發(fā)布時間：2017-10-01 03:29

  本文關(guān)鍵詞：無先驗(yàn)信息的高光譜圖像小目標(biāo)檢測算法研究

  更多相關(guān)文章： 高光譜圖像 異常檢測 低概率檢測 迭代誤差分析 正交投影算子

【摘要】：因?yàn)楦吖庾V遙感圖像的數(shù)據(jù)比多光譜圖像的數(shù)據(jù)豐富,所以高光譜遙感圖像對地物的光譜分辨能力也比較強(qiáng),人們越來越重視以高光譜信息為支撐的目標(biāo)檢測技術(shù)。然而在高光譜圖像中,目標(biāo)一般是小目標(biāo),在圖像中占有面積小,會在背景地物中顯示為一種“數(shù)據(jù)異常”,可以采用異常檢測算法進(jìn)行檢測。目前,該類方法也是高光譜圖像處理的研究熱點(diǎn)之一。本文主要研究了高光譜圖像中無先驗(yàn)信息的小目標(biāo)檢測領(lǐng)域的一些關(guān)鍵技術(shù),主要工作如下:1.介紹了高光譜圖像的相關(guān)理論知識及其特性,其中重點(diǎn)分析了譜間相關(guān)性和空間相關(guān)性。分析了異常檢測算法的原理,介紹了RX,局部RX和PCA-RX三種異常檢測算法,并在真實(shí)場景圖上比較了這三種算法的檢測性能。2.介紹了高光譜圖像中的線性混合模型,研究了混合像元解混技術(shù),其中重點(diǎn)分析了頂點(diǎn)成分分析法(VCA)和迭代誤差分析法(IEA),并在人工合成圖上比較了兩種端元提取算法的性能。3.深入研究了低概率檢測(LPD)算法的原理,針對LPD算法的缺點(diǎn),提出了本文改進(jìn)算法,首先用IEA進(jìn)行端元提取,在提取的端元中選擇出與背景地物光譜相近的端元并用它們構(gòu)成背景矩陣,進(jìn)而利用該矩陣構(gòu)造正交投影算子,最后將該投影算子代入到LPD算法中完成目標(biāo)檢測。為了便于結(jié)果的查看,對檢測得到的灰度圖像進(jìn)行Otus閾值分割,并通過標(biāo)注連接分量去除大的干擾目標(biāo)。實(shí)驗(yàn)結(jié)果表明,本文方法可以有效抑制背景信息,降低虛警概率,檢測效果要優(yōu)于傳統(tǒng)算法,體現(xiàn)了較好的檢測性能。
【關(guān)鍵詞】：高光譜圖像 異常檢測 低概率檢測 迭代誤差分析 正交投影算子
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 中文摘要4-5
• Abstract5-9
• 第一章 緒論9-15
• 1.1 研究背景及意義9-10
• 1.2 無先驗(yàn)信息的高光譜圖像小目標(biāo)檢測算法概述10-13
• 1.2.1 高光譜圖像目標(biāo)檢測技術(shù)10-12
• 1.2.2 國內(nèi)外研究現(xiàn)狀12-13
• 1.3 本文的主要研究工作及內(nèi)容安排13-15
• 1.3.1 本文的主要研究工作13-14
• 1.3.2 本文的組織架構(gòu)14-15
• 第二章 高光譜圖像異常檢測算法理論基礎(chǔ)15-26
• 2.1 引言15
• 2.2 高光譜圖像數(shù)據(jù)15-19
• 2.2.1 譜間相關(guān)性17-18
• 2.2.2 空間相關(guān)性18-19
• 2.3 光譜圖像異常檢測基本理論19-21
• 2.4 常用異常檢測算法21-23
• 2.4.1 RX算法21
• 2.4.2 局部RX算法21
• 2.4.3 PCA RX算法21-23
• 2.5 實(shí)驗(yàn)結(jié)果與分析23-25
• 2.5.1 圖像數(shù)據(jù)說明23-24
• 2.5.2 目標(biāo)檢測結(jié)果及分析24-25
• 2.6 本章小結(jié)25-26
• 第三章 高光譜圖像混合像元分解26-34
• 3.1 引言26
• 3.2 混合像元形成機(jī)制與光譜混合模型26-28
• 3.2.1 混合像元形成機(jī)制26
• 3.2.2 光譜混合模型26-28
• 3.3 線性光譜解混技術(shù)流程28-31
• 3.3.1 頂點(diǎn)成分分析28-30
• 3.3.2 迭代誤差分析30-31
• 3.4 實(shí)驗(yàn)分析31-33
• 3.4.1 圖像介紹31-33
• 3.4.2 兩種端元提取算法性能比較33
• 3.5 本章小結(jié)33-34
• 第四章 本文異常目標(biāo)檢測算法34-49
• 4.1 引言34
• 4.2 背景矩陣和正交投影算子的構(gòu)造方法34-35
• 4.3 本文算法35-39
• 4.3.1 LPD算法35-37
• 4.3.2 本文算法描述37-39
• 4.3.3 ROC曲線39
• 4.4 自適應(yīng)閾值分割和標(biāo)注連接分量39-43
• 4.4.1 Otus自動閾值分割方法40-41
• 4.4.2 標(biāo)注連接分量41-43
• 4.5 實(shí)驗(yàn)結(jié)果與分析43-48
• 4.5.1 合成圖模擬實(shí)驗(yàn)43-47
• 4.5.2 真實(shí)場景高光譜實(shí)驗(yàn)47-48
• 4.6 本章小結(jié)48-49
• 第五章 總結(jié)與展望49-51
• 5.1 總結(jié)49-50
• 5.2 展望50-51
• 參考文獻(xiàn)51-55
• 攻讀碩士學(xué)位期間公開發(fā)表的論文及科研成果55-56
• 致謝56-57

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 王玉磊;趙春暉;王江洪;;基于低概率檢測的高光譜異常目標(biāo)檢測算法研究[J];黑龍江大學(xué)自然科學(xué)學(xué)報;2010年03期

2 李智勇;郁文賢;;低維超平面結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用[J];紅外與激光工程;2009年02期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 歐陽征平;高光譜遙感圖像局部異常檢測算法研究[D];國防科學(xué)技術(shù)大學(xué);2011年

，

本文編號：952089