算的地面目标识别算法

针对在热红外遥感图像上识别背景复杂的地面目标较为困难这一问题,提出了基于形态学重构运算的地面目标识别算法。该算法首先对形态学重构运算的背景抑制原理及其算法的适应性进行了分析,并将该算法应用于对原始图像的背景抑制与处理;然后,对处理后的图像进行分割,获得感兴趣的目标区域;最后,通过对感兴趣区域特征的提取与匹配识别目标。实验结果表明,该方法能从复杂自然场景中有效地识别出目标。     

结合多特征的快速协同高光谱异常探测算法

针对协同表示算法的计算复杂度高、空间特征缺失问题,该文提出基于快速递归与多特征协同表示的异常探测算法。首先根据像素位置构造变换矩阵,由矩阵求逆引理导出递归更新方法,以提升协同表示算法的时效性。然后从高光谱图像中分别提取光谱特征、Gabor特征、扩展多属性轮廓特征,应用快速递归和协同表示方法,将多特征探测结果采用自适应加权方法进行融合,更好地实现异常目标和背景类的分离。采用该算法对3组高光谱数据进行实验：通过时效性对比发现,快速递归算法的检测效率提高了30%以上;同时,利用ROC曲线及AUC值对比分析发现,该算法表现出良好的探测性能。     

高光谱图像目标检测算法分析

本文将国内外的高光谱图像目标检测算法分为光谱异常检测、光谱匹配检测和高光谱与高空间分辨率结合目标检测三种检测算法,分析了三种检测算法的原理、应用特点和局限性,并探讨了目标检测算法的发展的可能性。     

利用分离性测度多类支持向量机进行高光谱遥感影像分类

提出了一种基于变换域离散度排序的高光谱图像快速压缩算法。该算法针对高光谱数据在Hadamard变换域的特性,自适应地选择有利的排列顺序,将变换域光谱矢量的各维度按照离散度进行重新排序,不仅使光谱矢量的大部分能量和差异集中在低维部分,而且把高信噪比的分量调整到低维空间,并据此构造出高效的码字排除不等式,最后结合LBG(Linde Bazo Gray)聚类算法,通过矢量量化快速完成高光谱图像的编码。在不同压缩比下进行实验,结果表明,本文提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下,大幅度降低计算复杂度,实现快速压缩。     

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.     

空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系,忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法(SSRSHE)。该算法首先利用稀疏表示揭示像元之间的相关性,自适应选择近邻,并构建稀疏本征超图和惩罚超图,以有效表征像元间的复杂多元关系,并进行正则化处理。然后利用遥感图像空间一致性原则,计算局部空间邻域散度来保持样本局部邻域结构,并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中,尽可能使类内数据聚集、类间数据远离,提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明,本文算法总体分类精度分别达到86.7%和 92.2%。相比传统光谱维数约简算法,该算法可有效改善高光谱图像地物分类性能。     

变换域离散度排序的高光谱图像快速压缩算法

提出了一种基于变换域离散度排序的高光谱图像快速压缩算法。该算法针对高光谱数据在Hadamard变换域的特性,自适应地选择有利的排列顺序,将变换域光谱矢量的各维度按照离散度进行重新排序,不仅使光谱矢量的大部分能量和差异集中在低维部分,而且把高信噪比的分量调整到低维空间,并据此构造出高效的码字排除不等式,最后结合LBG(Linde Bazo Gray)聚类算法,通过矢量量化快速完成高光谱图像的编码。在不同压缩比下进行实验,结果表明,本文提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下,大幅度降低计算复杂度,实现快速压缩。     

属类概率距离构图的半监督高光谱图像分类

提出一种利用属类概率距离构图的半监督学习算法,并应用于高光谱图像分类。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量,然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点。最后,将该距离函数应用于半监督学习线性邻域传播算法和标签传播算法中。在Hyperion 和AVIRIS高光谱遥感图像上的实验结果表明：相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。     

高光谱目标探测的进展与前沿问题

针对高光谱目标探测问题的主要挑战,将高光谱目标探测的进展与前沿问题分为两个方面进行综述。基于信号检测理论的方法如结构化背景的约束能量最小化方法、非结构化背景的自适应一致性余弦评估器等,是高光谱目标的探测经典算法;随着统计模式识别与机器学习领域中新技术的出现,一些数据驱动的目标探测方法逐渐成为了高光谱目标探测的前沿问题,如核方法、稀疏表达方法等。概述了两类方法的特点,比较了各自的优势和不足,并展望了高光谱目标探测未来的发展趋势。