基于稳健背景子空间的高光谱图像异常检测

在RX算法中,局部背景协方差矩阵估计会由于背景受到异常像元的"污染"而不能准确反映背景分布,从而导致检测性能下降.针对这一问题,提出一种基于稳健背景子空间的异常检测算法.利用空间秩深度度量背景中每个样本相对于整个背景样本分布空间的位置,将"游离"于背景分布空间之外的样本看作是潜在的异常样本,并将其映射到背景分布空间之内.在此基础上,通过估计背景的协方差矩阵,利用主成分分析构造能更精确地刻画背景的子空间,在该子空间进行了基于马氏距离的检测异常.模拟和真实数据验证了该算法的有效性.     

基于Khatri-Rao子空间和传播算子的宽带声源波达方向估计算法

本文提出基于Khatri-Rao子空间和传播算子的宽带声源波达方向估计算法。该算法将声源不同频率处的协方差矩阵变换重排为一个高维矩阵,然后利用传播算子方法估计宽带声源波达方向。该算法计算复杂度介于聚焦Khatri-Rao子空间和相干子空间算法之间。仿真和实验结果表明,该算法在降低计算量的同时,估计误差与聚焦Khatri-Rao子空间算法相近,远小于相干子空间算法。     

基于光谱空间重构的非监督最邻近规则子空间的高光谱异常检测

针对高光谱遥感影像维数高、数据量巨大且地物分布复杂,导致背景与异常难以区分的问题,提出一种基于光谱空间重构的非监督最邻近规则子空间异常探测算法.首先通过基于结构张量的波段选择算法,去除噪声像元,选择更有效的波段.然后,通过光谱空间重构增加背景与异常的绝对光谱距离.最后,为了充分利用背景字典之间的空间相似性信息,将空间距离权重引入到非监督最邻近规则子空间算法中,提高检测精度.为验证所提算法的有效性,用四组真实的高光谱数据进行实验,研究了不同参数对检测结果的影响.结果表明,与其他异常检测算法对比,所提算法具有更好的检测效果.     

视觉估计显示器gamma在Internet网络上的应用

使用自行开发出的基于Web的gamma估计程序,分别通过Internet对CRT和LCD显示器在暗、微暗和办公环境三种观察环境下,进行了视觉估计显示器gamma精确度研究实验.实验得出：不同实验者估计偏差范围,对CRT和LCD显示器分别是0.13和0.20|估计与测量结果的平均误差范围,对CRT和LCD显示器分别是0.07和0.17|gamma估计基本与观察环境无关|观察视角对LCD显示器gamma值影响很大|显示器的“亮度”和“对比度”设置,不影响视觉估计结果.     

新颖的微流控电调谐空间光开关

提出了一种微流控电调谐非机械空间光开关器件,该器件的基本形式为“光输入阵列+光交换空间+光输出阵列”的结构,采用“水/油/水”液体棱镜作为偏光控制单元.在特定电压范围（30~110 V）内,通过电润湿效应作用的液体棱镜光束偏转角可在约－15°~15°之间连续可调.由此可构造多种平面甚至立体光开关阵列.     

一种背景误差累积的高光谱图像异常检测算法

针对背景信息对高光谱图像异常检测的强干扰问题,提出了一种背景误差累积的异常检测算法.该算法通过构造背景子空间,利用各像素到该子空间的正交投影,得到有效抑制背景并突显目标的背景误差数据,用于后续的异常目标检测.最后用真实的高光谱数据进行仿真实验,理论分析比较和实验结果表明该算法具有较好的检测效果.     

一种背景误差累积的高光谱图像异常检测算法

针对背景信息对高光谱图像异常检测的强干扰问题,提出了一种背景误差累积的异常检测算法.该算法通过构造背景子空间,利用各像素到该子空间的正交投影,得到有效抑制背景并突显目标的背景误差数据,用于后续的异常目标检测.最后用真实的高光谱数据进行仿真实验,理论分析比较和实验结果表明该算法具有较好的检测效果.     

虚拟阵列Khatri-Rao积与子空间联合稀疏表示的DOA估计方法

利用目标信号在空域分布的稀疏性,该文提出了一种基于虚拟阵列Khatri-Rao(KR)积与信号子空间联合稀疏表示的单快拍DOA估计方法;该方法利用单次快拍的采样数据,构造出双向虚拟阵列数据,并对虚拟阵列数据的协方差矩阵进行KR积变换处理,然后对向量化后的数据进行顺序重构,利用重构矩阵的大奇异值对应的左奇异向量为估计信号子空间;最后,利用凸优化工具箱对稀疏模型进行二阶凸规划的优化求解,得到高精度的DOA估计值;仿真实验验证了算法的有效性,在低信噪比下比传统MUSIC和OMP算法具有更高的估计精度。     

快速收敛最小方差无畸变响应算法研究及应用

常规最小方差无畸变响应(MVDR)自适应波束形成是一种高分辨窄带波束形成器,它是利用实际声场的窄带互谱密度矩阵(CSDM)估计出自适应波束形成权向量。在实际应用中,MVDR算法需要较长的观测时间估计协方差矩阵,不利于对高速运动目标进行定位;对于宽带目标信号,MVDR算法需要对每一个CSDM进行求逆运算,计算量较大;在相干源条件下,目标信号之间会发生"对消"现象,MVDR算法性能急剧恶化。本文提出了基于子带子阵处理的快速收敛MVDR自适应波束形成方法。首先将全频带划分成一组子带,将接收线阵划分成一组子阵,然后对每一子带计算降维的驾驶协方差矩阵(STCM),从而得到快速收敛MVDR自适应波束形成的权值和空间谱估计结果。同时采用双向空间平滑方法对相干源进行MVDR空间谱估计。仿真和海试数据处理结果表明该算法在保证高分辨力的同时,具有瞬时收敛的性能,双向空间平滑技术具有良好的解相干性能。      

面向对象分析的非结构化背景目标高光谱探测方法研究

针对非结构化背景探测器中背景协方差矩阵估计的局限性,提出了一种基于面向对象分析的高光谱小目标探测算法。首先对图像进行自适应迭代分割处理,将其划分为许多均质对象;然后进行正态最优分布选取,利用多元正态无偏检验选取最佳对象集;最后将此数据集合作为局部背景并结合GLR基准算法进行目标探测。该算法可以使局部背景最大化的服从正态分布,有效地将背景光谱信息和目标光谱信息分离开来,同时通过最优选取过程克服了目标信息“污染”问题。为了验证算法的有效性,利用真实的OMIS数据进行仿真实验,并与非结构化背景探测器GLR和基于K-Means聚类的改进GLR算法的检测结果比较,结果表明提出的算法具有良好的探测性能和较低的虚警概率。     

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。     

波达方向估计中特征空间的信源数估计方法

提出了特征空间法信源数估计方法,它将阵列信号的协方差估计值分别投影到信号的特征子空间和噪声的特征子空间。由于信号子空间与噪声子空间相互正交,易于由表征投影大小的判据值区分信号和噪声的贡献;本方法用的是M×M阶矩阵特征值分解,M为基元数,与波达方向估计用的相同,因此节省大量的计算量;它可以在实数空间中进行运算,进一步减少运算量。进行了数值计算,检验了判据值分布,以及在信源等功率、不等功率和空间相关色噪声等情况下特征空间法的性能。估计方法还用声纳数据进行了检验。所有这些结果均证明本估计方法性能优良。      

高光谱图像中基于端元提取的小目标检测算法

针对高光谱图像中小目标检测问题,提出了一种基于端元提取的目标检测算法。该算法利用主成分分析的变换矩阵来构造投影算子,把原始图像投影到该算子构成的正交子空间后,大概率的背景信息得到抑制,从而突出了小概率的目标;在完成背景信息抑制的基础上,利用迭代误差分析方法进行端元的自动提取;根据所提取出的目标端元的光谱,结合光谱角度匹配技术完成目标物的检测。为了验证新方法的有效性,利用高光谱数据进行了实验研究,并与经典的RX算法的检测结果相比较。实验结果表明提出的基于端元提取的算法不需要目标的任何先验知识就能达到比较好的目标探测效果,对RX算法检测效果不太理想的小目标也能准确识别。     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于最优滤波器的强混沌背景中谐波信号检测方法研究

强混沌背景中的微弱谐波信号检测有重要的工程研究意义. 目前的检测方法主要是基于Takens理论的混沌相空间重构方法, 然而这些方法往往对信干噪比要求高, 且对高斯白噪声敏感等. 本文注意到混沌信号的二阶统计特性是不变的, 根据这个特点提出了一种基于最优滤波器的强混沌背景中的微弱谐波信号检测方法. 该方法首先构建一个数据矩阵, 在频域上对每个频率通道分别检测谐波信号, 从而将信号检测问题转化为最优化问题, 然后利用最优化理论设计滤波器, 使待检测频率通道的信号增益保持不变, 而尽量抑制其他频率通道的信号, 最后通过判断每一频率通道的输出信干噪比来检测谐波信号. 与传统方法相比, 本文方法有如下优点: 1)可以检测更低信干噪比下的微弱谐波信号; 2)可检测的信号幅度范围更大; 3)抗白噪声性能更强. 仿真结果证明了本文方法的有效性.     

低复杂度的MIMO声呐协方差矩阵重构方法*

多输入多输出声纳在对目标进行测向时会产生复杂的运算量,从而降低算法的测向效率。针对这一问题,提出了一种基于降维变换方法的低复杂度协方差矩阵重构方法。该方法能够抑制噪声,提高目标侧向性能。首先利用降维变换方法对接收信号进行波束形成,获得低维度的协方差矩阵,再对矩阵进行Toeplitz处理,抑制矩阵的相干性。所得到的新的协方差矩阵,通过特征分解获得噪声子空间和信号子空间,利用MUSIC方法进行测向。为了进一步降低运算复杂度,利用阵型所满足的旋转不变性,可以采用ESPRIT算法对目标进行波达方向估计。理论分析和实验结果表明,该方法有效降低了运算复杂度,提高了算法的测向性能。在有限快拍数的情况下,与传统测向方法相比,具有运算速度快,目标分辨力强的特点。     

基于核主成分分析的硬件木马检测方法研究

针对旁路信号样本在高维空间中的分布,提出了一种基于核主成分分析的硬件木马检测方法,该方法能够找出旁路信号样本分布中的非线性规律,将高维的旁路信号映射到低维子空间同时更精确地反映旁路信号样本的分布特性,从而发现由木马引起的非线性特征差异。针对AES加密电路植入约占电路3%的组合型木马并进行检测,实验结果表明,该方法能够有效分辨基准电路与含木马电路之间旁路信号的非线性特征差异,实现木马的检测,并取得比K-L变换更好的检测效果。     

拉普拉斯约束低秩表示的高光谱图像异常检测

伴随高光谱图像的广泛使用,高光谱图像技术得到长足的发展,其中高光谱图像异常检测技术越发受到重视。为了解决传统高光谱图像异常检测技术的实用性和检测效果不佳的问题,提出一种新颖的低秩表示检测算法。对于高光谱图像,大部分背景像元均可以被少量主要的背景像元组合近似地表示,且它们的表示系数将会位于低秩的空间中。在剩下无法被主要背景像元表示的稀疏部分中存在着异常像元,则可以被检测算法提取出来。在低秩表示中,背景像元字典的构建将会影响高光谱图像中背景像元的表示。如直接从现有高光谱图像中提取背景像元构建字典,会导致异常像元对背景像元字典的污染。而利用待检测高光谱图像观测数据和由光谱组成原理可合成的潜在未观测数据来构建背景像元字典,提取出背景像元的主要特征,有利于更好地分离出稀疏异常像元的信息。并且高光谱图像数据存在高维几何结构特点,通过引入拉普拉斯矩阵来约束空间中局部相似的像元对于待检测像元的表示作用,获得更接近于真实的表示系数。实验结果分别在仿真数据和真实数据上验证,与传统方法相比,提出的方法通过有效地突出异常像元提高了检出率和抑制了背景像元,降低了误检率。     

基于柯西分布的视频图像序列背景建模和运动目标检测

提出了一种用于视觉监视系统的基于柯西分布的发光模型的光照不变变化检测方法.假定视频图像序列中每个背景图像像素点灰度观测值的时序变化由白噪声引起,利用建立的初始化背景高斯统计模型对每帧图像进行归一化,得到了背景像灰度比值的分布符合标准柯西分布的结论,解决了柯西分布的模型参量估计问题.在变化检测的基础上,YCbCr颜色空间的亮度、色调和饱和度被用来识别和消除由阴影和反光等引起的变化区域.结果表明,提出的背景建模方法对场景中各种光线变化、小的背景扰动等噪声具有稳健性,可以较为可靠地检测前景目标,识别和去除阴影和反光.