AOTF高光谱探测系统对伪装目标的识别研究

为了获得目标和背景更精细的光谱信息,解决目前伪装目标与背景在一定波长范围内接近"同色同谱"而造成的目标识别难题,搭建了一套高光谱成像探测系统,并以典型林地背景中的伪装目标为例,对其进行探测与识别,获得目标和背景的高光谱信息以及强度对比度曲线。通过分析发现,伪装目标与背景难以实现完全的"同色同谱",在某些波长上目标的特征比较明显,强度对比度较大。表明通过筛选特定的波长能对伪装目标实现有效快速的探测与识别。这些结果对于高光谱探测系统的应用具有指导意义。     

高光谱探测异常目标识别方案

本文为保护重要信息不被敌方获取侦察,对窃听窃视设备进行快速、有效、精确的检测与定位,结合光谱探测技术的特点,设计了伪装目标识别的方案,并利用成像光谱仪组建实验装置,开展伪装目标的识别实验,对识别方案的有效性进行实验验证。实验结果显示,计算光谱成像技术在室内伪装目标的识别方面表现出超越可见光识别的优势,且具有良好的通用性和灵活性,能够满足多样性的识别要求。     

高光谱解混方法研究

高光谱图像的空间分辨率较低,导致大量混合像元存在于高光谱图像中。混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一。高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义。高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混。归纳了线性光谱解混的两个步骤:（1）提取纯净像元中地物的光谱信号,即提取端元,这是关键步骤;（2）利用端元的加权线性组合对混合像元进行光谱解混,即丰度反演。简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法。通过归纳、对比和分析,总结了不同端元提取方法的特点,并对高光谱解混的研究前景进行了展望。     

基于线性光谱混合模型的光谱解混改进模型

传统的基于线性光谱混合模型(LSMM)的解混方法采用迭代求解方式,复杂度较高,为此提出一种基于几何方式的模型求解方法。另一方面,LSMM采用固定谱形固定数量的光谱端元进行解混,影响了光谱解混精度,为此提出端元谱形的区域修正方法和端元子集的局域确定方法,从而建立基于柔性端元的新解混方式。实验表明了所提出的几何求解方法及柔性光谱端元方式的有效性。     

基于高阶非线性模型的多目标高光谱图像解混算法

在高阶非线性混合模型的基础上,提出一种多目标高光谱图像解混算法,解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型,并同时优化两目标函数以减少数据异常值对模型求解的影响,使解混结果在两个评价指标上得到提升;最后采用差分搜索算法求解多目标优化模型,解决梯度类优化方法易陷入局部极值的问题,从而进一步提升解混精度。实验结果表明,文中算法与传统高光谱解混算法相比,具有更精确的端元丰度估计结果和更高的解混精度。     

高光谱线性解混研究进展

受高光谱遥感仪器空间分辨率的限制以及复杂地物的影响,高光谱图像中存在大量混合像元,成为阻碍高光谱遥感技术应用和发展的关键因素。高光谱混合像元分解技术已成为高光谱图像处理中的关键技术。系统地整理近年来高光谱解混的相关算法,从端元提取和丰度估计两个方面介绍高光谱解混的研究进展。对高光谱解混的相关算法进行分类总结,并对其原理和优缺点进行了对比分析。结合当前研究现状针对存在的问题做出了展望,指出今后可从模型共存、空谱结合、时效性以及工程实用化的角度对高光谱解混作进一步研究。     

可见-近红外高光谱伪装目标特性分析

传统的伪装目标探测识别大部分是依靠人眼通过光学仪器进行简单的放大观测,但是通常探测效果不佳。高光谱仪能采集一定波长范围的光谱图像,从而得到物体连续的光谱曲线,一般来说,不同物体间的光谱曲线存在差异。利用在可见光及近红外波段下获取的高光谱图像,分析伪装目标在不同背景下的伪装效果。通过光谱幅值及光谱形状变化趋势,评价伪装目标与背景光谱曲线的差异。根据实验结果综合评价,伪装目标在真实草地中的伪装效果相对塑料假草皮来说更好,符合实际需要,能为军事行动提供良好的伪装。同时,实验也表明,在可见光波段下,不同物体光谱曲线变化趋势不同,在近红外波段下,物体间的光谱反射灰度值差异较大,但是光谱变化率差异较小。在伪装目标探测时,若仅从某一方面来评价,可能得到错误的结果。所以在探测识别时,需要从各方面综合考虑。     

基于光谱特征增强的高光谱图像地物目标识别

在地物识别过程中,目标光谱特征不明显是制约识别算法性能的一个重要原因,当图像中存在与目标光谱特征相似的背景杂波时,算法性能会受到很大影响.针对这一问题,提出了一种基于光谱特征增强的高光谱图像目标识别方法.利用多分辨率分解和非线性变换突出了未知光谱与标准参考光谱间微小的光谱特征差异,实现了对未知目标的识别.实验结果表明,相比于未进行光谱特征增强的方法,方法能够很好地分辨出不同地物间微小的光谱特征差异,同时有效地抑制了图像中背景杂波的干扰,具有更好的识别能力.     

高光谱图像Pareto优化稀疏解混

高光谱解混是学术界的一个难题,稀疏高光谱解混指的是利用已知光谱库进行解混,旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元,并利用这些端元求解相应的端元丰度,这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混,但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法（ParetoSU）,将稀疏解混问题转化为一个两目标优化问题,其中一个优化目标是建模误差,另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题,不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。     

基于几何估计的光谱解混方法

光谱解混是高光谱数据分析的重要技术之一。全约束(即非负性约束和归一化约束)最小二乘线性光谱混合模型(FCLS-LSMM)具有模型简单和物理意义明确等优点而得以广泛使用。然而,FCLS-LSMM的传统优化求解方法的迭代过程非常复杂。近年提出的几何方法为降低LSMM的求解复杂度提供了新思路,但是所获得的结果并非真正意义上的全约束最小二乘解。为此,建立一种完全符合FCLS要求的LSMM几何求解方法,具有复杂度低和可以获得理论最优解等优点。实验表明了所提出方法的有效性。     

基于微分搜索的高光谱图像非线性解混算法

针对线性混合模型在实际高光谱图像解混过程中的局限性,提出一种新的基于微分搜索的非线性高光谱图像解混算法.在广义双线性模型的基础上采用重构误差作为解混的目标函数,将非线性解混问题转化为最优化问题.将目标函数中的待求参数映射为微分搜索过程中的位置变量,利用微分搜索算法对目标函数进行优化求解.在求解过程中,通过执行搜索范围控制等机制满足高光谱图像解混的约束要求,进而求得丰度系数和非线性参数,实现非线性高光谱图像解混.仿真数据和真实遥感数据实验结果表明,所提出的非线性解混算法可以有效克服线性模型下解混算法的局限性,避免了由于使用梯度类优化方法而易陷入局部收敛的问题,较之其它高光谱图像解混算法具有更好的解混精度.     

基于端元字典稀疏解混的高光谱图像亚像元定位

针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。     

量测重构线性混合模型高光谱图像目标检测

针对高光谱图像中无背景和目标先验信息情况下的目标检测问题,给出了一种基于量测重构光谱混合模型的目标检测算法.通过构造投影算子削弱背景干扰,提高自动搜索目标光谱特征的准确性;对光谱空间进行估计后,构造量测重构光谱混合模型;以此量测重构混合光谱模型为基础,使用投影抑制背景并提高信噪比以改善检测效果.同时给出了目标信号与局部杂乱背景之间的均方根误差SLCR及目标信号峰值与局部杂乱背景均值的比例PSLCMR两个检测评价指标的定义.利用可见光/近红外波段高光谱图像进行了实验,实验结果和理论分析表明了算法的有效性.     

全变差稀疏约束深度非负矩阵分解高光谱遥感影像解混方法

传统非负矩阵分解方法仅基于单层线性模型,现有的深度非负矩阵分解模型忽略了地物光谱的实际混合物理过程,仅从数学理论考虑深度分解。对此,文中从光谱混合的物理过程出发,综合非负矩阵分解和深度学习,将光谱混合过程进行反向建模,并充分考虑丰度的稀疏性和空间平滑性,构建了用于高光谱遥感影像解混的面向端元矩阵的全变差稀疏约束深度非负矩阵分解模型。通过模拟实验和真实实验,将文中所提方法与5种解混方法进行对比。结果表明,相较于面向丰度的深度非负矩阵分解算法,文中所提方法的平均光谱角距离和均方根误差均有所降低,取得了最佳解混结果。     

基于线性混合模型的高光谱图像分布式压缩感知

为了实现高光谱图像的有效压缩采样与重构,对分布式压缩采样的高光谱数据应用线性混合模型进行重构.首先,在图像采集阶段,针对高光谱图像的空谱特性,应用分布式压缩采样策略对高光谱数据进行采集;在数据重构阶段,应用高光谱图像的线性混合模型假设,先对压缩数据进行端元数目的估计,再利用估计的端元数来估计丰度矩阵,根据端元特征信号的稀疏性质提取端元矩阵,从而重构出原始的高光谱数据,抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解.实验结果表明:在压缩采样数据为总数据的20％时,重构的平均信噪比比压缩投影主成分分析算法提高了15 dB以上,同时该方法还便于获得端元和丰度信息.所设计的压缩感知方案采样方式简单,重构速度快、精度高,可应用于星载或机载的高光谱压缩感知成像.     

光谱加权协同稀疏和全变差正则化高光谱图像解混

针对传统稀疏解混方法对丰度的稀疏性表征不充分及空间信息利用率低等问题,本文在分析迭代加权稀疏解混方法的基础上,提出了一种基于光谱加权协同稀疏和全变差正则化的高光谱解混方法.该方法一方面在协同稀疏解混的基础上引入光谱加权因子进一步刻画丰度系数的行稀疏性,以促进所有像元之间的联合稀疏性;另一方面引入各向异性全变差空间正则化促进图像同质区域的平滑性,以提高解混的准确性.通过交替方向乘子法求解该模型,通过迭代,利用内外部双循环迭代方法对光谱加权因子和丰度系数进行优化.模拟和真实的高光谱数据实验结果均表明本文提出的算法与现有同类算法相比能大幅提高混合像元分解的精度,在稀疏解混方面展现出了巨大的潜力.     

基于相关向量机的高光谱影像混合像元分解

 提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.     

基于成像光谱技术的主动段弹道目标检测与识别方法

弹道目标检测与识别问题是天基红外预警系统的核心难题之一。针对主动段弹道目标的检测和识别问题,分析了传统的基于空间和时间特征信息的弹道目标检测与识别方法。利用目标辐射空间与光谱的一致性,提出一种基于成像光谱技术的主动段弹道目标检测与识别方法,将空域目标检测和谱域目标识别两个环节进行联合处理。实验证明,该方法应用于复杂背景下低信噪比的红外弱小目标图像序列能得到较理想的结果,算法检测概率高、虚警概率低、具有较强的实时性。     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

高光谱目标分类技术发展与展望

高光谱成像技术源于遥感探测,具有谱图合一的独特优势,在农林、地矿、防伪和环境保护等领域的应用日益广泛。作为高光谱技术最常见和最基本的功能,目标分类在各个高光谱领域的应用均具有至关重要的作用。综述了高光谱目标分类技术的发展现状,分析了高光谱数据的结构特点,归纳了高光谱目标分类的一般流程,并详细阐述了数据读取、图像预处理和目标分类等高光谱目标分类流程的主流方法及其基本原理。结合近年来的典型案例,分析了高光谱目标分类的过程,并对其发展趋势进行了分析和展望。