本文選題：高光譜 + 異常探測��； 參考：《遙感學報》2017年05期

【摘要】：傳統(tǒng)的實時異常探測算法需對高維的背景樣本統(tǒng)計矩陣進行求逆運算,數(shù)值穩(wěn)定性差、時間復雜度高。而基于Cholesky分解,將高維矩陣的求逆運算轉換為求解下三角線性系統(tǒng),采用Cholesky分解因子的一階修正方法快速更新背景統(tǒng)計信息,降低逐像元實時處理的時間復雜度并且保持數(shù)值穩(wěn)定性。由于算法僅涉及下三角矩陣的更新過程,壓縮了數(shù)據存儲空間,適用于機載或星上實時處理。采用3維接收器曲線(3D-ROC)以及計算機實際處理時間對實驗結果進行定量化分析,結果表明,該算法在不降低異常探測精度的同時,對當前時刻像元的實時處理時間約縮短為基于QR分解算法的0.4%—0.65%,或減少至基于Woodbury矩陣引理算法的27%—33%,有效提高實時高光譜異常探測器的計算性能,并且保持處理過程中的數(shù)值穩(wěn)定性。
[Abstract]:The traditional real-time anomaly detection algorithm needs to calculate the inverse of the high-dimensional background sample statistical matrix. The numerical stability is poor and the time complexity is high. Based on Cholesky decomposition, the inversion of high dimensional matrix is transformed into solving the lower triangular linear system. The first order correction method of Cholesky factorization factor is used to update the background statistical information quickly. The time complexity of pixel-by-pixel real-time processing is reduced and numerical stability is maintained. Because the algorithm only involves the updating process of the lower triangular matrix, the data storage space is compressed, which is suitable for real-time processing on board or on board. The 3D receiver curve (3D-ROC) and the actual processing time of the computer are used to quantify the experimental results. The results show that the algorithm does not reduce the accuracy of anomaly detection at the same time. The real-time processing time of the current pixel is reduced to 0.4-0.65 based on QR decomposition algorithm, or to 27-33 based on Woodbury matrix Lemma algorithm, which effectively improves the computational performance of the real-time hyperspectral anomaly detector. And maintain the numerical stability in the process of processing.
【作者單位】： 中國科學院遙感與數(shù)字地球研究所;中國科學院大學;
【基金】：北京市科委項目(編號:238796489321) 國家自然科學基金(編號:41501396)~~
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 陳雨時;張曄;張鈞萍;;基于線性模型最優(yōu)預測的高光譜圖像壓縮[J];南京航空航天大學學報;2007年03期

2 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據描述方法[J];兵工學報;2008年09期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術;2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關特性研究[J];大慶師范學院學報;2013年06期

5 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

6 汪倩;陶鵬;;結合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

7 王立國;孫杰;肖倩;;結合空-譜信息的高光譜圖像分類方法[J];黑龍江大學自然科學學報;2010年06期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術學院學報;2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學報;2004年04期

10 張綺瑋;機載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

相關會議論文 前5條

1 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

2 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

3 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

4 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

5 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 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

2 賀智;改進的經驗模態(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

3 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

4 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

5 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

6 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

7 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

8 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

9 高恒振;高光譜遙感圖像分類技術研究[D];國防科學技術大學;2011年

10 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學;2015年

相關碩士學位論文 前10條

1 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學;2015年

2 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;2015年

3 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學;2015年

4 霍瑩;高光譜CCD機載相機檢測設備研制[D];長春理工大學;2015年

5 王磊;基于張量的高光譜遙感圖像壓縮研究[D];復旦大學;2014年

6 鄔文慧;空譜聯(lián)合高光譜遙感圖像半監(jiān)督分類[D];西安電子科技大學;2014年

7 王依萍;基于主動學習的高光譜圖像分類方法研究[D];西安電子科技大學;2014年

8 劉嘉慧;基于稀疏表示的高光譜圖像分類和解混方法研究[D];西安電子科技大學;2014年

9 王U喺，

本文編號：2094573