基于逆模型偏最小二乘法的高光谱亚像元目标探测方法研究

目前的高光谱亚像元目标探测算法主要是利用线性混合模型,在背景端元光谱已知的前提下,构造一定的检测算子逐像元判定是否含有亚像元目标。该算法需要较为精确的背景端元光谱先验信息,且目标探测结果受背景复杂度影响较大。从光谱维数据分析的角度出发,将逆模型偏最小二乘法(ILS)和马氏距离奇异值检测方法相结合进行亚像元小目标探测研究。首先建立目标光谱与像元光谱的逆模型,并对像元光谱与目标光谱进行正交变换预处理(SNV),再利用偏最小二乘算法(PLS)计算逆模型的回归系数向量,从而将多维的光谱信息降维,并突出目标光谱信息,最后计算各像元回归系数的马氏距离,判定马氏距离大于3σ的系数所对应的像元点为含有亚像元目标的像元点。该方法仅需要目标光谱的先验信息,对背景的复杂度不敏感。文章采用AVIRIS仿真数据将上述方法与常用的正交子空间投影算法(OSP)的计算结果进行比较,通过比较不同算法的受试者工作特征曲线(ROC)以及信噪比(SNR)变化曲线,证实了该算法具有较快的运算速度和较高的目标探测性能。     

基于线性光谱模型和支撑向量机的软硬分类方法

针对硬分类方法中无法解决的混合像元问题及软分类方法中全图共用一套端元进行混合像元分解所带来的弊端,提出了一种新的软硬分类方法。该方法通过分析目标地物在图像中的分布情况,自动计算判别阈值,将图像分为目标地物纯净区域、目标地物混合区域和非目标地物区域。对于目标地物纯净区域和非目标地物区域采用硬分类方法(支撑向量机)快速提取分类信息;对于目标地物混合区域采用软分类方法(端元可变的线性混合像元分解)提取目标地物丰度信息,最后得到目标地物软硬分类结果。通过对北京地区ALOS图像的应用试验,并将新方法与支撑向量机、线性光谱混合模型进行比较,新方法的RMSE值为0.203,总量精度达到95.48%,高于支撑向量机和线性光谱混合模型。实验结果表明,新方法能够有效解决混合像元问题,提高图像分类精度。     

一种新的空谱联合探测高光谱影像目标探测算法

高光谱遥感影像不但具有高分辨率的空间信息还包含连续的光谱信息,因此在目标探测领域具有独特的应用优势。传统的高光谱遥感影像目标探测侧重于光谱信息的应用,形成了确定性算法和统计学算法。确定性算法通过计算目标光谱与待检测光谱之间的距离来查找目标,不能检测亚像素目标,而且容易受到噪声的影响;统计学目标检测计算背景统计特性,通过探测异常点来检测目标,可以检测亚像素目标和小目标,但容易受到目标尺寸的影响,不能很好的检测大目标。随着高光谱遥感影像的空间分辨率的增加,探测目标已有亚像素目标逐步转换为单像素及多像素目标,此时,在高光谱图像中,相同类别的地物在空间分布上呈现聚类特性, 因此,在利用高光谱遥感影像进行目标探测时,需要将其空间信息融入算法中。将空间特征引入传统目标探测算法。提出了一种新的空谱结合的高光谱目标探测算法,将传统的基于统计的目标探测算子与空域邻域聚类算法相结合,首先利用目标探测算子将影像划分为潜在目标区域与背景区域;通过计算潜在目标区域的质心,以质心为中心进行邻域聚类,剔除潜在目标区域中的背景区域,通过迭代计算获取最终目标探测结果。传统的基于统计的目标探测算子,将整个探测区域定义为背景区域,实现对背景区域的统计特征提取,而该方法将背景区域与潜在目标区域分离,剔除了目标区域对背景区域的统计干扰。将本算子与传统的约束能量最小化算子和自适应余弦探测算子进行分析比较可知,该算子的大目标探测性能优于传统的统计算子。     

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景...     

推扫型高光谱数据光串扰校正方法研究

串扰是成像光谱仪非理想成像特性中的一种,分为电串扰和光串扰,它广泛存在于现有的成像光谱仪之中。推扫型高光谱数据的光串扰使目标像元受到临近像元的影响,目标像元光谱曲线发生变化,图像的清晰度降低。基于推扫型成像光谱仪的成像原理,提出一种针对推扫型高光谱数据的光串扰校正方法。从高光谱数据中选取包含白色定标布地物的区域作为参考数据,通过行间差值方法得到所有白色定标布像元产生的总光串扰量;对总光串扰量进行拟合以抑制噪声,并通过递归方法计算单个白色定标布像元所产生的光串扰量;使用该串扰量对整景数据进行光串扰校正。选用三景不同地物类型的PHI数据进行光串扰校正,结果显示,校正后数据的光串扰现象得到明显的抑制,数据质量在光谱维和空间维均得到有效提升。在光谱维,由光串扰引起的光谱曲线变化得到校正;在空间维,图像清晰度提高50%以上的波段数占总波段数的83%。校正方法直接从高光谱数据本身提取光串扰量,并对数据光串扰现象进行校正,不依赖于其他外部数据,且适用于不同的地物类型。该光串扰校正方法亦对实验室测定成像光谱仪的光串扰量具有借鉴意义。     

基于近似后验信息的高光谱异常检测

高光谱遥感技术通过成像光谱仪记录带有地物光谱信息的辐射信号,获得包含光谱信息和空间信息的三维高光谱图像,在光谱解混、图像分类、目标检测等方面取得了广泛的应用。近年来,随着遥感技术的发展及人们对获取目标准确位置的需求逐渐加大,目标检测取得了较快的发展。根据是否提前掌握目标光谱作为先验信息,目标检测分为光谱匹配检测和异常检测。光谱匹配检测需要目标光谱作为先验信息,通常检测精度较高、效果较好。而异常检测不需要先验信息,应用范围更广,但是检测精度通常低于光谱匹配检测。由于实际应用中缺少完备且实用的光谱库,先验信息的获取较为困难,不需要先验信息的异常检测成为研究的热点。针对异常检测与光谱匹配检测相比精度较低的问题,提出一种基于近似后验信息的高光谱异常检测算法。首先利用矩阵分解算法对原始高光谱图像数据进行矩阵分解,得到纯净的背景矩阵与包含噪声的异常矩阵。舍弃异常矩阵,将得到的背景矩阵作为近似背景信息。然后计算图像所有像元光谱向量与背景矩阵中均值向量的马氏距离对图像进行初始异常检测,得到初始异常像元,将初始异常像元光谱取均值作为近似目标信息。最后将近似背景信息与近似目标信息作为先验信息,进行正交子空间投影得到最终的异常检测算法。将本算法作用于图像中所有像元,得到对整幅图像的异常检测结果。为证明本算法的优良效果,采用一组仿真数据和一组AVIRIS真实高光谱数据进行实验,并与RX, LRX和LSMAD算法进行对比。实验表明,无论是从定性的角度还是定量的角度来看,该算法能够有效抑制噪声,在信噪比较低的情况下仍然可以有效地检测出图像中的异常目标,检测精度较高并且对检测效率的影响不大,取得了较好的检测效果。     

基于光谱空间重构的非监督最邻近规则子空间的高光谱异常检测

针对高光谱遥感影像维数高、数据量巨大且地物分布复杂,导致背景与异常难以区分的问题,提出一种基于光谱空间重构的非监督最邻近规则子空间异常探测算法.首先通过基于结构张量的波段选择算法,去除噪声像元,选择更有效的波段.然后,通过光谱空间重构增加背景与异常的绝对光谱距离.最后,为了充分利用背景字典之间的空间相似性信息,将空间距离权重引入到非监督最邻近规则子空间算法中,提高检测精度.为验证所提算法的有效性,用四组真实的高光谱数据进行实验,研究了不同参数对检测结果的影响.结果表明,与其他异常检测算法对比,所提算法具有更好的检测效果.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

光谱谐波分析的新型HAC非监督分类器

高光谱影像分类是识别影像信息的重要途径之一,研究其算法对地物识别、动态变化监测和专题信息提取等方面具有重要意义。非监督分类由于其具有无须先验知识的特点,被广泛应用于高光谱影像分类。结合谐波分析理论提出一种新的高光谱影像非监督分类算法,即谐波分析分类器(harmonic analysis classifier,HAC)。首先,该算法统计第一谐波分量并绘制其直方图,根据波峰数目及位置确定初始地物类别和聚类中心像元。然后将待分类像元光谱的波形信息映射到谐波分解次数、振幅和相位的特征空间中,利用同类地物在特征空间中表现聚集性这一特征,根据最小距离原则对待分类像元进行归类。最后,计算聚类中心像元间的欧式距离,通过设置距离阈值完成类间合并,从而达到高光谱影像分类的目的。提取两种地物类别的光谱曲线,经谐波分析后得到谐波分解次数、振幅和相位量,并分析其在特征空间中的分布情况验证了HAC算法的正确性。同时将HAC算法应用到EO-1卫星的Hyperion高光谱影像得到其分类结果,通过对比K-MEANS,ISODATA和HAC算法的高光谱影像分类结果,证实HAC算法作为一种非监督分类方法在高光谱影像分类方面具有较好的应用性。     

3D卷积自动编码网络的高光谱异常检测

高光谱图像包含丰富的地物光谱信息,在遥感图像领域有着巨大的发展前景.高光谱图像异常检测无需任何先验光谱信息,便可检测出图像中的异常目标.因此,在国防军事和民用领域都有广泛的应用,是现阶段高光谱图像处理领域的研究热点.然而,高光谱图像存在数据复杂、冗余性强、未标记以及样本数量少等特点,这给高光谱图像异常检测带来了很大的挑...     

基于多帧背景的泄漏气体自适应匹配滤波检测

被动傅里叶变换红外(FTIR)扫描遥测成像系统采集的红外高光谱图像具有空间、光谱等维度信息,可被用于大气环境中有毒有害气体的识别、定量及可视化。该系统具有光谱分辨率高、非接触式及远距离探测等优点,然而其单帧图像的像元数量少且部分存在气体吸收或发射特征,无法直接用于红外高光谱图像的目标检测。提出了基于多帧背景的泄漏气体自适应匹配滤波(AMF)检测方法,以短时间内、同一区域的多帧红外高光谱图像为基础,筛选出无目标气体特征的背景光谱并计算探测区域的背景最大似然估计,应用于后续帧的目标气体泄漏检测。红外高光谱图像来自于SF₆气体的遥测实验,共扫描四帧（120像元/帧）,去除前三帧内含有目标气体特征的像元光谱,剩余背景光谱被用于计算背景的最大似然估计,第四帧红外高光谱图像逐像元对SF₆气体进行的AMF检测,并与非线性最小二乘法反演的SF₆柱浓度图像比对,结果表明AMF检测高值与柱浓度高值有较强的相关性。为验证多帧背景在不同空间检测方法下的性能,分别对该帧数据进行了基于正交子空间的自适应子空间检测(ASD)、基于混合空间的自适应余弦检测(ACE)及基于斜子空间的最大似然比检测(OGLRT),并分别与SF₆柱浓度图像比对,结果表明多帧背景适用于不同空间的检测方法。此外,为验证存在目标气体吸收特征的非背景光谱对背景空间的影响,向背景空间中加入多条含有SF₆气体吸收特征的光谱,通过ROC曲线检验,结果表明背景空间中混入目标气体特征会降低AMF方法的检测性能。AMF检测值的假彩色图像也能应用于被动FTIR扫描遥测成像系统,相较于柱浓度假彩色图像,泄漏源及扩散趋势更为明显。基于红外高光谱图像的检测方法依赖于整体背景的统计特性,相较于单像元光谱波段的反演算法,极大地降低了背景的依赖性。多帧背景下的AMF泄漏气体检测方法能很好地应用于被动FTIR扫描遥测成像系统上并满足在线监测要求。     

基于多尺度分解的超光谱图像异常检测

提出了一种基于多尺度分解的超光谱图像异常检测算法。在目标和背景均未知的前提下,利用光谱和空间两种信息完成对异常目标信号的定位,从而实现超光谱遥感数据中异常目标检测。首先利用非下采样塔式变换对超光谱图像进行分解,将其划分为不同尺度子块;然后依据超光谱图像同一波段不同尺度空间内相邻系数的相关性,采用不同波段各个尺度空间的反锐化掩模方法优化背景数据分布,从而抑制异常数据对背景的干扰;最后利用设计的核RX算子得到异常目标检测结果。为验证方法的有效性,利用真实和模拟的AVIRIS数据进行了实验,并与经典RX算法相比较,实验结果表明,基于非下采样塔式分解的异常检测方法具有更好的检测性能和较低的虚警。     

图-谱结合的压缩感知高光谱视频图像复原

针对液晶可调滤波片高光谱成像系统记录动态场景的成像特点,提出一种图-谱结合的压缩感知高光谱视频图像复原方法。首先,通过前景目标检测获得运动前景目标的高光谱图像,实现运动前景目标与背景区域分离,并根据前景目标检测结果将背景区域划分为运动区域(被前景目标遮挡区域)与静止区域(未被前景目标遮挡区域)。然后,基于高光谱图像空间维、光谱维相关性,对静止区域进行字典学习获得稀疏先验信息,结合压缩感知理论用于运动区域恢复,得到完整的背景区域高光谱图像。最后,将运动前景目标高光谱图像与背景区域高光谱图像相结合,得到高光谱视频图像。实验结果表明:本文提出的高光谱视频图像复原方法在峰值信噪比和视觉效果上都要优于现有算法,峰值信噪比平均提高5 d B以上。     

海面弱小目标高光谱融合技术研究

海面目标受海水扰动影响,难以被宽波段光电传感器探测识别。高光谱传感器可以获取海面目标和水体的光谱数据,利用目标和海水的光谱特性差异可以有效抑制海面扰动影响,提高探测识别能力。针对高光谱数据降维融合容易丢失海面弱小目标问题,研究了弱小目标光谱数据融合方法。通过相似性分类产生类矩阵,由类矩阵主成分变换的降维投影矩阵来投影变换原有光谱数据,获得降维数据矩阵。降维矩阵通过空间变换转换到RGB彩色空间,生成伪彩色融合图像。通过远距离弱小目标和水中鱼群高光谱数据,验证了改进方法的融合性能。实验结果表明:相似性分类融合方法不仅能将高维光谱数据融合成一幅伪彩色图像,还能有效避免弱小目标融合丢失问题,提高了目标探测识别能力。     

基于高光谱的番茄叶片斑潜蝇虫害检测

番茄植株在生长过程中受病虫害的侵染,将导致番茄减产和种植户的经济效益降低,该研究用高光谱技术结合化学计量学方法,实现了番茄叶片斑潜蝇虫害的快速识别。搭建了简易的高光谱成像系统,包括光源单元、高光谱图像采集单元和数据处理单元,用该系统获取番茄叶片的高光谱图像,对高光谱图像进行校准,并从每一幅图像中提取光谱信息。分别采用了光谱角匹配(SAM)分析方法和光谱红边参数判别分析(DA)方法识别番茄叶片斑潜蝇虫害。在SAM分析中,对高光谱数据进行了归一化预处理,以消除多余信息,增加样品之间的差异。比较了以不同番茄叶片样品的反射光谱作为测试光谱时,虫害识别效果的差异,当以受到斑潜蝇侵染的番茄叶片的平均反射光谱作为测试光谱时,虫害识别的正确率较高,达到96.5%。在光谱红边参数判别分析中,从光谱数据中提取了红边位置、红边振幅、最小振幅、红边面积、红谷位置和红边振幅/最小振幅6组红边信息,利用判别分析方法建立番茄叶片斑潜蝇虫害的判别模型,比较了距离判别、Fisher判别、Bayes判别分析方法的判别效果,使用距离判别分析建模的判别正确率最低,判别正确率为88.0%,使用Fisher判别分析建模的效果最佳,判别正确率为96.0%。研究结果表明,采用高光谱技术识别番茄叶片斑潜蝇虫害具有可行性。     

基于高斯马尔科夫模型的高光谱异常目标检测算法研究

随着光谱成像技术的发展,高光谱异常检测在遥感图像处理中的应用越来越广泛。传统RX异常检测算法忽略影像空间相关性,而且由于没有经过有效数据降维,运算耗费大,对于高光谱数据有效性不高。高光谱影像在空间和光谱上符合高斯-马尔科夫模型。通过建立马尔科夫参数能够直接计算协方差矩阵的逆矩阵,避免了高光谱海量数据的庞大计算。提出一种基于三维高斯-马尔科夫随机场模型的改进RX异常检测算法。该方法用高斯-马尔科夫随机场模型模拟高光谱影像数据,用最大似然近似法估计高斯-马尔科夫随机场参数,由高斯-马尔科夫随机场参数直接构造检测算子,并以待检测像元为中心设置局部优化窗口,称为马尔科夫检测窗。取窗口内数据计算均值向量和协方差逆矩阵,得到中心像元的异常度,通过移动窗口进行逐像元检测。应用AVIRIS高光谱数据对传统RX算法、高斯-马尔科夫模型背景假设异常检测算法和该算法进行了仿真实验对比。结果表明,该算法能够有效提高高光谱异常检测效率,降低虚警率。运行时间较传统RX算法提高了45.2%,体现出更好的计算效率。     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.