基于决策级融合的RX高光谱影像异常检测算法

对高光谱影像的RX异常检测算法进行了研究。针对RX算法中对高维数据局部背景协方差矩阵估计存在较大误差的局限性,提出一种基于决策级融合的RX算子高光谱影像异常目标检测算法。首先,对同一场景下的可见近红外数据和短波红外数据分别运用经典的RX算子进行异常检测,得到初步异常检测的目标判决。在此基础上,利用传感器获取信息的冗余性和互补性特性,结合基于规则的决策级融合方法,得到最终的RX异常检测判决结果。在实测高光谱数据上进行了实验仿真,验证了本算法的有效性。     

核加权RX高光谱图像异常检测算法

提出了一种新的基于混合核函数的加权RX算法,用于高光谱图像异常检测.在将原始高光谱数据非线性映射到高维特征空间以挖掘高光谱图像波段间蕴含的非线性信息后,自适应地赋予特征空间RX算子中采样协方差矩阵各光谱向量相应的权值.权值的大小与光谱向量到质心的距离成反比,从而削减了协方差矩阵中异常数据比重,使加权协方差矩阵更好地表征背景数据分布.最后利用核函数性质将高维特征空间的内积运算转化为低维输入空间的核函数计算,并根据高光谱数据特点线性组合新型光谱核函数和径向基核函数以改善算法性能.为验证算法的有效性,利用真实的高光谱数据进行了仿真实验,结果表明该算法优于特征空间的RX算法,能检测到更多的异常目标.     

融合视觉注意机制的高光谱RX异常检测算法

视觉注意机制具有快速引导关注到重点区域的特性,将其引入高光谱图像异常检测中具有可行性。本文从采样方式、波段选取、融入局部光谱特征3方面构建更适用于计算高光谱图像显著性的视觉注意机制模型。针对经典的基于高斯统计分布假设的RX异常检测算法在背景参数估计中易受潜在异常干扰的问题,利用视觉显著性结果对原图像进行高斯加权,在加权后图像中进行背景均值与协方差的重新估算,进而使用更精确的背景参数对原图像进行RX异常检测。在5个经典数据上的实验结果表明,本文方法有效地表现了潜在的异常目标,改进的RX异常检测算法具有更高的检测精度与更低的虚警率。     

基于稀疏表示分步重构算法的高光谱目标检测

针对传统稀疏表示重构算法在高光谱目标检测中表现出运算速度慢的问题,提出了分步重构算法（Two Steps Reconstruction,TSR）。该方法先求得 K 个与待测像元最相似的字典原子,然后用这些原子线性表示待测像元以求解稀疏向量,舍弃了传统重构算法的迭代求解的方式,直接通过求解逆矩阵,简化了运算过程,使运算速度大幅提高。本文给出了方法的具体过程并将其与传统方法及其改进方法进行比较。实验结果表明,TSR 在保证检测精度不下降的同时能够大幅提升运算速度。     

基于光谱角背景纯化的高光谱异常检测算法

为了解决利用高光谱图像进行异常检测时结果不准确、虚警率较高的问题,提出了一种基于光谱角背景纯化的异常检测算法。该算法以局部RX算法为基础,根据光谱角距离分离出内外窗口间背景像元中的异常成分,得到纯化后的背景像元,然后进行异常检测。为验证算法的有效性,选取了两组机载可见光/红外光成像光谱仪真实高光谱数据进行仿真实验,并与经典的全局RX、局部RX算法进行对比。结果表明,与局部RX算法相比,该算法在两组数据下的曲线下面积分别提高了0.0317和0.0053。这些结果为下一步的研究方向提供了参考。     

高光谱图像目标检测研究进展

 高光谱图像目标检测在民用和军事上都具有重要的理论价值和应用前景,是当前目标识别及遥感信息处理研究领域中的一个热点研究问题.文章从高光谱成像的特性及发展入手,对高光谱图像目标检测的潜在典型应用、国内外相关实验及系统进行了总结;综述了算法理论现状;详细分析了高光谱图像目标检测的研究难点及未来发展趋势.     

基于改进RX增量学习的高光谱图像异常检测

高光谱图像的异常检测是星上处理中重要的研究内容之一,提出了一种在传统RX算法基础上结合增量学习和层级化的高光谱图像异常检测方法.采用增量学习,当生成新的协方差矩阵时不需要计算所有样本的协方差矩阵即可对检测器模型进行更新,避免了数据的重复计算和逆矩阵的求解.利用层级化方法有效地抑制背景,提取目标光谱,增强了检测器的性能....     

基于局部核RX算法的高光谱实时检测

提出了一种基于LKRX检测器的实时异常检测算法.利用局部因果滑动阵列窗,使检测系统保持因果性.根据卡尔曼滤波器的递归思想,利用Hermitian矩阵分块求逆引理和Woodbury引理,将LKRX算法中核协方差矩阵以及其逆矩阵以递归方式更新,避免了数据的重复计算和逆矩阵的求解,大大降低了算法复杂度.通过真实数据进行实验,结果表明,与LKRX算法相比,实时LKRX算法在保持相同检测精度的同时,消耗更少的计算时间;而与实时RX算法相比,实时LKRX算法能够检测到更多的异常目标.     

基于小波和高阶累积量的红外弱小目标检测

红外图像序列中弱小目标的检测是图像处理应用的一个重要研究领域.由于弱小目标很难从背景杂波中分离出来,所以弱小目标的检测是一个难点.介绍了一种基于小波和高阶累积量的红外弱小目标检测方法.该方法利用小波滤波器抑制大部分背景杂波,然后采用基于累积量的自适应滤波器对高频小波系数进一步处理,使得图像信噪比大大提高,同时保留了目标信息.最后应用一些序列处理方法来进一步提高检测的性能.利用实测数据所做仿真实验结果表明该方法的有效性.     

基于小波和Context模型的海面红外弱小目标检测

红外图像中弱小目标的检测一直是图像处理领域的热点和难点.介绍了一种基于小波变换和Context模型空间自适应滤波的红外弱小目标检测算法.该方法首先利用小波滤波器抑制大部分背景杂波,然后采用基于Context模型的空间自适应滤波器对高频系数做进一步处理,提高信噪比,最后采用基于Bayes分类算法的迭代门限进行图像分割.实验结果表明,与高通滤波相比,该方法能够更有效地检测出弱小目标.     

一种新的红外弱小目标检测与跟踪算法

针对低信噪比下红外序列图像中弱小目标的检测与跟踪问题,提出了一种新的基于双边滤波的方法.首先将传统的二维双边滤波扩展为空-时三维双边滤波,由于同时利用了红外序列的空域信息和时域信息,该三维双边滤波能在抑制噪声的同时增强目标和背景之间的对比度.用其实现红外图像的预处理,再用门限分割检测出红外序列中的弱小目标.同时,用序贯蒙特卡洛方法对检测到的弱小目标进行跟踪.实验中,用实际红外序列图像对算法进行了验证,结果表明,在低信噪比下,所提算法能对红外弱小目标进行实时检测和跟踪.     

一种基于方差标记的形态学红外小目标检测算法

形态学算法在红外小目标检测上具有良好的性能,先对该算法的处理过程进行了分析,结合实际拍摄的红外小目标图像研究发现,算法在处理过程中存在很多不必要的计算,因此从提高算法的实时性出发,提出了一种基于方差标记的形态学方法.该方法首先计算图像每个像素的局部方差,然后由方差根据阈值判断条件对图像进行标记,标记完后再通过形态学算法对标记的部分进行Top-hat运算.理论分析和仿真实验表明,该方法能够极大的提高形态学的检测效率,而且对算法的检测性能有一定的提高.     

基于独立分量分析的高光谱图像目标检测算法

提出一种基于独立分量分析(ICA)的高光谱图像目标检测算法.首先利用无监督正交子空间投影进行端元提取,并将端元矢量构成矩阵作为快速定点独立分量分析的初始化混合矩阵,解决了独立分量在排序上的随机性;同时采用基于噪声调整的主分量分析(NAPCA)对原始图像数据降维,继而采用初始化后的快速独立分量分析从保留的主分量中依次提取出目标.利用AVIRIS高光谱数据进行实验研究,结果表明提出的算法能够有效地提取图像中的目标信息,其性能优于改进的CEM检测算法.     

基于Prewitt 算子的自适应弱小目标检测

针对工业现场中复杂背景下镁熔液弱小目标实时检测的难题,从图像识别的角度提出了基于Prewitt 算子的自适应背景预测算法.该算法首先使用Prewitt 算子对原始图像进行处理从而计算出图像最大灰度差,其次根据最大灰度差与每个像素点的灰度差的差异选择背景预测模型进行处理得到背景预测图像,然后用原始图像减去背景预测图像得到残差图像,接着对残差图像作帧差运算以及阈值分割运算得到二值图像,最后使用形态学运算获取最终的目标,并将该算法与最小一乘法的检测性能进行对比.Matlab 仿真结果表明,该算法不仅可检测到弱小目标,并且检测到的目标点面积增大了60％,检测时间减少了96.92％,为图像处理技术应用于工业现场实时检测镁熔液中弱小目标奠定了基础.     

面向目标检测基于稀疏表示的波段选择方法

随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化（CEM）检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性.     

基于FPGA的红外弱小目标检测算法

传统的红外弱小目标检测算法一般采用DSP(digital signal processing)处理器实现,算法复杂且实时性差,本文提出了一种基于FPGA(field programmable gate array)的自适应阈值的FAST(features from accelerated segment test)算法对红外弱小目标进行检测,利用FPGA并行处理的特点,采用流水线设计实现了算法的硬件加速.改进的自适应阈值方法可以根据不同的环境生成合适的阈值,避免了由于阈值选择不当造成的红外弱小目标的丢失或冗余.最后采用4组不同的实测红外图像进行实验,结果表明:该算法能实时地检测出红外图像中的弱小目标,并且能够取得较高的检测率和较低的虚警率,满足实时性和有效性的要求.     

基于局部对比度机制的红外弱小目标检测算法

针对复杂背景和低信杂比条件下的红外弱小目标检测难题,提出了一种基于局部对比度机制的红外弱小目标检测方法。该方法提出了一个包含中心层、中间层和最外层的3层窗口,可以使用单尺度计算完成不同尺度弱小目标的检测。首先,对中心层引入匹配滤波思想,有针对性地增强真实目标;同时,提出最接近滤波原则,对最外层进行背景估计,以缓解目标靠近边缘时的检测难题;然后,在目标增强结果与背景估计结果之间进行比差联合的对比度计算,达到同时增强目标和抑制背景的目的;最后,通过自适应阈值分割,提取真实目标。实验结果表明,相比现有算法而言,该算法可更好地增强目标、抑制复杂背景,且原理简洁易实现,可有效减少运算量。