排序方式: 共有9条查询结果,搜索用时 359 毫秒
1
1.
针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。 相似文献
2.
3.
5.
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。 相似文献
6.
为了准确地对陆基成像条件下高光谱图像的噪声水平进行评估, 提出了一种基于边缘剔除后残差调整的局部标准差法。首先将获取的高光谱图像分成若干个大小合适的子块, 而后利用Canny边缘检测算子检测出图像的边缘信息, 判断并剔除其中含有边缘的子块, 将剔除边缘子块后的均匀子块采用多元线性回归后求取残差的方法进行噪声估计。结果表明, 对同一幅陆基高光谱图像的不同子区域进行4×4像元与8×8像元分块, 得到的噪声总误差值分别为1.985×103与2.197×103。该噪声估计方法对陆基成像条件下高光谱图像的噪声评估具有较强的鲁棒性, 可为后续陆基高光谱图像处理与应用提供参考。 相似文献
7.
8.
高光谱成像是一种先进的图像获取技术,其在获得地物空间信息的同时还可以获得地物的光谱信息,得到“图谱合一”的三维图像数据。其光谱分辨率高,光谱曲线近似连续,可以有效探测用多光谱成像技术中无法探测的地物,在目标检测、地物分类与图像压缩等领域取得了广泛的应用。地物分类的分类结果是专题制图的基础数据,在军事、农业、地质等领域有重要地位了良好的效果。地物分类是指将图像中的像元赋予类别标签,即将同类地物赋予相同标签,不同类地物赋予不同标签。根据分类前是否已经获取目标的光谱信息,地物分类分为监督分类、半监督分类和无监督分类。然而,地物光谱受成像条件的影响较大,特别是陆基成像,不同成像条件的地物光谱会发生一定的改变,不再具有严格的唯一性,因此无法根据未知成像条件下的地物光谱数据进行准确分类。但是同种地物的散射系数(由特定算法获得的散射占比)具有唯一性,与成像条件或探测方向无关,不受二向反射特性的影响,只与地物类型及波长有关,是一种反映地物本质属性的物理量,因此可以作为地物的分类依据。基于陆基成像条件下测量了多种地物的散射系数,详细描述了散射系数的测量过程并且验证了核驱动模型的拟合能力。通过对比发现不同... 相似文献
9.
高光谱成像技术在近十几年里实现了飞跃式的发展。高光谱图像分类的应用受到广泛关注,其分类精度的提升是当前研究的重点。高光谱图像分类是利用不同地物的诊断性吸收特征区分地物类别。传统的高光谱图像分类仅利用图像的光谱特征,分类效果不明显。近些年的研究表明,同时分析地物光谱特征和空间分布能有效提升分类精度。首先总结了众多空谱联合分类方法,依据空谱信息融合阶段的不同,将空谱联合分类分为预处理的分类、综合处理的分类和后处理的分类,简要介绍了深度学习在空谱联合分类中的实现方法,最后对空谱联合分类的研究前景进行了展望。 相似文献
1