本文關鍵詞： 圖像處理 高光譜圖像 波段選擇 峰度 偏度 局部異常　出處：《激光與光電子學進展》2017年11期 　論文類型：期刊論文

【摘要】：偏度和峰度能夠較好地表達高光譜圖像的非高斯性,突出目標、紋理等異常信息,很好地應用于波段選擇。為了更好地突出局部異常信息,在全局聯(lián)合偏度-峰度指數(shù)模型基礎上,提出了局部偏度-峰度的高光譜圖像波段選擇方法。利用全局聯(lián)合偏度-峰度指數(shù)對原始圖像進行波段子空間劃分,然后選擇適當大小的模板窗口,計算窗口內(nèi)的局部聯(lián)合偏度-峰度指數(shù),并以此方法遍歷所有波段,求出累積局部聯(lián)合偏度-峰度指數(shù),最后進行波段選擇。波段選擇結果表明,局部聯(lián)合偏度-峰度指數(shù)方法所選擇波段分布更加廣泛,效果更好。異常檢測實驗結果和融合結果表明,本文方法所得圖像在客觀指標評價中具有較大優(yōu)勢。
[Abstract]:The skewness and kurtosis can well express the abnormal information of hyperspectral image, such as non-#china_person0#, prominent target, texture and so on, and can be applied to the selection of wave band well, in order to better highlight the local abnormal information. Based on the model of global joint skewness kurtosis index, a method of band selection for hyperspectral images with local skewness and kurtosis is proposed. The global joint skewness kurtosis index is used to partition the band subspace of the original image. Then select the appropriate size of the template window, calculate the local joint skewness kurtosis index in the window, and this method traverses all the bands, and get the cumulative local joint skewness kurtosis index. Finally, the band selection results show that the local joint skewer-kurtosis index method is more widely distributed and the effect is better. The results of anomaly detection experiment and fusion show that. The image obtained in this paper has a great advantage in objective index evaluation.
【作者單位】： 空軍航空大學;
【基金】：吉林省教育廳十二五科研項目(2015448)
【分類號】：TP751
【正文快照】： 高光譜遙感器能夠同時獲取目標區(qū)域的一維光譜信息和二維幾何空間信息[1]。因此,高光譜圖像能反映不同地物目標獨特的光譜信息,并且能探測到邊緣、紋理等空間特征難以探測的目標,有助于更加精細地進行地物分類和目標識別。然而,高光譜數(shù)據(jù)包含眾多波段,數(shù)據(jù)量巨大,因此,高光譜

【相似文獻】

相關期刊論文 前10條

1 王藝婷;黃世奇;劉代志;王百合;;一種新的基于目標檢測的波段選擇方法[J];紅外與激光工程;2013年08期

2 馮永康;余華;;多光譜數(shù)據(jù)波段選擇方法試驗研究——以湖北神農(nóng)架林區(qū)為例[J];遙感信息;2009年05期

3 葛亮;王斌;張立明;;基于偏最小二乘法的高光譜圖像波段選擇[J];計算機輔助設計與圖形學學報;2011年11期

4 王立國,谷延鋒,張曄;基于支持向量機和子空間劃分的波段選擇方法[J];系統(tǒng)工程與電子技術;2005年06期

5 李行;毛定山;張連蓬;;高光譜遙感影像波段選擇算法評價方法研究[J];地理與地理信息科學;2006年06期

6 楊諸勝;郭雷;羅欣;胡新韜;;一種基于主成分分析的高光譜圖像波段選擇算法[J];微電子學與計算機;2006年12期

7 于紹慧;張玉鈞;趙南京;肖雪;王歡博;;基于矩陣模式的高光譜波段選擇方法[J];光電工程;2012年06期

8 張海濤;王鶴橋;孟祥羽;武文波;;基于類對可分和灰色決策的高光譜波段選擇方法[J];計算機科學;2014年06期

9 周楊;厲小潤;趙遼英;;改進的高光譜圖像線性預測波段選擇算法[J];光學學報;2013年08期

10 溫健婷;張霞;張兵;趙冬;;土壤鉛含量高光譜遙感反演中波段選擇方法研究[J];地球科學進展;2010年06期

相關會議論文 前6條

1 王藝婷;黃世奇;劉代志;陳聰;;基于統(tǒng)計排序的高光譜波段選擇方法[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

2 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術與應用研討會論文集[C];2004年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

5 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質量綜合評價[A];第八屆成像光譜技術與應用研討會暨交叉學科論壇文集[C];2010年

6 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學學會2010年光學大會論文集[C];2010年

相關博士學位論文 前10條

1 夏威;高光譜遙感圖像的解混和波段選擇方法研究[D];復旦大學;2013年

2 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復旦大學;2014年

3 賀智;改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應用[D];哈爾濱工業(yè)大學;2014年

4 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

5 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學;2014年

6 曲海成;面向光譜解混的高光譜圖像快速處理技術研究[D];哈爾濱工業(yè)大學;2016年

7 王忠良;基于線性混合模型的高光譜圖像壓縮感知研究[D];西北工業(yè)大學;2015年

8 賀霖;高光譜圖像自動目標檢測技術研究[D];西北工業(yè)大學;2007年

9 周爽;蟻群算法在高光譜圖像降維和分類中的應用研究[D];哈爾濱工業(yè)大學;2010年

10 郝思媛;空譜協(xié)作的高光譜圖像分類方法研究[D];哈爾濱工程大學;2015年

相關碩士學位論文 前10條

1 夏冰;高光譜影像非監(jiān)督波段選擇技術研究[D];蘇州大學;2015年

2 鐔永強;基于多目標優(yōu)化的高光譜圖像無監(jiān)督波段選擇[D];西安電子科技大學;2014年

3 韓超;基于稀疏表示和低秩表示的高光譜圖像波段選擇方法研究[D];西安電子科技大學;2015年

4 姚利;基于標記樣本擴展的高光譜波段選擇技術[D];西安電子科技大學;2015年

5 張紹杰;基于互信息量的超光譜數(shù)據(jù)波段選擇降維算法研究[D];華中科技大學;2015年

6 張倩;改進的自適應波段選擇算法研究及應用[D];大連海事大學;2012年

7 周楊;高光譜遙感圖像波段選擇算法研究[D];浙江大學;2014年

8 楊三美;基于克隆選擇算法的高光譜圖像波段選擇[D];華中科技大學;2011年

9 袁永福;基于粒子群和互信息的高光譜圖像波段選擇和分類[D];西安電子科技大學;2014年

10 于文博;基于峰值密度聚類的高光譜圖像分析方法研究[D];鄭州大學;2017年

，

本文編號：1483913