本文選題：高光譜遙感影像　切入點(diǎn)：異常探測　出處：《中國礦業(yè)大學(xué)》2017年碩士論文

【摘要】：高光譜遙感影像具有豐富的空間與光譜信息,利用高光譜遙感影像進(jìn)行異常探測成為目標(biāo)探測領(lǐng)域的研究重點(diǎn)。為提升高光譜影像異常探測精度,論文對(duì)基于低秩表示的高光譜異常探測模型和特征提取進(jìn)行研究和改進(jìn)。現(xiàn)有基于低秩表示的高光譜異常探測模型存在不足,一方面僅利用光譜信息,并沒有考慮像素空間鄰域信息;另一方面字典對(duì)探測結(jié)果的穩(wěn)定性造成影響。因此,論文主要在空-譜信息結(jié)合、字典構(gòu)造方向進(jìn)行研究;同時(shí)對(duì)隱式低秩表示特征提取算法進(jìn)行改進(jìn),并將其應(yīng)用到高光譜影像異常探測中。論文通過研究高光譜遙感影像的空間約束構(gòu)建、字典學(xué)習(xí)及特征提取等三個(gè)方面,并利用合成數(shù)據(jù)與真實(shí)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證算法在高光譜影像異常探測中的有效性。論文的主要研究內(nèi)容如下:(1)在基于低秩表示的高光譜遙感影像異常探測模型中構(gòu)建單局部窗口,建立中心測試像素低秩表示系數(shù)與鄰域像素表示系數(shù)的空間約束關(guān)系。鑒于單局部窗口的局限性,將其擴(kuò)展為多局部窗口,減少局部窗口鄰域中出現(xiàn)異常像素的概率,提升異常探測精度。(2)基于高光譜影像數(shù)據(jù)的全局低秩性特點(diǎn),在稀疏字典模型基礎(chǔ)上,添加字典低秩約束項(xiàng),建立低秩字典學(xué)習(xí)模型,增強(qiáng)字典對(duì)低秩表示高光譜影像異常探測的穩(wěn)定性。(3)在高光譜影像特征提取研究中引入隱式低秩表示方法,通過對(duì)表示系數(shù)添加稀疏約束項(xiàng)對(duì)其改進(jìn),構(gòu)建新的特征空間,并在該特征空間中采用經(jīng)典探測算法,提升異常探測精度。
[Abstract]:Hyperspectral remote sensing images are rich in spatial and spectral information, and the use of hyperspectral remote sensing images to detect anomalies has become the focus of research in the field of target detection.In order to improve the accuracy of hyperspectral anomaly detection, the model and feature extraction of hyperspectral anomaly detection based on low rank representation are studied and improved in this paper.The existing hyperspectral anomaly detection model based on low rank representation is insufficient. On the one hand, only spectral information is used, and pixel spatial neighborhood information is not considered; on the other hand, dictionary has an effect on the stability of detection results.Therefore, this paper mainly combines space-spectrum information, dictionary construction direction, and improves the implicit low-rank representation feature extraction algorithm, and applies it to hyperspectral image anomaly detection.In this paper, the spatial constraint construction, dictionary learning and feature extraction of hyperspectral remote sensing images are studied, and the effectiveness of the algorithm in detecting hyperspectral image anomalies is verified by using synthetic data and real experimental data.The main contents of this paper are as follows: (1) A single local window is constructed in the hyperspectral remote sensing image anomaly detection model based on low rank representation, and the spatial constraint relationship between the central test pixel low rank representation coefficient and the neighborhood pixel representation coefficient is established.In view of the limitation of single local window, we extend it to multi-local window, reduce the probability of abnormal pixels appearing in the neighborhood of local window, and improve the detection accuracy of anomaly. (2) based on the global low rank characteristic of hyperspectral image data,On the basis of sparse dictionary model, the low rank dictionary learning model is established by adding dictionary low rank constraint items.The stability of enhanced dictionary for anomaly detection in low-rank hyperspectral images is analyzed. (3) an implicit low-rank representation method is introduced into the study of hyperspectral image feature extraction, and a new feature space is constructed by adding sparse constraint items to the representation coefficients.In this feature space, the classical detection algorithm is used to improve the accuracy of anomaly detection.
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 王彩玲;王洪偉;胡炳j;溫佳;徐君;李湘眷;;基于鄰域分割的空譜聯(lián)合稀疏表示高光譜圖像分類技術(shù)研究[J];光譜學(xué)與光譜分析;2016年09期

2 王衛(wèi)衛(wèi);李小平;馮象初;王斯琪;;稀疏子空間聚類綜述[J];自動(dòng)化學(xué)報(bào);2015年08期

3 高仕博;程詠梅;肖利平;韋海萍;;面向目標(biāo)檢測的稀疏表示方法研究進(jìn)展[J];電子學(xué)報(bào);2015年02期

4 李瑩;楊小遠(yuǎn);;基于鄰域加權(quán)稀疏表示的高光譜圖像目標(biāo)探測[J];計(jì)算機(jī)工程與應(yīng)用;2015年12期

5 李軼南;賈沖;楊吉斌;吳海佳;張立偉;;稀疏低秩模型下的單通道自學(xué)習(xí)語音增強(qiáng)算法[J];數(shù)據(jù)采集與處理;2014年02期

6 趙春暉;李曉慧;朱海峰;;空間4-鄰域稀疏表示的高光譜圖像目標(biāo)檢測[J];哈爾濱工程大學(xué)學(xué)報(bào);2013年09期

7 史加榮;鄭秀云;魏宗田;楊威;;低秩矩陣恢復(fù)算法綜述[J];計(jì)算機(jī)應(yīng)用研究;2013年06期

8 后斌;喬偉峰;孫在宏;;基于HIS變換與àtrous小波分解的遙感影像融合[J];南京師大學(xué)報(bào)(自然科學(xué)版);2006年01期

9 李德仁;論21世紀(jì)遙感與GIS的發(fā)展[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2003年02期

相關(guān)博士學(xué)位論文 前2條

1 孫樂;空譜聯(lián)合先驗(yàn)的高光譜圖像解混與分類方法[D];南京理工大學(xué);2014年

2 耿修瑞;高光譜遙感圖像目標(biāo)探測與分類技術(shù)研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2005年

相關(guān)碩士學(xué)位論文 前6條

1 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學(xué);2014年

2 林雅文;基于空間相關(guān)性約束稀疏表示的高光譜圖像解混方法研究[D];南京航空航天大學(xué);2014年

3 任宇;基于空譜結(jié)構(gòu)性挖掘的高光譜圖像分類方法研究[D];西安電子科技大學(xué);2014年

4 查方興;基于稀疏表示和空間約束的高光譜遙感圖像分類方法研究[D];西安電子科技大學(xué);2014年

5 王越越;基于低秩分解和字典學(xué)習(xí)的醫(yī)學(xué)圖像復(fù)原方法[D];西安電子科技大學(xué);2014年

6 李林;基于低秩約束的分類及特征分析方法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

，

本文編號(hào)：1728422