高光譜圖像（HSI）包含空間維度和光譜維度的三維信息,具有光譜分辨率高和圖譜合一的特點。全面的光譜信息和三維的數(shù)據(jù)結(jié)構(gòu)有利于區(qū)分各種地物并且檢測異常目標。高光譜遙感圖像異常目標檢測算法的主要研究方向是在不知道目標先驗信息的情況下精準地檢測出與背景特征各異的目標像素。絕大多數(shù)的異常檢測算法通過建立背景模型,并利用異常與背景之間的差異來區(qū)分它們。如何構(gòu)建一個沒有異常目標污染的背景模型是一個非常關(guān)鍵的問題,背景特征提取的準確度決定了高光譜異常檢測算法的效果�；谛盘栂∈璞磉_的異常檢測方法的主要思想是通過描述背景子空間的字典來評估信號的恢復(fù)誤差,通過誤差來判別待測像素是背景還是目標。但是,基于稀疏表達的算法并沒有對數(shù)據(jù)的統(tǒng)計分布進行假設(shè),背景特征也是通過隨機方式獲得的,其中背景的純凈度決定了檢測結(jié)果的精度。低秩稀疏矩陣分解算法（LRaSMD）將矩陣分解為低秩矩陣、稀疏矩陣和噪聲矩陣。其中低秩矩陣對應(yīng)背景矩陣,稀疏矩陣可以用來檢測異常目標,通過LRaSMD算法我們可以得到比較干凈的背景。此外由于自編碼器在提取隱層特征上具有豐富性、判別性和準確性等優(yōu)點,我們也可以利用自編碼器獲取背景特征。因此本文... 

【文章來源】：太原理工大學(xué)山西省211工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
一 緒論
    1.1 研究背景與研究意義
    1.2 研究現(xiàn)狀
        1.2.1 高光譜異常目標檢測研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 研究內(nèi)容及章節(jié)安排
二 稀疏表達
    2.1 稀疏表達相關(guān)知識
        2.1.1 稀疏表達數(shù)學(xué)模型
        2.1.2 稀疏分解算法
    2.2 字典學(xué)習(xí)
        2.2.1 字典模型
        2.2.2 無監(jiān)督字典學(xué)習(xí)方法
    2.3 本章小結(jié)
三 基于低秩稀疏矩陣分解和稀疏字典表達的高光譜異常目標檢測
    3.1 低秩稀疏矩陣分解理論
        3.1.1 矩陣分解原理
        3.1.2 低秩稀疏矩陣分解算法
    3.2 基于低秩稀疏矩陣分解和稀疏字典表達的高光譜異常目標檢測
    3.3 實驗及分析
        3.3.1 數(shù)據(jù)描述
        3.3.2 模擬數(shù)據(jù)實驗
        3.3.3 AVIRIS飛機真實數(shù)據(jù)實驗
        3.3.4 HYDICE 城市真實數(shù)據(jù)實驗
        3.3.5 顯著性分析
    3.4 本章小結(jié)
四 基于自編碼器和稀疏表達的高光譜異常目標檢測算法
    4.1 神經(jīng)網(wǎng)絡(luò)概述
        4.1.1 神經(jīng)網(wǎng)絡(luò)模型
        4.1.2 感知器
    4.2 反向傳播神經(jīng)網(wǎng)絡(luò)
        4.2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
        4.2.2 BP神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)整過程
    4.3 .自編碼器提取特征原理
    4.4 基于自編碼器和稀疏表達的異常目標檢測算法
    4.5 實驗及分析
    4.6 本章小結(jié)
五 總結(jié)與展望
    5.1 本文工作回顧
    5.2 展望
參考文獻
致謝
攻讀碩士期間發(fā)表的論文及獲得的成果


【參考文獻】：
期刊論文
[1]基于低秩稀疏矩陣分解和稀疏字典表達的高光譜異常目標檢測[J]. 張曉慧,郝潤芳,李廷魚.  激光與光電子學(xué)進展. 2019(04)
[2]A language-independent neural network for event detection[J]. Xiaocheng FENG,Bing QIN,Ting LIU.  Science China（Information Sciences）. 2018(09)
[3]A Blind Spectrum Sensing Based on Low-Rank and Sparse Matrix Decomposition[J]. Junsheng Mu,Xiaojun Jing,Hai Huang,Ning Gao.  中國通信. 2018(08)
[4]敏捷衛(wèi)星同軌多條帶成像拼接重疊像元數(shù)閾值分析[J]. 許越,馮華君,徐之海,李奇,陳躍庭.  光電工程. 2017(11)
[5]基于稀疏表示和支持向量機的人臉識別算法[J]. 徐靜妹,李雷.  計算機技術(shù)與發(fā)展. 2018(02)
[6]吉林一號輕型高分辨率遙感衛(wèi)星光學(xué)成像技術(shù)[J]. 徐偉,金光,王家騏.  光學(xué)精密工程. 2017(08)
[7]基于堆棧式稀疏自編碼器的高光譜影像分類[J]. 戴曉愛,郭守恒,任淯,楊曉霞,劉漢湖.  電子科技大學(xué)學(xué)報. 2016(03)
[8]一種新的空譜聯(lián)合探測高光譜影像目標探測算法[J]. 王彩玲,王洪偉,胡炳樑,溫佳,徐君,李湘眷.  光譜學(xué)與光譜分析. 2016(04)
[9]基于自適應(yīng)參數(shù)支持向量機的高光譜遙感圖像小目標檢測[J]. 吳一全,周楊,龍云淋.  光學(xué)學(xué)報. 2015(09)
[10]高光譜遙感反演土壤重金屬含量研究進展[J]. 賀軍亮,張淑媛,查勇,蔣建軍.  遙感技術(shù)與應(yīng)用. 2015(03)

博士論文
[1]基于稀疏表示和深度學(xué)習(xí)的圖像識別算法及應(yīng)用研究[D]. 王斌.中國科學(xué)技術(shù)大學(xué) 2018
[2]信號的稀疏表達在滾動軸承故障特征提取及智能診斷中的應(yīng)用研究[D]. 甘萌.中國科學(xué)技術(shù)大學(xué) 2017

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號：3645285