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。     

基于多检测器最大熵融合的多通道光谱图像异常检测

提出了一种多检测器最大熵融合的多通道光谱图像异常检测算法.选择多个不同的异常检测器，并利用自适应窗宽非参核密度估计方法估计其各自的输出分布，保留了多通道光谱图像数据的“长尾”特性，且避免了先验模型假设带来的模型误差.将各原始检测器的输出投影到具有标准正态边缘分布的变换空间中，利用变换空间中模型化的最大熵融合规则实现多检测器的决策级最优概率融合.在原数据空间通过似然函数的检验完成多通道光谱图像的目标检测.利用机载EPS-A航拍多通道光谱图像进行了实验，实验结果表明了算法的有效性.     

基于多帧背景的泄漏气体自适应匹配滤波检测

被动傅里叶变换红外(FTIR)扫描遥测成像系统采集的红外高光谱图像具有空间、光谱等维度信息,可被用于大气环境中有毒有害气体的识别、定量及可视化。该系统具有光谱分辨率高、非接触式及远距离探测等优点,然而其单帧图像的像元数量少且部分存在气体吸收或发射特征,无法直接用于红外高光谱图像的目标检测。提出了基于多帧背景的泄漏气体自适应匹配滤波(AMF)检测方法,以短时间内、同一区域的多帧红外高光谱图像为基础,筛选出无目标气体特征的背景光谱并计算探测区域的背景最大似然估计,应用于后续帧的目标气体泄漏检测。红外高光谱图像来自于SF₆气体的遥测实验,共扫描四帧（120像元/帧）,去除前三帧内含有目标气体特征的像元光谱,剩余背景光谱被用于计算背景的最大似然估计,第四帧红外高光谱图像逐像元对SF₆气体进行的AMF检测,并与非线性最小二乘法反演的SF₆柱浓度图像比对,结果表明AMF检测高值与柱浓度高值有较强的相关性。为验证多帧背景在不同空间检测方法下的性能,分别对该帧数据进行了基于正交子空间的自适应子空间检测(ASD)、基于混合空间的自适应余弦检测(ACE)及基于斜子空间的最大似然比检测(OGLRT),并分别与SF₆柱浓度图像比对,结果表明多帧背景适用于不同空间的检测方法。此外,为验证存在目标气体吸收特征的非背景光谱对背景空间的影响,向背景空间中加入多条含有SF₆气体吸收特征的光谱,通过ROC曲线检验,结果表明背景空间中混入目标气体特征会降低AMF方法的检测性能。AMF检测值的假彩色图像也能应用于被动FTIR扫描遥测成像系统,相较于柱浓度假彩色图像,泄漏源及扩散趋势更为明显。基于红外高光谱图像的检测方法依赖于整体背景的统计特性,相较于单像元光谱波段的反演算法,极大地降低了背景的依赖性。多帧背景下的AMF泄漏气体检测方法能很好地应用于被动FTIR扫描遥测成像系统上并满足在线监测要求。     

快速无参数背景建模的红外目标检测方法研究

针对复杂背景红外图像序列目标检测的难题,给出了一种用于红外监控系统中入侵目标检测的背景建模方法。应用特征样本集为每一个像素建立统计无参数样本集模型,根据核函数估计计算每一个像素值对模型的符合概率。使用双阈值进行目标检测和模型更新,将图像分为三类:可靠背景、感兴趣区域和不可靠背景。通过不可靠背景类提供的信息进一步将感兴趣区域细分为入侵目标和错误检测。对几种红外图像序列仿真实验表明,该算法不仅可以比较精确的检测显著入侵目标,对于容易淹没在噪声中的弱小入侵目标也可以实现准确地检测。     

高光谱图像降维的判别流形学习方法

本文提出了一种高光谱图像降维的判别流形学习方法.针对获取的大量遥感对地观测数据存在大量冗余信息的特点,引入改进的流形学习方法对高光谱遥感数据进行降维处理,以提高遥感图像自动分类的总体准确度.该方法充分利用遥感图像自动分类中训练样本的判别信息,将输入样本的类别信息加入到常规流形学习方法的框架中,从本质上提高输出的特征在低维空间中的判别力.同时,引入线性化模型以解决流形学习方法中常见的小样本问题.对高光谱遥感图像自动分类的实验表明,基于判别流形学习的高光谱遥感图像自动分类方法能够显著地提高图像分类准确度.     

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景...     

强杂波背景红外弱小目标检测算法

针对强杂波背景远距离红外弱小信号目标的特点,提出了一种基于自适应滤波的红外弱小信号检测方法。算法首先对图像进行消噪声处理,其次运用自适应滤波方式消除背景增强目标信号,最后进行基于点源目标(试验采集)成像信号特性的判决法则删除虚假目标,算法有效解决了光电探测设备高检测概率与低虚警率的矛盾。实验结果表明:该方法能够在单帧图像上有效提取出小区域信噪比为4的弱小信号目标,检测概率不低于0.75,虚警率不高于1次/100帧。     

基于自适应参数支持向量机的高光谱遥感图像小目标检测

针对高光谱遥感图像的小目标检测问题,提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维,降低数据冗余度;之后通过无监督检测方法对小目标进行快速、粗糙定位,并将该定位结果作为后验信息输入到SVM中;依据后验信息与核空间散度准则自适应确定SVM中核函数的参数,并使用SVM在核空间中寻找分离目标和背景的最佳超平面;利用该超平面将像元重新分类为背景和目标,并且迭代上述操作,得到精确且稳定的目标检测结果。大量实验结果表明,与经典RX方法、核RX方法、支持向量数据描述(SVDD)方法相比,该方法可以更有效、精确地检测出高光谱遥感图像中的小目标。     

面向目标检测的视觉注意机制波段选择研究

近年来,波段选择在高光谱图像降维处理中得到了广泛地应用,然而常用的数据降维方法并没能将与人类视觉系统相关的信息进行有效利用,如果将人类与生俱来的视觉注意机制能力应用到高光谱图像中目标的视觉显著性特征的增强或识别,对于高光谱图像的目标检测研究无疑会产生相当的促进作用。研究提出引入视觉注意机制理论应用于波段选择研究,构建面向目标检测应用的视觉注意机制波段选择模型。通过分析计算波段图幅的目标与背景的可识别程度,量化所在波段对地物目标与背景的判别能力,提出了基于目标视觉可识别度的波段选择方法;利用LC显著性算法进行空间域的视觉显著性目标分析,计算背景与目标的显著性差异绝对值,提出基于LC显著目标结构分布的波段选择方法。将这两种方法结合提出的改进子空间划分方法,建立面向目标检测的视觉注意机制波段选择模型,并经高光谱遥感AVIRIS San Diego公开数据集进行目标检测实验验证,结果表明所提出的基于视觉注意机制的波段选择模型对于目标检测应用具有较好的检测效果,实现了数据降维和高效的计算处理。     

基于波段子集特征融合的高光谱图像异常检测

高光谱图像分析中，对未知环境下伪装目标的检测识别具有较大难度，因为缺乏背景与目标的先验光谱信息.针对这一问题，提出一种高光谱图像异常检测算法.将高光谱图像分成波段子集进行特征提取，利用对图像中噪声程度及目标、背景之间可分性敏感的特征样本高阶统计量构造基本置信指派函数，通过D-S证据推理实现特征层智能融合异常检测.理论分析及仿真实验结果表明了算法的有效性.     

一种新的空谱联合探测高光谱影像目标探测算法

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息,因此在目标探测领域具有独特的应用优势。传统的高光谱遥感影像目标探测侧重于光谱信息的应用,形成了确定性算法和统计学算法。确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标,不能检测亚像素目标,而且容易受到噪声的影响;统计学目标检测计算背景统计特性,通过探测异常点来检测目标,可以检测亚像素目标和小目标,但容易受到目标尺寸的影响,不能很好的检测大目标。随着高光谱遥感影像的空间分辨率的增加,探测目标已有亚像素目标逐步转换为单像素及多像素目标,此时,在高光谱图像中,相同类别的地物在空间分布上呈现聚类特性, 因此,在利用高光谱遥感影像进行目标探测时,需要将其空间信息融入算法中。将空间特征引入传统目标探测算法。提出了一种新的空谱结合的高光谱目标探测算法,将传统的基于统计的目标探测算子与空域邻域聚类算法相结合,首先利用目标探测算子将影像划分为潜在目标区域与背景区域;通过计算潜在目标区域的质心,以质心为中心进行邻域聚类,剔除潜在目标区域中的背景区域,通过迭代计算获取最终目标探测结果。传统的基于统计的目标探测算子,将整个探测区域定义为背景区域,实现对背景区域的统计特征提取,而该方法将背景区域与潜在目标区域分离,剔除了目标区域对背景区域的统计干扰。将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知,该算子的大目标探测性能优于传统的统计算子。     

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.     

单矢量水听器方位估计的柱状图方法

单矢量水听器可以估计目标方位,矢量水听器信号处理中用到的平均声强器的处理方法能很好地抗各向同性的非相干干扰,但不能抗相干干扰.文中提出了一种新的单矢量水听器方位估计方法柱状图方位估计法,介绍了该方法的原理;对宽带信号中含强线谱相干干扰的情况进行了计算机仿真,结果表明该方法在强线谱相干干扰下能有效检测目标、估计目标方位;海试结果验证了该方法抗强线谱相干干扰的有效性.     

基于光流直方图的云背景下低帧频小目标探测方法

对低帧频、云层背景下,低信噪比的弱点目标探测率降低的问题.提出了光流直方图(OFH)的定义.并且给出了OFH的性质.分析了低帧频下红外图像探测弱点目标时探测率降低的原凶,提出了一种基于OFH背景补偿的红外点目标探测算法.利用OFH得到背景的运动欠量.进行运动背景补偿;然后利用目标与云层运动差异性,得到帧间比较结果,并对比较结果通过Robinson滤波器进一步滤除残留的边缘,达到降低虚警的目的.实验结果表明,该算法中以显著提高往复杂背景下红外点目标检测概率,并凡能够探测出信噪比为1的目标.     

基于新型光谱相似度量核的高光谱异常检测算法

提出一种新型光谱相似度量核函数,并应用于高光谱异常检测.由于高斯径向基核函数是基于光谱向量间欧式距离的度量,其对于光谱向量间距离变化的适应性较强,而对于因光照强度变化,阴影和遮挡等引起的同种地物光谱变化的适应性较弱,使得基于高斯径向基核的高光谱异常检测算法性能下降.为解决该问题,从光谱曲线形状描述出发,基于光谱相似度量提出了光谱相似度量核函数.通过理论分析和真实高光谱数据异常检测实验检验,实验结果说明相对于高斯径向基核函数,光谱相似度量核函数具有一定的优越性,能改善基于核方法的高光谱异常检测算法的性能.     

基于扩展数学形态学的高光谱图像异常检测

提出了一种新型的基于扩展数学形态和光谱相似度测量的高光谱图像异常榆测方法.在日标与背景未知的情况下.同时利用光谱和空间信息实现日标的定位与检测,实现离光谱遥感数据的日标检测.通过扩展的膨胀和腐蚀操作实现目标特征提取;通过正交投影散度计算扩展形态学操作的累加距离确定排序关系并利用其融合特征提取结果实现特征提取结果的融合.算法性能通过合成的OMIS数据进行评价.与经典异常检测RX算法进行比较.并应用于具有相似光谱特征目标的区分.实验证明,本文提出的算法性能优于RX算法.具有低虚警率的异常目标检测结果,并且能够较好地区分了相似光谱特征的异常日标.