排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
光谱图像包含丰富的空间信息和光谱信息,能够为天基预警探测任务提供重要的信息支撑,但其庞大的数据量给硬件设备带来了极大的挑战。传统的基于奈奎斯特采样的"先采样后压缩"的处理方式不仅无法从根本上解决数据量庞大的问题,还会造成资源浪费;针对此问题,利用单波段二维图像的稀疏性和空间编码数据的谱间冗余,设计了一种基于空间域压缩采样和谱域Karhunen-Loève(KL)变换编码的光谱图像重构方法,并建立基于1范数和全变分约束的单波段二维图像复合正则重构模型,同时结合投影梯度法和软阈值收缩算子设计2D-CRPG模型求解算法。结果表明:基于空间域压缩采样和谱域KL变换编码的光谱图像重构方法能够有效降低数据采样成本,有利于天基预警探测光谱成像;2D-CRPG重构算法能够有效保留光谱图像的结构信息,从而在有限的采样率下较好地重构原始光谱图像。 相似文献
2.
针对高光谱图像目标检测问题,提出了一种基于自适应核联合表示的高光谱图像异常检测方法。相比于稀疏表示强调系数向量的稀疏性,基于联合表示的检测算法更强调背景字典中每一原子对联合表示的贡献,并且系数求解更加简单直接;在基于向量2-范数极小化问题求解联合表示系数时,引入相似性正则化矩阵与和为1的条件对系数进行约束,以增强算法的稳定性和分辨力;进而将联合表示检测算法扩展到核空间,利用高光谱图像的局部统计特性进行核参数自适应选取,增强了核参数的局部适应性。为验证该方法的有效性,采用一幅实测高光谱图像中的两个感兴趣区域进行仿真实验,并与传统异常检测方法的检测结果进行对比分析,结果表明该方法具有较传统异常检测方法更出色的检测效果。 相似文献
3.
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。 相似文献
1