本文關(guān)鍵詞：高光譜異常檢測算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜成像儀可以在數(shù)百個狹窄波段內(nèi)對物體進(jìn)行成像,其波段范圍從可見光一直覆蓋到紅外波段。數(shù)百個波段內(nèi)的電磁能量在經(jīng)過光電轉(zhuǎn)換后就得到光譜信息,“圖譜合一”的特點(diǎn)使其能獲得更多的信息,目前高光譜數(shù)據(jù)處理已成為了國內(nèi)外的一個重要研究領(lǐng)域。其中,高光譜異常檢測不需要目標(biāo)的先驗(yàn)光譜信息,就可以有效地尋找到圖像中與背景像元光譜有所區(qū)別的異常像元,這讓它在精細(xì)化農(nóng)業(yè)、環(huán)境工程、資源勘探和國防等諸多領(lǐng)域都具有較廣的應(yīng)用前景,因而開展高光譜異常檢測研究具有重大的理論意義和應(yīng)用價值。本文首先對高光譜異常檢測中的經(jīng)典算法進(jìn)行了研究分析,包括PCA和KPCA兩種特征提取算法,以及基于多元信號檢測理論的RX、KRX和LAKDE異常檢測算法。通過仿真實(shí)驗(yàn)分析了這些算法的性能以及特征提取的必要性。然后,針對高光譜圖像中異常像元與周圍背景像元相關(guān)性較弱的特點(diǎn),研究提出了一種核典型相關(guān)分析和奇異值分解相結(jié)合的異常檢測算法。典型相關(guān)分析可以有效地反映出數(shù)據(jù)間的內(nèi)在關(guān)聯(lián)程度,通過數(shù)據(jù)間內(nèi)在關(guān)聯(lián)性可以有效地衡量待檢測像素點(diǎn)與其周圍背景間的異常程度。而核典型相關(guān)分析是典型相關(guān)分析的核化版本。本算法中采用核典型相關(guān)分析來處理高光譜圖像數(shù)據(jù),可以充分利用高光譜數(shù)據(jù)所具有的非線性特征;而后對核典型相關(guān)分析得到的結(jié)果圖像再采用奇異值分解與重構(gòu)來進(jìn)行處理,從而有效地完成背景抑制和異常點(diǎn)檢測的工作。仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法對異常檢測的有效性。最后,針對高光譜圖像所具有的非線性特征,研究提出了一種基于異常分量提取的異常檢測算法。該算法首先采用核主成分分析法來實(shí)現(xiàn)高維高光譜數(shù)據(jù)的非線性降維,而后采用獨(dú)立分量分析法來尋找隱含于核主成分中的獨(dú)立分量。在獨(dú)立分量的求解過程中,根據(jù)漸進(jìn)正交化和對稱正交化兩種不同的正交化方法,分別提出基于特征選擇的并行異常分量提取算法和基于正交子空間投影的串行提取算法,最后在此基礎(chǔ)上將得到的異常分量使用KRX算子進(jìn)行處理,以實(shí)現(xiàn)異常檢測。采用真實(shí)高光譜圖像進(jìn)行仿真實(shí)驗(yàn),并采用ROC曲線對其性能進(jìn)行評估,實(shí)驗(yàn)結(jié)果表明了該算法具有較好的檢測性能。
【關(guān)鍵詞】：高光譜圖像 異常檢測 多元統(tǒng)計分析 核函數(shù)
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 符號對照表11-13
• 縮略語對照表13-16
• 第一章 緒論16-22
• 1.1 研究背景和意義16-17
• 1.2 國內(nèi)外研究現(xiàn)狀17-20
• 1.3 本文主要研究內(nèi)容20-22
• 第二章 高光譜圖像特征提取22-32
• 2.1 特征提取的必要性22-23
• 2.2 線性特征提取23-26
• 2.2.1 線性混合光譜模型23-24
• 2.2.2 主成分分析法24-26
• 2.3 非線性特征提取26-30
• 2.3.1 核函數(shù)理論26-27
• 2.3.2 核主成分分析法27-30
• 2.4 本章小結(jié)30-32
• 第三章 高光譜異常檢測基本原理32-46
• 3.1 基于廣義似然比檢驗(yàn)的RX算法32-34
• 3.1.1 NP準(zhǔn)則與似然比檢驗(yàn)32-33
• 3.1.2 RX算法33-34
• 3.2 基于核函數(shù)理論的KRX算法34-37
• 3.3 基于背景模型估計的LAKDE算法37-41
• 3.3.1 基于背景模型估計的廣義似然比檢驗(yàn)37-38
• 3.3.2 核密度估計38-39
• 3.3.3 基于核密度估計的異常檢測39-41
• 3.4 實(shí)驗(yàn)仿真與分析41-44
• 3.5 本章小結(jié)44-46
• 第四章 基于相關(guān)性度量的異常檢測算法46-60
• 4.1 CCA與KCCA46-52
• 4.1.1 典型相關(guān)分析46-48
• 4.1.2 核典型相關(guān)分析48-50
• 4.1.3 針對高光譜圖像的處理方法50-52
• 4.2 奇異值分解與目標(biāo)提取52-54
• 4.2.1 奇異值分解與重構(gòu)52
• 4.2.2 目標(biāo)信息的提取52-54
• 4.3 實(shí)驗(yàn)仿真與分析54-59
• 4.3.1 算法流程54-55
• 4.3.2 仿真與結(jié)果分析55-59
• 4.4 本章小結(jié)59-60
• 第五章 基于異常分量提取的異常檢測算法60-80
• 5.1 非線性獨(dú)立分量分析60-66
• 5.1.1 ICA基本模型60
• 5.1.2 數(shù)據(jù)的預(yù)處理60-61
• 5.1.3 基于非高斯性的特征提取61-66
• 5.2 基于異常分量提取的高光譜異常檢測66-72
• 5.2.1 基于特征選擇的并行算法66-70
• 5.2.2 基于OSP的串行算法70-72
• 5.3 實(shí)驗(yàn)仿真與分析72-78
• 5.3.1 ROC曲線72-73
• 5.3.2 仿真與結(jié)果分析73-78
• 5.4 本章小結(jié)78-80
• 第六章 總結(jié)與展望80-82
• 6.1 總結(jié)80-81
• 6.2 展望81-82
• 參考文獻(xiàn)82-88
• 致謝88-90
• 作者簡介90-92

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 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(jù)描述方法[J];兵工學(xué)報;2008年09期

2 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(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報;2013年06期

4 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

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計算機(jī)信息;2010年21期

6 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報;2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學(xué)學(xué)報(自然科學(xué)版);2012年02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(shù)學(xué)院學(xué)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(xué)報;2004年04期

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

中國重要會議論文全文數(shù)據(jù)庫 前10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(shù)與應(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010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(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

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

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機(jī)械化道路——中國農(nóng)業(yè)機(jī)械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

6 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(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測方法研究[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

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標(biāo)探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 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(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 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(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 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(xué);2015年

6 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(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 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(xué);2015年

10 南一冰;星載推掃型高光譜運(yùn)動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學(xué);2015年

2 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學(xué);2015年

3 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

4 王坤;高光譜圖像異常目標(biāo)檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

5 王U喺

本文編號：428852