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.     

高光谱遥感图像光谱解混的独立成分分析技术

高光谱遥感在对地球陆地、海洋、大气的观测中发挥着重要作用,高光谱遥感图像分析的关键是提取像元光谱内部各物质成分及其含量,即光谱解混。独立成分分析提供了一种先进的技术手段,在很少先验知识的前提下,实现端元(物质成分)光谱及其丰度(含量)的同时提取。但丰度约束破坏了各成分独立的前提条件,导致了独立成分分析的局限性。针对这一问题,提出了丰度约束下总体相关性最小化的解决方案,并指出总体相关性最小化下的理想角度,通过设计角度修正的独立成分分析算法把各成分调整到理想角度上。利用模拟数据与真实数据算法进行检验,结果表明：经过角度修正后,独立成分分析突破了原有的局限性,有助于进一步提高独立成分分析技术在光谱分析中的有效性。     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

独立成分分析及其在图像处理中的应用

独立成分分析是一种新的信号处理技术,在数字图像处理的诸多方向均表现出其独特性。对独立成分分析(ICA,Independent Component Analysis)及其在图像处理中的应用进行了综述。简要介绍了独立成分分析的数学模型,给出了极大化非高斯性的ICA估计方法、极大似然ICA估计方法、极小化互信息ICA估计方法的目标函数及其优化算法;对ICA在像素级图像融合、运动目标检测、人脸检测及特征提取、大脑信号和图像分析、数字水印、有噪图像分离等方向的应用研究进行了评述,进而显示ICA的应用价值和发展空间。     

基于核独立成分分析的人脸识别

研究一种基于核独立成分分析的人脸识别方法。利用支持向量机的核函数思想,将原始人脸图像向量映射到高维特征空间,然后在高维特征空间中进行独立成分分析(ICA),提取非线性独立成分作为特征向量进行分类识别。实验结果表明该方法要比常规的基于ICA和PCA的人脸识别算法的识别率要高。     

小波包分解支持下的高光谱混合像元盲分解

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度...     

小波包分解支持下的高光谱混合像元盲分解

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度,其准确度明显优于独立成分分析方法.该方法为高光谱遥感影像的盲分解提供了一条新的途径.     

联合空间预处理与谱聚类的协同稀疏高光谱异常检测

针对利用稀疏表示进行高光谱图像异常目标检测效率不高的问题,基于高光谱图像成像原理和图像结构,充分利用高光谱图像的空间特性和光谱特性,并在它们之间建立协同处理机制,提出了联合空间预处理与谱聚类的协同稀疏高光谱图像异常目标检测算法。该算法首先对高光谱图像空间特性进行分析,并结合光谱特性进行空间预处理,使得处理后的高光谱图像更易于异常目标的检测;利用建立在谱图划分思想基础上的谱聚类方法进行波段子集划分,谱聚类方法具有收敛于全局最优解、聚类速度快的特点;利用提出的新的空间和光谱协同稀疏差异指数方法对每个子集进行异常目标检测,该协同稀疏方式充分考虑了高光谱图像的空间特性和光谱特性,通过对每个波段子集检测结果进行叠加,得到最终异常检测结果。利用真实的AVIRIS高光谱图像和合成的高光谱图像对算法进行仿真实验和结果分析,结果表明该算法具有稳健性,同时检测精度高,虚警率低。     

基于HPSO和FCM的多光谱遥感图像湿地分类

分析了基本粒子群算法(PSO)、混合粒子群优化算法(HPSO)和模糊C-均值算法(FCM)的特点,将模糊C-均值算法引入到混合粒子群优化算法中,发展和改进了HPSO-FCM算法,并在Fortran语言和MATLAB环境下开发实现HPSO-FCM程序。以2009年6月份的环境一号卫星多光谱可见光图像和ENVI-SAT的ASAR微波图像为基础数据,通过波段叠加和主成分分析,得到前3个主成分合成图像。利用HP-SO-FCM算法和非监督学习动态聚类算法(ISODATA)分别对湖南东洞庭湖3个主成分合成图像,进行湿地分类实验。结果表明:(1)将模糊C-均值算法引入到混合粒子群优化算法中,具有较好的搜索速度和收敛精度,能有效寻找和优化最佳聚类中心。(2)HPSO-FCM算法在多光谱遥感图像湿地分类精度比较高,是一种有效的遥感图像分类方法。     

基于多尺度分解的超光谱图像异常检测

提出了一种基于多尺度分解的超光谱图像异常检测算法。在目标和背景均未知的前提下,利用光谱和空间两种信息完成对异常目标信号的定位,从而实现超光谱遥感数据中异常目标检测。首先利用非下采样塔式变换对超光谱图像进行分解,将其划分为不同尺度子块;然后依据超光谱图像同一波段不同尺度空间内相邻系数的相关性,采用不同波段各个尺度空间的反锐化掩模方法优化背景数据分布,从而抑制异常数据对背景的干扰;最后利用设计的核RX算子得到异常目标检测结果。为验证方法的有效性,利用真实和模拟的AVIRIS数据进行了实验,并与经典RX算法相比较,实验结果表明,基于非下采样塔式分解的异常检测方法具有更好的检测性能和较低的虚警。     

基于3D卷积自编解码器和低秩表示的高光谱异常检测

针对高光谱影像数据维度高、空间和光谱信息利用不足以及局部结构特征表达有限等问题,提出了一种基于3D卷积自编解码器和低秩表示的高光谱异常检测算法。首先,通过3D卷积自编解码器提取高光谱影像的空谱特征,并针对高光谱图像的局部区域强相关性,设计了一种新的损失函数来约束中心像素和周围像素,以提取判别性较强的特征图;然后,针对所提取的特征图,通过基于密度的空间聚类算法构建背景字典,并利用低秩表示分离出异常区域;最后,融合由3D卷积自编解码器得到的重构误差和异常区域检测结果,得到最终检测图并为异常目标关键信息的挖掘提供依据。为了验证所提算法的有效性,在两个真实的机场高光谱数据集上进行飞机等目标检测实验,ROC、AUC量化指标和主观分析等实验结果表明,与其它6种异常检测算法相比,本文算法具有更高的异常目标检测精度。     

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.     

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.     

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。     

3D卷积自动编码网络的高光谱异常检测

高光谱图像包含丰富的地物光谱信息,在遥感图像领域有着巨大的发展前景。高光谱图像异常检测无需任何先验光谱信息,便可检测出图像中的异常目标。因此,在国防军事和民用领域都有广泛的应用,是现阶段高光谱图像处理领域的研究热点。然而,高光谱图像存在数据复杂、冗余性强、未标记以及样本数量少等特点,这给高光谱图像异常检测带来了很大的挑战。尤其是在深度学习中,往往需要大量的图像数据作为训练样本,这对高光谱图像来说很难获得。针对现有大多数算法对高光谱图像自适应性不强和空间-光谱信息利用不足的问题,提出一种基于3D卷积自动编码网络的高光谱异常检测算法,可以在少量训练数据的前提下,有效利用高光谱图像信息,学习更加有判别性的特征表达,提高检测精度。首先,通过3D卷积、3D池化和3D归一化等步骤设计3D卷积网络,进而提取高光谱图像的空间-光谱结构特征。然后,将3D卷积网络和3D反卷积网络分别嵌入自动编码网络的编码器和解码器,通过最小化结合均方差和光谱角距离的重构误差进行背景重构。最后,利用原始高光谱图像待测像元与重构的背景图像之间的马氏距离进行异常检测。该算法可以在无先验信息的情况下,自动训练网络中的所有参数,以无监督的方式学习高光谱图像的有效特征并进行背景重构。为证明算法的有效性,利用截取来自三组真实高光谱数据集的九个图像进行异常检测,并与RX,SRX,CRD,UNRS和LRASR五种算法进行对比。结果表明,与现有的其他算法相比,该算法可以在复杂程度不同的高光谱图像背景下可以保持较高的检测效果和准确率。     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.