本文選題：波段選擇　切入點(diǎn)：高光譜圖像　出處：《電子學(xué)報(bào)》2017年10期 　論文類型：期刊論文

【摘要】：隨著高光譜成像技術(shù)的發(fā)展,日益提高的光譜分辨率在提高目標(biāo)檢測(cè)和識(shí)別能力的同時(shí),其較高的數(shù)據(jù)維度和較大的數(shù)據(jù)量也為數(shù)據(jù)分析和處理帶來了很大的挑戰(zhàn).波段選擇作為一種有效提高處理效率的技術(shù)受到廣泛關(guān)注,但卻鮮有專門針對(duì)目標(biāo)檢測(cè)設(shè)計(jì)的方法.針對(duì)上述問題,本文在分析約束能量最小化(CEM)檢測(cè)算法特點(diǎn)的基礎(chǔ)上,提出了一種面向目標(biāo)檢測(cè),基于稀疏表示的波段選擇方法.該方法首先基于數(shù)據(jù)的對(duì)稱KL散度分布情況,將原始高光譜數(shù)據(jù)劃分為若干波段子空間.然后在各子空間內(nèi)稀疏重構(gòu)檢測(cè)結(jié)果,利用選擇波段與稀疏向量非零項(xiàng)的一一對(duì)應(yīng)關(guān)系,通過求解最優(yōu)化問題實(shí)現(xiàn)波段選擇.實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性.
[Abstract]:With the development of hyperspectral imaging technology, the increasing spectral resolution improves the ability of target detection and recognition at the same time, Its high data dimension and large amount of data also bring great challenges to data analysis and processing. However, there are few methods specifically designed for target detection. In view of the above problems, based on the analysis of the characteristics of constrained energy minimization (CEM) detection algorithm, a target oriented detection method is proposed. The method of band selection based on sparse representation is used to divide the original hyperspectral data into several band subspaces based on the symmetrical KL divergence distribution of the data. Then the detection results are sparse and reconstructed in each subspace. Using the one-to-one correspondence between the selection band and the sparse vector non-zero term, the band selection is realized by solving the optimization problem. The experimental results show that the proposed method is effective.
【作者單位】： 空軍工程大學(xué)防空反導(dǎo)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(No.61273275)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘇紅軍;杜培軍;盛業(yè)華;;高光譜影像波段選擇算法研究[J];計(jì)算機(jī)應(yīng)用研究;2008年04期

2 仇建斌;李士進(jìn);朱躍龍;萬定生;;基于曲線形狀特征的快速高光譜圖像波段選擇[J];小型微型計(jì)算機(jī)系統(tǒng);2014年08期

3 張婧;孫俊喜;阮光詩(shī);劉紅喜;;分段2維主成分分析的超光譜圖像波段選擇[J];中國(guó)圖象圖形學(xué)報(bào);2014年02期

4 張新鵬;王朔中;;基于稀疏表示的密寫編碼[J];電子學(xué)報(bào);2007年10期

5 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

6 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

7 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

8 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

9 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

10 朱杰;楊萬扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

相關(guān)會(huì)議論文 前1條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

3 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

4 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

5 程廣濤;基于壓縮感知的人臉識(shí)別方法研究[D];天津大學(xué);2015年

6 黃丹丹;基于稀疏表示的視覺目標(biāo)跟蹤方法研究[D];大連理工大學(xué);2016年

7 趙淑歡;欠完備采樣環(huán)境下面向數(shù)據(jù)的稀疏表示人臉識(shí)別研究[D];燕山大學(xué);2016年

8 劉海倉(cāng);基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究[D];湖南大學(xué);2015年

9 項(xiàng)鳳濤;基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

10 劉兆棟;基于稀疏表示理論的圖像去噪與融合算法研究[D];重慶大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 鄭俊鵬;高光譜圖像波段選擇及CUDA并行實(shí)現(xiàn)研究[D];杭州電子科技大學(xué);2015年

2 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

3 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

4 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

5 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

6 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

7 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

8 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

9 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

10 陳蒙;基于稀疏表示特征的人臉識(shí)別方法研究[D];深圳大學(xué);2015年

，

本文編號(hào)：1587341