基于端元提取的超光谱图像目标检测算法

针对超光谱图像中目标检测问题,提出了一种基于端元提取的超光谱图像目标检测算法。该算法在未知任何先验信息条件下,对超光谱数据进行基于噪声调节的主成分分析,通过保留信噪比较大的主成分,有效降低超光谱图像中的噪声水平;然后利用基于无监督正交子空间投影的端元提取算法获取图像中的端元矢量,将各端元矢量代入改进的约束能量最小化算子中,从而实现超光谱图像的目标检测。实验结果表明,该算法不但可以得到较好的目标检测结果,在运算性能上也具有一定的优势。     

基于端元提取的高光谱异常目标检测

针对高光谱图像混合像元影响异常检测效果的问题,提出了一种基于端元提取的异常检测算法。该算法采用小波分解,将原始高光谱图像分解为高频信息图像和低频信息图像,舍弃低频信息图像,只利用高频信息图像,从而抑制了背景,突出了目标;然后使用正交子空间投影（OSP）方法提取图像的端元光谱;最后根据提取的端元光谱,采用光谱角匹配（SAM）技术完成高光谱图像的异常检测。为了验证本文方法的有效性,利用 AVIRIS 高光谱数据进行了仿真实验,取得了较好的检测效果。与其他算法相比,结果表明,本文算法的检测性能明显优于传统算法,既降低了虚警率,又大大缩短了计算时间,适用于实时的高光谱图像异常目标检测。     

基于线性解混的高光谱图像目标检测研究

高光谱图像的空间分辨率普遍较低，导致混合像元大量存在，为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测，提出了一种去端元的目标检测方法。在光谱解混技术的基础上，建立了复杂背景下的光谱混合模型并加以改进，采用多次去端元的方法，取得了简化背景之后的高光谱图像。结果表明，与传统的RX目标检测算法相比，所提出的算法能够显著提升目标检测效果。在实际的军事运用中，为大尺幅图像的目标识别和揭露伪装提供了思路。     

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。     

高光谱图像混合像元分解算法

传统的高光谱图像混合像元分解技术包括端元提取和估计每个端元的混合比例.虽然很多模型都能得到可以接受的解混结果,但是一些未知端元的存在使得结果在包含未知端元的像素点处出现偏差.因此,提出了一种基于支持向量数据描述的高光谱图像混合像元分解算法.首先高光谱图像数据被分成类内和类外两部分,类内是完全由已知端元数据混合的像素点,而类外数据是包含未知端元的像素点.两类数据交界处被认为是已知端元和未知端元混合的数据.然后再对这些像素点进行混合像元分解,分别对仿真数据和真实高光谱图像进行实验.结果表明该算法可以有效地解决因存在未知端元对解混精度的影响,而且能给出未知端元的解混分量.该方法的解混结果几乎不受未知端元的影响,优于直接解混结果     

一种改进的基于自动形态学的端元提取算法

自动形态学端元提取（AMEE）算法中的形态学算子在纯像元集中分布的区域无法得到正确的结果。现有膨胀操作在每个结构元素内只能提取一个候选端元,会造成重要像元丢失。为了解决这些问题,采用改进的形态学算子和结构元素对AMEE算法进行了改进。首先引入参考光谱向量的概念构建了改进的形态学算子,并给出了形态学离心率指数新的计算方法,然后利用偶数大小、改进的结构元素,从每个结构元素内选出4个候选端元,最后对改进的基于自动形态学的端元提取算法进行了分析和实验验证。结果表明,改进的方法能从纯像元集中分布的区域获得正确的候选端元,并在一定程度上避免膨胀过程中的信息遗失,从而能够有效地提升端元提取的精度和像元解混的效果。     

高光谱图像飞机目标检测研究

笔者将经过最小噪声分离后的高光谱图像进行基于集合顶点的端元提取。并结合基于多光谱的匹配滤波法、最小能量约束法、光谱角制图法、正交子空间投影法等检测方法,对基于飞机的自动检测进行了深入地研究,并对各检测方法进行了优缺点分析。     

基于像元纯净指数的多端元提取算法

针对传统单端元提取方法不能描述端元变异、限制混合像元分解精度的缺点,提出一种基于像元纯净指数的多端元提取算法(Multiple Endmember Extraction Algorithm Based on Pixel Purity Index,PPI-MEE)。首先将图像划分为不重叠的图像块,并分别利用改进的PPI算法提取候选端元集,然后利用候选端元的邻域像元光谱信息对候选端元进行优化和精选。最后,对优化精选后的端元集分类得到每类地物的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明,提出的多端元提取策略具有表征遥感图像中端元光谱变异的能力,能够提高端元提取精度和混合像元分解精度。     

一种新型基于利用全色锐化技术的插值高光谱图像亚像元定位

利用全色锐化技术提出了一种新型基于插值的高光谱图像亚像元定位方法.在该方法中,在现有的基于插值的亚像元定位方法处理路径中加入一条新的处理路径.首先,在新的处理路径中利用全色锐化技术对原始粗高光谱图像的空间分辨率进行改进,通过对改进后的图像进行光谱解混得到新型精细丰度图像.其次,将新路径下产生的新型精细丰度图像与现有路径...     

基于背景纯化的改进协同表示的高光谱异常目标检测

针对协同表示的高光谱异常目标检测算法的异常点敏感问题,提出了一种基于背景纯化的改进协同表示的高光谱异常目标检测算法。利用扩展数学形态学的膨胀操作消除局部背景模型中可能存在的异常点,从而得到更为纯净的背景字典,能够有效地消除检测过程中异常点对检测效果的负面影响,从而提高检测精度。采用该算法对高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法具有更好的检测效果。     

Hyperspectral subpixel target detection using the linear mixingmodel

Relative to multispectral sensing, hyperspectral sensing can increase the detectability of pixel and subpixel size targets by exploiting finer detail in the spectral signatures of targets and natural backgrounds. Over the past several years, different algorithms for the detection of full-pixel or subpixel targets with known spectral signature have been developed. The authors take a closer and more in-depth look at the class of subpixel target detection algorithms that explore the linear mixing model (LMM) to characterize the targets and the interfering background. Sensor noise is modeled as a Gaussian random vector with uncorrelated components of equal variance. The paper makes three key contributions. First, it provides a complete and self-contained theoretical derivation of a subpixel target detector using the generalized likelihood ratio test (GLRT) approach and the LMM. Some other widely used algorithms are obtained as byproducts. The performance of the resulting detector, under the postulated model, is discussed in great detail to illustrate the effects of the various operational factors. Second, it introduces a systematic approach to investigate how well the adopted model characterizes the data, and how robust the detection algorithm is to model-data mismatches. Finally, it compares the derived algorithms with regard to two desirable properties: capacity to operate in constant false alarm rate mode and ability to increase the separation between target and background     

采用小波变换和数学形态学的小目标检测

鉴于常用检测方法不能准确稳定地检测出复杂背景中小目标,结合小波变换和数学形态学,提出了一种小目标检测新方法.首先对图像进行单尺度小波变换,提取高频分量系数;其次,利用阈值算法将各个高频分量系数图像转化为二值图像后对其进行多结构元素形态学滤波,滤波结果与原二值图像相减后在差值图像上得到可能的小目标.将3个方向的高频系数的检测结果相关联获得单帧检测结果;最后将多个单帧检测结果进行流水线检测,得到最终的检测结果.仿真结果表明该方法能够准确稳定地检测出信噪比(SNR)大于2的弱小目标.     

基于数学形态学的红外图像小目标检测

针对红外成像跟踪系统的低信噪比、背景和噪声干扰严重的小目标图像,以及后续的目标识别处理需要目标的灰度信息的特点,设计了一种基于数学形态学的红外灰度图像小目标检测算法,并用FPGA硬件实现。实验表明,数学形态学滤波能够大大提高目标的信噪比,去除背景和噪声干扰,保留目标的灰度信息,满足系统实时性要求,是一种有效的红外灰度图像小目标检测算法。     

基于数学形态学的红外运动小目标识别算法研究

针对红外成像制导跟踪的目标具有低信噪比、且背景和噪声干扰信息严重的特点,设计了一种基于数学形态学的红外灰度图像小目标检测识别算法。实验表明,该算法能够大大提高目标的信噪比,去除背景和噪声干扰,保留目标的灰度信息,满足系统的实时性要求,是一种有效的红外灰度图像小目标检测算法。     

抗噪形态学图像边缘检测算法的研究

在图像的边缘检测中,影响边缘检测效果的因素有很多,其中噪声是主要因素。目前,已有的边缘检测算法在实际的检测中存在各种问题,如抗噪性差、算法复杂、运算量大、出现伪边缘等等。为了解决上述问题,提高检测的效率且较好地保留图像的边缘信息,文中提出了一种结合数学形态学的抗噪边缘检测新算法,采用两个互不相同的结构元素对图像边缘进行检测。通过实验可以验证,新算法具有抗噪能力较强、边缘定位准确且很好地保留图像边缘细节等特点。     

局部非负稀疏编码的高光谱目标检测方法研究

基于稀疏编码的高光谱图像处理算法能够挖掘高光谱高维数据空间中潜在的数据相关性,能自然地贴近光谱信号的本质特征。本文提出基于非负稀疏编码的高光谱目标检测算法。与经典稀疏编码模型相比,非负稀疏编码对编码系数进行非负约束,一方面使得线性编码具有明确的物理解释,另一方面增强了系数的可分性与稳健性。算法首先通过双窗口设计构造局部动态字典,然后利用目标和背景在动态字典上编码的稀疏性差异进行阈值分割最后通过统计判决实现目标检测。仿真数据以及真实数据实验结果证明了算法的有效性。      

约束最大相关系数的高光谱影像目标探测研究

高光谱遥感影像具有高的空间分辨率和连续的光谱信息,在目标探测领域具有独特的优势。基于高光谱影像的目标探测技术是遥感理论与应用的重要领域之一。本文从统计学中的相关系数的概念出发,提出了基于约束最大相关系数的高光谱影像目标探测算法。利用高光谱影像的线性混合模型,在真实图像中添加目标光谱,获得不同含量的亚像素目标及大目标,利用实验室高光谱成像仪对大目标进行推扫成像获取真实大目标高光谱影像。对仿真图像与真实图像进行约束能量最小化算子和约束最大相关系数算子进行对比,实验结果表明,基于约束最大相关系数的高光谱影像目标探测算法在探测大目标中具有更稳健的探测性能。     

基于数学形态学的边缘检测算法分析

边缘检测算法在图像识别领域具有不可替代的作用。边缘检测在实现的过程中需要考虑边界增强的效应,边缘检测算法的研究有着丰富的理论和经验。但是,图像压缩和图像识别中图像通常被噪声破坏,需优化处理,才能获取较好质量的图像。文中首先介绍了边缘检测算法,依次阐述这些经典算法的优缺点,引入数学形态学这一观点,对边缘检测算法进行结合,将其应用到图像的识别中,通过C++语言编程实现图像效果,最后进行总结与展望,该成果对于图像的处理具有积极的意义。     

基于顺序形态滤波的运动点目标检测

为解决低信噪比快速运动点目标的检测问题,文中提出了一种基于顺序形态波波的点目标检测算法。首先采用百分位p＝1的中面序形态滤波提取目标的广义内边缘,找出少量候选运动目标点,然后利用图像流模型建立 建立目标的运动约束议程,根据目标像素在图像序列中运动的连续性和轨迹的一致性 原则,在多帧连续图像中检测出真实的目标运动轨迹。实验结果证明,该方法能够快速、可靠检测信噪比小于3的运动点目标。     

基于自适应形态学滤波的红外小目标检测算法

针对低对比度下小目标常被大量背景杂波和噪声干扰,检测结果不理想的问题,提出了一种基于视觉注意机制与自适应双结构元素形态学滤波的红外小目标检测方法。根据人类视觉对比机制对图像进行感兴趣区域(ROI)提取以确定候选目标,通过提取轮廓获得候选目标的尺寸,并由获取的尺寸自适应构造双结构元素。运用双结构元素形态学滤波抑制噪声和杂波信号,用中值滤波对形态学滤波后的杂点噪声进一步抑制。实验表明本文提出的算法能有效抑制噪声干扰,显著提高目标信杂比,准确检测弱小红外目标,算法具有很好的鲁棒性和实时性。