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。     

基于加权块稀疏联合非凸低秩约束的高光谱图像去条带方法

针对高光谱图像(hyperspectral images,HSI)去条带易引起影像结构细节丢失问题,提出一种基于加权块稀疏(weighted block sparsity,WBS)正则化联合最小最大非凸惩罚(minimax concave penalty,MCP)约束的HSI去条带方法.本算法采用加权?2,1范数和MC...     

高光谱遥感图像的小波去噪方法

高光谱遥感图像是由二维空间信息和一维光谱信息组成的三维数据。普通的去噪方式通常是分别对空间信息或光谱信息进行去噪,其主要缺点是忽视了高光谱图像强烈的谱间相关性和图谱合一的特点。针对这些特点,文章提出一种基于小波变换的高光谱遥感图像去噪方法。该方法对各波段高光谱图像逐一进行二维小波变换,根据含噪声大的波段与噪声小的波段的波长关系,对小噪声波段的高频系数加权求和,代替噪声大的波段的高频系数,通过小波逆变换得到去噪后的重构图像。该方法运算速度快,能有效地降低噪声。对机载可见红外成像光谱仪数据(AVIRIS)实验表明,与经典的BayesShrink图像去噪方法相比,方法重构图像的信噪比(SNR)高出3.8～10.6 db,节省运算时间一半以上。     

张量环因子非凸秩约束的高光谱图像超解析

针对高光谱图像超解析问题,提出了一种联合子空间表示、非局部相似性和张量环因子非凸秩约束的超谱-多谱融合模型.首先,基于高光谱图像的全局谱低秩特性,利用原始低空间分辨率高光谱谱域信息将其降维至子空间表示;随后,针对视觉对像在非局部维度上的强相关性,利用多光谱图像的空间冗余信息将降维后子空间图分成多个相似patch组,并对...     

基于特征提取的低信噪比拉曼光谱去噪方法研究

为了提高拉曼光谱检测系统的时间分辨率,常常需要采用较短的采样积分时间,此时带有分子结构振动谱的有用拉曼信号可能完全淹没在噪声中,严重影响信号的进一步分析,因此有必要对测量所得的光谱信号进行噪声消除处理。传统的消噪方法是基于信号与噪声在频域或统计特性之间的差异,通过平滑滤波或取平均值的方法来消除噪声,一般适用于噪声强度不高的情况,对于信噪比较低的情况处理效果并不理想。针对传统去噪方法的不足,从信号重构的角度,利用基于小波变换的谱峰识别、半峰宽检测提取光谱特征参数,再利用最小二乘拟合的方法,能够有效地提取淹没于强噪声背景下的有用拉曼信号。在仿真中,运用该算法得到的光谱曲线光滑,峰位置准确,信噪比改善明显。在实验中,分别利用该方法处理头孢呋辛酯片和罗红霉素拉曼光谱数据,得到了清晰的谱峰位置、幅值及半峰宽信息,实现了对短积分时间、强噪声背景的拉曼信号的有效还原,提高了检测系统的时间分辨率。仿真和实验结果表明,该方法需要调整参数少,易于实现,在信噪比比较低的情况下依然能够得到良好的去噪效果,为进一步分析光谱数据提供准确可靠的信息。     

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...     

基于LCEEMD的低信噪比拉曼光谱自适应去噪方法研究

在生物体拉曼光谱快速采集或低功率采集过程中,往往会获得低信噪比拉曼光谱。针对低信噪比光谱数据,提出应用补充总体经验模态方法(CEEMD)分解拉曼光谱,并且依据特征模态分量的归一化排列熵值(NPE)按比例扣除噪声成分的方法,称为局部补充总体均值经验模分解方法(LCEEMD)。LCEEMD方法不仅解决了经验模态(EMD)分解中高频信号与噪声的模态混叠问题,还有效降低了总体经验模态分解法(EEMD)中的残留噪声。仿真数据实验显示,LCEEMD方法在处理10db信噪比模拟光谱时获得了39.615 0 db信噪比,0.001 17标准差和0.999 9相关系数。在人体皮肤拉曼光谱试验中,LCEEMD方法滤波后数据准确呈现出角质层脂质酰胺I带激发拉曼强谱峰以及甘油三酸酯中(CO)酯微弱谱峰。在水稻叶片可溶性糖定量预测模型中,LCEEMD方法取得了0.871 7预测相关系数和0.912 0预测标准误差,优于EMD和EEMD软阈值去噪(0.511 4,1.647 8和0.638 2,1.508 8)。LCEEMD方法实施过程中,根据去噪性能指标反馈调整归一化排列熵阈值,直至获得最佳去噪效果,滤波过程无需参数设置,可以自适应实现。     

高光谱遥感图像微分域三维混合去噪方法

高光谱遥感图像是一种三维数据,由二维空间信息和一维光谱信息组成。普通的对二维静态图像或一维光谱信息去噪的算法忽视了高光谱图像强烈的谱间相关性和图谱合一的特点,无法取得令人满意的效果。同时现代的高光谱遥感图像噪声级别相对较低,噪声方差随波段不同而不同。针对以上特点,提出一种微分域三维混合去噪方法。首先将高光谱遥感图像变换到光谱微分域,使细微的噪声变得显著。然后在微分域中,对二维空间域采用基于小波的非线性阈值去噪BayesShrink算法。为克服噪声方差不同的特点,对光谱维不再采用小波阈值去噪方法,而采用Savitzky-Golay滤波进行平滑。最后对微分域去噪平滑处理后的图像进行光谱积分,并进行积分修正,消除光谱积分中引入的积累误差。对信噪比为600∶1的机载可见红外成像光谱仪数据(AVIRIS)实验表明,该算法能有效地降低噪声,将信噪比提高到2 000∶1以上。     

基于经验模态分解的高光谱遥感数据去噪方法

经验模态分解(EMD)是一种新的时频分析方法,经EMD分解后的各个固有模态函数(IMF)突出了原始信号的局部特征,从而可以区分噪声和有用信号。基于此,结合高光谱遥感数据的光谱变化特征,提出了一种基于经验模态分解的高光谱遥感数据去噪方法。通过对理论数据的实验表明,数据中的噪声无论是高斯分布还是均匀分布,数据经EMD分解后,噪声都主要集中在前几个特定的IMF,对相应的IMF进行滤波处理后并与其他IMF分量进行重构就可得到去噪信号,与小波去噪结果相比较,这种方法效果更好。最后把该去噪方法应用于野外实测的油膜高光谱数据去噪,实验结果表明,该方法能准确、有效地去除高光谱遥感数据的噪声。     

基于EMD的拉曼光谱去噪方法研究

经验模态分解(EMD)方法是一个以信号极值特征尺度为度量的时空滤波过程,它充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势。文章在介绍EMD分解方法的基础上,结合EMD的多尺度滤波特性,提出了一种新的拉曼光谱去噪方法——EMD阈值去噪法。该方法首先对含噪的拉曼光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加得到重构的信号,即去噪信号。通过处理对二甲苯的拉曼光谱信号,分析了在不同噪声水平上不同去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势,在拉曼光谱去噪中有很好的应用前景。     

近红外漫反射光谱的小波变换的去噪方法

以测定的紫丁香醛近红外漫反射光谱信号为标准,随机加入了一噪音信号,采用Daubechies小波系中的DB5小波函数,以4种阈值选取方法(最小最大准则阈值、Stein无偏似然估计阈值、混合阈值和固定阈值)和2种阈值函数(软阈值函数和硬阈值函数)组合对含噪音的光谱信号进行了小波去噪处理试验,以均差MSE评价组合各种阈值选取及阈值函数方法的去噪优劣。结果表明,对于该类型的光谱信号,采用最小最大阈值和软阈值函数组合,得到最优的去噪效果。     

联合矩阵低秩逼近和稀疏表示的高分辨率遥感影像目标识别方法

针对高分辨率遥感影像地物信息复杂、目标识别率低等问题,提出了一种联合矩阵低秩逼近的稀疏表示遥感影像目标识别方法。对原始遥感影像进行Radon变换,将处理过后的遥感影像进行低秩和稀疏分解,得到具有低秩性和稀疏性的两部分信息;通过K-SVD算法分别对这两部分信息进行字典学习,构建稀疏表示的判别字典;通过稀疏表示求解算法求解出待分类的目标在判别字典上的稀疏系数,根据稀疏系数最大准则对目标进行分类识别。在Uc Merced数据集上选取具有代表性的线性和非线性子集分别进行实验,结果表明所提算法与传统的SRC、SVM、MLC和KNN等分类识别算法相比,在采样比例为1/16、稀疏度为5时,识别率在线性子集上能够提高10%、在非线性子集上能够提高5%,表明所提方法具有较好的识别效果。     

基于反向传播神经网络的拉曼光谱去噪方法

拉曼光谱技术作为一种典型的光学检测方法,因其独特的非侵入性、快速、原位和极高的特异性,在生物分析、疾病诊断及分子识别等众多领域得到广泛应用.拉曼光谱的指纹特性使其成为生物医学分析领域的重要工具,但拉曼散射信号微弱,数据处理分析大量依赖分析人员、自动化处理能力低等因素都会极大影响该技术在实际中的应用.实验设备、环境产生的...     

光谱信号的小波去噪新技术

光谱分析中,噪声的存在常影响分析的准确度和检测限。现有滤波方法在光谱信号除噪方面有种种缺陷。文章充分利用小波在信号处理方面的优良特性,提出了Mexican Hat小波滤波算法,它选用Mexican Hat小波函数构造滤波项,利用滤波项与原始信号作用,从而实现信号与噪音的分离。该方法无论对低频或高频信号均适用,除噪完全,即使对信噪比为1的高噪声信号也能获取满意的处理结果。运用这一技术处理光谱信号,简单快速、结果可靠,处理后峰位置、峰高、峰面积误差分别小于0.2%,3.2%,1.1%。大量实验表明,本方法能有效提高光谱分析的准确度。     

基于分组三维离散余弦变换字典的植物高光谱数据去噪方法

针对植物高光谱图像各波段噪声强度不同,以及空间域和谱域均存在噪声污染的问题,提出了一种基于分组三维(3D)离散余弦变换(DCT)字典的稀疏表示去噪方法。首先分析了植物光谱特征,根据谱间相关性对波段进行分组;然后采用边缘块剔除的局部均值标准差法对高光谱图像进行噪声标准差估计,为去噪算法提供参考阈值;最后构建三维DCT字典的稀疏表示去噪方法,对植物高光谱图像进行去噪。实验结果表明,与原始数据和二维DCT字典去噪方法相比,谱域噪声评估中平均信噪比分别提高18.2dB和9.2dB。因此,该方法不仅具有较好的空间域去噪能力,也有较好的谱域去噪能力。     

基于K-SVD和残差比的低信噪比图像稀疏表示去噪算法

针对低信噪比图像去噪问题,提出了一种基于K-SVD(Singular Value Decomposition)和残差比(Residual Ratio Iteration Termination)的正交匹配追踪(Orthogonal Matching Pursuit,OMP)图像稀疏分解去噪算法。该算法利用K-SVD算法将离散余弦变换(Discrete cosine transform,DCT)框架产生的冗余字典训练成能够有效反映图像结构特征的超完备字典,以实现图像的有效表示。然后以残差比作为OMP算法迭代的终止条件来实现图像的去噪。实验表明,该算法相对于传统基于Symlets小波图像去噪、基于Contourlet变换的图像去噪,以及基于DCT冗余字典的稀疏表示图像去噪,能够更加有效地滤除低信噪比图像中的高斯白噪声,保留原图像的有用信息。     

基于小波模极大值移位相关的光谱去噪方法

提出一种小波模极大值移位相关滤波算法,用来对吸收光谱进行去噪处理。首先,依据小波变换模极大值理论,识别吸收光谱的二进小波系数中的噪声成分和有用信号成分;然后将其中相邻尺度的有用成分在波数轴上移位对齐,修正模极大值在尺度间的“漂移”现象,并对其中噪声成分进行平滑;最后将预处理后的相邻尺度的小波子带相乘,根据得到的小波系数尺度间的相关度,进一步强化信号的重要特征,同时衰减噪声。相比SSNF及MPTH等去噪方法,新的算法不需要估计噪声强度,可避免引入误差和复杂计算;也不需要进行迭代计算,可消除算法收敛缓慢甚至不收敛的危险;同时,该算法修正了光谱谱峰在不同尺度的模极大值位置的“漂移”,可弥补这一现象造成的谱信息的损失。实验结果证明,提出的滤波算法在保留SF₆气体红外吸收光谱的有用成分的前提下,有效的滤除了噪声。     

基于光谱曲线形态的高光谱影像检索方法研究

随着传感器技术、数据通讯技术的飞速发展,利用各种机载和星载传感器,己经获取到各种不同的海量遥感影像数据。巨大的数据量带来了数据存储和管理的问题,如何实现从海量影像数据中检索出我们所需要的信息显得十分迫切。影像检索最早由Chang于1980年提出,是对传统信息检索的扩展。针对海量遥感影像高效检索的需求和高光谱遥感影像波段数目多的特点,分析了影像检索中的影像距离函数和相似性度量问题,基于经典的曲线简化Douglas-Peucke算法(简称DP算法)提取光谱曲线的形态特征,利用“提取特征”的思想,提出了基于DP算法的光谱曲线和影像检索(简称DPSR)方法,将光谱形态特征应用于影像检索当中。DPSR利用光谱曲线上的特征点,减小了计算量,实现了有效地匹配和检索,适合高光谱遥感影像的光谱检索。文章选择了OMISI高光谱数据的四种易混分地类进行了相似性度量的对比实验。通过与常规的分析方法光谱角匹配(SAM)、光谱信息散度(SID)的对比可以看到,DPSR在较少计算量的情况下能保持较高的计算精度,提供了一种新的影像光谱高效检索方法。此外,文章还提出了尚待进一步研究的问题。     

改进LMS的光谱信号去噪算法

微型光谱仪在检测高浓度比背景下多种痕量重金属离子浓度时,光谱吸收信号易受外部环境和内部电路的随机噪声干扰,多种痕量重金属离子的光谱吸收信号微弱易被噪声所淹没,严重影响了光谱定量分析结果的准确性和重复性,需要对光谱吸收信号进行去噪预处理。然而,大多数光谱去噪算法的一些关键细节参数的设置不仅需要通过反复的实验进行测试验证,还取决于研究者的现有经验和待解决对象的特征。针对这些关键参数对滤波效果影响大、选择难的问题,提出了一种基于sigmoid误差约束的改进型LMS自适应去噪算法。首先对标准LMS算法原理进行了分析,并结合微型光谱仪的数据干扰情况对标准LMS算法的滤波器结构进行优化改进,利用sigmoid函数具有误差约束的特性,对标准LMS算法的误差计算模块进行优化改进,降低算法对噪声敏感性;然后针对改进后的最小均方误差损失函数是一个非凸函数,提出了一种类交叉熵损失函数,将非凸问题转化为一个凸优化问题,在利用梯度下降法逐步最小化损失函数时,保证了局部最优解也是全局最优解,同时结合Adam算法来自适应地调整学习率因子,保证了算法具有较快的收敛速度;最后为了验证改进后的自适应去噪算法具有较强的去噪性能,通过交叉验证进行实验验证。对四种金属离子混合溶液的实测光谱吸收信号,添加不同信噪比的随机噪声后使用该改进的算法进行测试验证,实验结果表明:在处理信噪比低的吸收光谱信号过程中,所提方法相对于标准LMS算法、 SG去噪算法、小波软阈值算法、小波硬阈值算法,信噪比分别提高了9.225%, 19.678%,7.591%和12.042%;均方误差分别降低了59.647%, 63.070%, 53.600%和57.793%。该方法不仅能够有效地抑制强噪声,还原了光谱信号中的一些重要真实细节特征,而且也避免了关键细节参数需要依靠主观判断选择的问题,为分析低信噪比下的光谱信号提供了一种新的解决思路。     

红外光谱预处理中去噪的研究

红外(IR)光谱由于包含了噪声等各种外界干扰因素.应该先进行光谱预处理,以便降噪,提高分析准确度.本文采用了一种基于最优小波包基的信号去噪算法,该算法根据最小代价原理,采用不同的阈值算法对光谱的高频和低频信号进行量化处理,用量化后的系数重构得到去噪信号,从而达到较好的去噪效果.实验表明,本方法处理后光谱曲线非常光滑、噪声消除效果明显.