一种基于光谱奇异值检测的高光谱遥感小目标探测方法

高光谱遥感技术能够借助丰富的地物图像和光谱信息,反映目标地物与背景地物间的细微差异,从而将其区分开来。目前的小目标探测算法多侧重于从图像处理方面着手,文章则从光谱维数据分析的角度出发,利用光谱分析中的奇异值检测方法探测小目标,首先对关注区域的地物像元光谱进行连续统去除和正交变换等预处理;然后将每个像元的光谱对该区域平均光谱进行光谱匹配求其相似性,并实现高光谱数据降维;而后通过光谱角匹配值的马氏距离进行奇异值检测,将马氏距离大于自适应阈值的像元判定为小目标。该方法不需要任何先验信息,实验结果表明该方法运算量较小,运算速度快,并有较好的小目标探测准确度。     

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...     

基于近似后验信息的高光谱异常检测

高光谱遥感技术通过成像光谱仪记录带有地物光谱信息的辐射信号,获得包含光谱信息和空间信息的三维高光谱图像,在光谱解混、图像分类、目标检测等方面取得了广泛的应用。近年来,随着遥感技术的发展及人们对获取目标准确位置的需求逐渐加大,目标检测取得了较快的发展。根据是否提前掌握目标光谱作为先验信息,目标检测分为光谱匹配检测和异常检测。光谱匹配检测需要目标光谱作为先验信息,通常检测精度较高、效果较好。而异常检测不需要先验信息,应用范围更广,但是检测精度通常低于光谱匹配检测。由于实际应用中缺少完备且实用的光谱库,先验信息的获取较为困难,不需要先验信息的异常检测成为研究的热点。针对异常检测与光谱匹配检测相比精度较低的问题,提出一种基于近似后验信息的高光谱异常检测算法。首先利用矩阵分解算法对原始高光谱图像数据进行矩阵分解,得到纯净的背景矩阵与包含噪声的异常矩阵。舍弃异常矩阵,将得到的背景矩阵作为近似背景信息。然后计算图像所有像元光谱向量与背景矩阵中均值向量的马氏距离对图像进行初始异常检测,得到初始异常像元,将初始异常像元光谱取均值作为近似目标信息。最后将近似背景信息与近似目标信息作为先验信息,进行正交子空间投影得到最终的异常检测算法。将本算法作用于图像中所有像元,得到对整幅图像的异常检测结果。为证明本算法的优良效果,采用一组仿真数据和一组AVIRIS真实高光谱数据进行实验,并与RX, LRX和LSMAD算法进行对比。实验表明,无论是从定性的角度还是定量的角度来看,该算法能够有效抑制噪声,在信噪比较低的情况下仍然可以有效地检测出图像中的异常目标,检测精度较高并且对检测效率的影响不大,取得了较好的检测效果。     

基于空谱联合异常度的高光谱异常目标检测

随着高光谱图像技术的不断发展,光谱分辨率和空间分辨率不断提高,相比于其他遥感图像,能够获得更为精细的光谱特征。这为地物的高精度分类、解混和目标检测等研究领域提供了理论平台,其中由于高光谱异常目标检测技术不需要地物的先验信息,更符合实际应用的需求。针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异,而忽略两者空间信息的差异,导致检测精度不高的问题,提出了一种基于空谱联合异常度的高光谱异常目标检测算法。该算法不需要假设图像的背景模型,建立在滑动双窗口的基础上,提出了光谱异常度和空间异常度两个概念。在光谱异常度计算中,考虑了波段间的非线性特征,采用光谱角匹配的核函数方法进行检测,基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度;在空间异常度的计算中,由于物质在空间方面的聚类特性,通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量,同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度;最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度,基于滑动双窗口模型对整幅图像的像元进行逐个检测,即可得到图像的异常检测结果。采用AVIRIS的三组真实高光谱数据对所提算法进行仿真实验,并与传统的RX算法、 LRX算法和KRX算法进行对比研究,结果表明本文算法具有较好的检测效果,与KRX算法相比,运行速度具有较大幅度的提升。     

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。     

结合扩展多属性剖面与快速局部RX算法的高光谱异常目标检测

为进一步提高高光谱异常目标检测的速度与精度,提出一种基于扩展多属性剖面和改进的Reed-Xiaoli算法相结合的快速异常目标检测方法。通过数学形态学变换从高光谱图像中提取扩展多属性剖面,同时提出一种快速局部Reed-Xiaoli算法,利用矩阵求逆引理迭代更新协方差矩阵的逆,从而降低马氏距离的计算复杂度。将扩展多属性剖面与快速局部Reed-Xiaoli算法相结合,充分利用高光谱图像的光谱信息和空间信息,有效提高探测速度与精度。在3个不同的数据集上与其他经典异常目标检测方法进行比较,实验结果表明,所提算法AUC值分别为0.996 7、0.985 6、0.981 6,运算时间分别为21.218 1 s、15.192 8 s、32.337 9 s。该方法在检测精度和速度上都有明显的优势,具有良好的实用价值。     

基于空间密度聚类的改进KRX高光谱异常检测

高光谱遥感影像包含了丰富的光谱信息,对于地物具有极强的分辨能力,从而促进了不需任何先验信息的高光谱异常目标探测技术的发展。KRX（Kernel RX）异常探测算法巧妙地利用核函数将RX算法映射至高维特征空间,加强了光谱中非线性信息的运用,具有较强的可分辨性,显著改善了低维空间的光谱不可分问题。然而,也暴露了KRX算法中病态Gram矩阵求逆误差大,异常检测效率低等缺点。为实现理论上KRX算法的强探测性能,提出一种基于新型聚类方法的改进KRX探测算法（DC-KRX）。（1）由于空间邻域像元具有较强的光谱相似性,会造成Gram矩阵病态,严重影响了异常探测效果,因此背景虚检现象严重。针对病态Gram矩阵的求逆误差问题,算法改进了KRX算子,对Gram矩阵进行奇异值分解,选取特征值较大的主成分,保证了Gram矩阵的求逆精度,待测像元的探测结果采用l-2范数表示,检测效果提高明显;（2）在改进KRX的基础上,提出了空间聚类KRX算法。空间像元之间具有光谱强相关性,既造成了Gram矩阵的病态,数据的冗余也影响了探测效率。实验发现,通过聚类算法可以合并像元于聚类中心,减少空间维度,提高计算效率;同时,聚类中心按照聚类大小被赋予不同的权重,保证了探测精度;（3）另一方面,选用合适的聚类算法是一个难点。聚类KRX算法对于聚类算法的精度和实时性要求较高,比较发现,一种基于密度峰值快速搜索（DC）的新型聚类算法具有较好的聚类性能。算法采用欧式距离计算任意像元的相似度,利用局部密度和邻域距离作为聚类中心的联合判断准则,对结果进行排序得到聚类中心。实验发现,该聚类算法计算速度快,且能够对任意形状的分布进行聚类,非常适合于维度较高,成分复杂的高光谱图像,且适用于较高次数的重复聚类。DC-KRX算法提供了一种空间聚类预处理的高光谱异常探测新思路,最后,与国际主流探测算法对比发现,该算法表现了较好的探测性能。同时,时效性对比分析发现,聚类前后算法的检测效率提高了30%以上,有效改善了KRX算法的实时性。     

基于流形学习和空间信息的改进N-FINDR端元提取算法

光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF),像元内的多重散射和亚像元成分的异质性等因素,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取的端元精度不高。在光谱非线性混合的基础上,提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构,将原始高光谱数据非线性降维到低维空间。接着利用地物分布具有连续性的特点,通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构,并利用了空间信息,提高了端元提取的精度。模拟数据实验和真实高光谱遥感数据实验结果均表明,采用该算法得到的结果优于顶点成分分析(VCA) 算法、基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。     

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。     

结合空间和光谱信息的高光谱影像端元光谱自动提取

端元光谱提取是高光谱影像混合像元分解的关键。现有的端元提取方法多是仅利用了影像的光谱信息,忽略了像元间的空间相关性。现有研究基础上,提出了一种结合影像空间和光谱信息的高光谱影像端元光谱自动提取方法(integration of spatial-spectral information based endmember extraction,ISEE)。该方法首先进行影像子空间划分以增强影像局部的光谱信息特征,然后通过特征空间投影分析获得影像候选端元,最后依次在影像空间信息约束下和端元光谱信息约束下进行优化,得到最终的影像端元光谱集。仿真高光谱影像和真实高光谱影像的实验结果表明,结合影像空间和光谱信息的ISEE方法是有效的,且比一些常用方法提取的端元光谱更为准确。     

3d 金属电离损失谱研究

本文利用俄歇电子谱仪对Ti,Cr,Ni,Cu等3d金属的电离损失谱作研究,得到它们的空态密度的一些性质:空态密度的最大值位置、空态密度最大值的相对数值和空态密度的宽度。所得结果与理论模型一致。另外,从电离损失谱获得的束缚能值和自旋-轨道分裂值与用XPS所获结果符合良好。电离损失谱是一种研究空态密度的有效方法。 关键词：     

一种新的准确提取离散采样点光谱值的方法

在建立遥感信息反演模型中,是利用离散的采样点实测数据与相应的影像对应像元的光谱值建立关系,从而实现目标信息反演。准确提取光谱值是建立模型的关键,提取光谱值通常采用的方法是把目标点图层转化为感兴趣区ROI,然后保存ROI为ASCII。用ENVI软件依据原始坐标提取采样点光谱值,分析提取的坐标和光谱值发现,提取出的部分采样点的坐标和原始坐标不一致,即光谱值非本像元,以致基于此而建立的反演模型不能真实反映目标属性与光谱值的关系,即模型无意义。我们把像元均分为4个区域,总结规律发现只有采样点落在像元左上角区域时,提取的光谱值为本像元光谱值。在上述方法的基础上,深入研究其提取目标点坐标和光谱值的原理,并总结规律。介绍了实现提取采样点在遥感影像上对应像元光谱值的一种新方法,该方法首先是提取采样点所在像元的4个顶点坐标之一,通过对比原始坐标和提取坐标的经纬度差值判断采样点在像元中分布所属区域,采用对称原则进行调整采样点在像元中分布位置,最终使全部采样点均分布在所属像元的左上角区域,最后再次进行光谱值提取,经验证提取的光谱值准确无误。通过OLI,TM和ETM+影像验证,结果表明该方法能够有效准确提取离散点光谱值,同时原理清晰,操作简单可行,适用性较强,为遥感影像提取离散点光谱值提供了新思路。     

FTIR被动遥测信号中的线形函数建模及补偿方法

被动遥测红外信号的精确解译,对远距离、非接触获取污染云团信息具有重要意义。然而,测量过程中的光谱畸变阻碍了这一目的的达成。针对遥测信号中的谱线畸变问题,提出了一种利用线形函数模型自适应补偿傅里叶变换红外光谱仪光谱线形函数的方法。通过对傅里叶变换光谱仪线形函数的成因分析,结合实际仪器设计参数,从理想线形函数、固有线形函数和相位误差三个方面构建线形函数模型;在此基础上,以实测畸变光谱与理论仿真光谱的均方误差作为代价函数,利用迭代优化方法实现了对实际线形函数关键参数进行估算的算法流程;将重构得到的线形函数应用于理论光谱补偿,显著减少了理论仿真光谱与实测光谱之间的差异。分析结果表明,理想线形函数主要影响谱线展宽及旁瓣幅值;固有线形函数造成向低频方向的非对称展宽;而相位误差则会造成谱峰非对称。必须在理论仿真光谱中综合考虑三种来源线形函数的贡献,才能有效建立测量光谱和待反演云团参数之间的联系。实际线形函数畸变参数的获取和补偿应用,有助于提高红外遥测信号的定量解译水平。     

基于谱图还原的中阶梯光栅光谱仪有效波长提取算法

中阶梯光栅光谱仪具有高色散、高分辨率、宽波段、全谱瞬态直读等诸多优点,是先进光谱仪器的代表之一。在中阶梯光栅光谱仪民用化、商品化的发展趋势之下,其二维谱图图像处理的地位越来越重要。目前,国内一般先利用质心提取算法计算光斑质心再结合谱图还原算法计算有效波长,但这种方法难以达到较为理想的要求。为了提升运算速度、波长提取精度以及成像误差补偿能力,提出了基于谱图还原的有效波长提取算法。利用谱图还原算法,将探测器拍摄的二维谱图转换为一维图,通过改进的直方图双峰法选取阈值对一维图降噪,实现了二维谱图中全部有效(x, y)点对应波长的一次性提取。先将二维谱图转换为一维图进行图像处理,使算法在提升运算速度的基础上提取精度也得到了改善,还可以对一定范围内的成像误差进行补偿。采用标准汞灯作为待测光源开展了中阶梯光栅光谱仪成像实验,并使用该算法进行数据处理。实验结果表明,不仅能够自动补偿光谱仪0.05 μm(两个像元)以内的成像偏差,而且能在精确提取有效波长的基础上大幅提升运算速度,波长误差小于0.02 nm,满足中阶梯光栅光谱仪图像处理的要求。     

曲线距离法的二维光纤光谱弯曲校正

多目标光纤光谱望远镜可以在一次观测中获得大量的不同天体的光谱数据。从天体探测到的光在通过光纤之后,再通过光谱仪狭缝,然后在CCD传感器中成像为二维光谱图;之后经过光纤光谱数据处理系统的一系列软件处理,最终输出可供天文界使用的一维光谱并存储起来。一维光谱是天文学家研究目标天体的主要手段,它是通过处理二维光谱图得到的。以LAMOST为例,望远镜系统在一次观测后首先会得到32幅由250条光纤光谱组成的二维光谱,然后经过一系列的处理得到一维光谱。在这个过程中,会有很多因素影响到最终一维光谱的精确度。比如由于望远镜使用时间的增加,某些元件会产生磨损、老化或变形,使得二维光谱中光纤形状会产生一定程度的弯曲,这种弯曲在二维光谱的两侧表现得尤为明显。在一幅常见的二维光谱中,纵坐标方向代表了抽取的一维光谱的波长方向,横坐标方向代表了抽取的一维光谱的流量方向,这种弯曲形变的产生会影响到之后的波长定标和流量定标,使得抽取的一维谱信息不准确。目前初步的解决办法是通过与定标灯谱的比对来尽量减少其影响。但这样不仅造成了时间和人力的浪费,而且准确率和效率不高。就这一现状,提出了一种基于曲线距离法的思想,将弯曲的二维谱线校直：首先采用灰度重心法将一幅二维光谱中的250条光纤中心轨迹进行定位,将异常点采用稳健的局部回归方法剔除;然后将中心轨迹进行曲线拟合,得到光纤中心轨迹的方程;通过模仿曲线变弯的逆过程,即保持轨迹上两点间的曲线距离不变,再将弯曲的光谱映射到竖直的法线上,完成校直过程。在整个过程中保持各个对应点的灰度值不变,通过边缘处理和插值运算解决产生的像素点稀疏问题。最后采用累加法进行一维谱抽取,并将校直后抽取的一维光谱与未校直抽取的一维光谱进行比对,比对后可发现校直前后在一维光谱的两端差别较大,其差值谱线也说明了这一点。该方法实现了二维光谱的自动校直,大大提高了抽取一维谱的效率和准确性。二维光谱的预处理和校直方法首先在LAMOST数据上进行验证,鉴于多目标光纤光谱望远镜系统原理的相似性,该处理方法也适用于其他的多目标光纤光谱望远镜系统,具有较好的参考和应用价值。     

反向追迹法获取水下对空全景图像

在水下透过波浪对海面及空中目标成像，所获取的目标图像会发生畸变。为定量分析波浪对图像畸变的影响，建立一种理想的水下对空成像模型，得到透过波浪的全景图像。首先，在给定的成像模型下，运用主光线反向追迹法，由斯涅耳定律计算出与水下入射光线对应的水上折射光线的方向矢量，从而得到天球上目标点与成像靶面上单像素点的物像对应关系。然后，对整个成像靶面上的像素点进行遍历，形成水下对空全景图像。最后，在4种特殊的海面波浪波形下，利用MATLAB环境计算出天空圆形目标及背景的水下对空全景图像。计算结果表明:运用反向追迹法能够有效地计算出水下对空全景图像，通过调整波浪参数，可以定量分析图像的畸变程度。主光线反向追迹法适用于分析透过具有一阶可导波浪的水下对空全景图像的畸变特征，为研究更复杂波浪下的水下对空图像畸变特征奠定了基础。     

空间外差光谱仪系统级平场校正方法研究

空间外差光谱仪单独进行面阵探测器校正无法满足系统级响应非一致性校正需求,传统均匀光源照射和列平场等方法对空间外差光谱仪并不适用。首先简要阐述了空间外差光谱仪传统挡光臂平场方法原理,指出传统挡光臂平场方法存在测量单臂数据在光栅胶合后与实际干涉数据不匹配的问题,不匹配形式包括像元级、亚像元级平移和旋转。针对实验室现有实验装置分析了平场系数配准精度的影响,通过分析单臂数据不同偏移量与光谱偏差之间的定量关系,得出本实验装置平场系数的配准精度需要优于0.1像元。根据配准需求,采用对数—极坐标变换求出旋转角度和相位相关方法进行像元级平移量计算,通过基于矩阵乘法的DFT实现亚像元级平移量的估算。最后总结了系统级平场方法的流程,利用实验室装置对空间外差光谱仪系统级平场方法进行了验证,通过对光栅位置的微量调整模拟实际胶合后干涉仪整体状态,对模拟胶合后数据采用平场校正流程与单臂数据完全匹配下校正后的光谱对比显示,二者之间光谱平均偏差为0.6%,与不校正时4.1%的光谱偏差相比,校正后光谱复原精度大大提高,为后续进一步数据处理奠定基础。     

空间人造目标混合光谱材料数目确定方法仿真研究

在空间人造目标光谱分析领域,受到观测距离和观测设备空间分辨率的限制,通常在观测空间人造目标光谱信号时,目标某个瞬时视场中的多种纯物质材料的光谱特征信息组合在一个像元中,形成“混合光谱”。因此,将这些混合光谱分解为每个单一材料的光谱并估计出相应的组成比例是空间人造目标光谱分析研究的重点。大多数现有空间目标光谱分解方法都假设空间人造目标混合光谱中包含的纯物质材料种类个数（即“端元数目”）是先验已知的,这对于未知空间人造目标而言是不现实的。因此,纯物质材料数目正确估计对后续光谱数据分析处理的准确性起着至关重要的作用。目前,现有的端元数目确定方法的设计均在高斯白噪声的假设下进行,而对于噪声信号的分布存在频谱相关性的情况下,会提供较差的结果。采用一种基于数据内在维度和似然最大化理论的方法--鲁棒特征值极大似然方法。由于数据内在维数与信号协方差矩阵和信号相关矩阵特征值差异的统计分布特性高度相关,因此通过分析该特征值差异的统计分布特性,构建一个极大似然函数,可以实现空间人造目标混合光谱端元数目的确定。该方法包含两个步骤：首先,采用基于多元回归和改进最小噪声分离方法对原始光谱数据进行预处理完成噪声特性估计和噪声白化过程,从而有效抑制具有频谱相关性的噪声的干扰;接下来,通过求解一个离散对数联合似然函数的极大值问题来实现空间人造目标混合光谱端元数目的确定,该方法完全不需要输入任何参数,并且运行速度比较快。分别利用实验室实测的五种空间人造目标材料的可见/近红外光谱数据和美国地质勘测局光谱数据构建混合光谱仿真数据进行实验。结果表明,该方法能有效抑制相关噪声和白噪声的干扰,空间人造目标纯物质材料数目确定结果具有很好的准确性和稳定性。