發(fā)布時間：2018-05-09 14:16

  本文選題：遙感 + 高光譜圖像��； 參考：《光學(xué)學(xué)報》2017年04期

【摘要】：針對利用稀疏表示進行高光譜圖像異常目標檢測效率不高的問題,基于高光譜圖像成像原理和圖像結(jié)構(gòu),充分利用高光譜圖像的空間特性和光譜特性,并在它們之間建立協(xié)同處理機制,提出了聯(lián)合空間預(yù)處理與譜聚類的協(xié)同稀疏高光譜圖像異常目標檢測算法。該算法首先對高光譜圖像空間特性進行分析,并結(jié)合光譜特性進行空間預(yù)處理,使得處理后的高光譜圖像更易于異常目標的檢測;利用建立在譜圖劃分思想基礎(chǔ)上的譜聚類方法進行波段子集劃分,譜聚類方法具有收斂于全局最優(yōu)解、聚類速度快的特點;利用提出的新的空間和光譜協(xié)同稀疏差異指數(shù)方法對每個子集進行異常目標檢測,該協(xié)同稀疏方式充分考慮了高光譜圖像的空間特性和光譜特性,通過對每個波段子集檢測結(jié)果進行疊加,得到最終異常檢測結(jié)果。利用真實的AVIRIS高光譜圖像和合成的高光譜圖像對算法進行仿真實驗和結(jié)果分析,結(jié)果表明該算法具有穩(wěn)健性,同時檢測精度高,虛警率低。
[Abstract]:Based on the principle and structure of hyperspectral image, the spatial and spectral characteristics of hyperspectral image are fully utilized to solve the problem of using sparse representation to detect abnormal targets in hyperspectral images. A cooperative processing mechanism is established between them, and an algorithm for detecting anomalous targets in hyperspectral images is proposed, which combines spatial preprocessing and spectral clustering. The algorithm firstly analyzes the spatial characteristics of hyperspectral images and carries out spatial preprocessing combined with spectral characteristics to make the processed hyperspectral images easier to detect abnormal targets. The spectral clustering method based on the idea of spectral partition is used to partition the band subset. The spectral clustering method has the characteristics of converging to the global optimal solution and fast clustering speed. A new spatial and spectral synergistic sparse difference index method is proposed to detect abnormal targets for each subset. The spatial and spectral characteristics of hyperspectral images are fully considered in the cooperative sparse method. By superposing the detection results of each band subset, the final anomaly detection results are obtained. Real AVIRIS hyperspectral images and synthetic hyperspectral images are used to simulate and analyze the algorithm. The results show that the algorithm is robust and has high detection accuracy and low false alarm rate.
【作者單位】： 哈爾濱工程大學(xué)計算機科學(xué)與技術(shù)學(xué)院;大慶師范學(xué)院機電工程學(xué)院;哈爾濱工程大學(xué)信息與通信工程學(xué)院;
【基金】：國家自然科學(xué)基金(61571145) 黑龍江省博士后基金(LBH-Z14062)
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 王會青;陳俊杰;;基于圖劃分的譜聚類方法的研究[J];計算機工程與設(shè)計;2011年01期

2 王春騰;符傳誼;邢潔清;;基于非負約束的譜聚類方法[J];電腦知識與技術(shù);2011年17期

3 何飛;王曉晨;馬粹;梁治國;;生產(chǎn)狀態(tài)的測地距離譜聚類分析[J];計算機工程與應(yīng)用;2012年24期

4 薛寧靜;;生產(chǎn)狀態(tài)的熵值評估譜聚類分析[J];計算機工程與應(yīng)用;2012年19期

5 管濤;王杰;;譜聚類的算子理論研究進展[J];計算機科學(xué);2013年S1期

6 王玲;薄列峰;焦李成;;密度敏感的半監(jiān)督譜聚類[J];軟件學(xué)報;2007年10期

7 林立;胡俠;朱俊彥;;基于譜聚類的多文檔摘要新方法[J];計算機工程;2010年22期

8 劉馨月;李靜偉;于紅;尤全增;林鴻飛;;基于共享近鄰的自適應(yīng)譜聚類[J];小型微型計算機系統(tǒng);2011年09期

9 劉娜;肖智博;魯明羽;;基于形態(tài)學(xué)的單詞-文檔譜聚類方法[J];南京大學(xué)學(xué)報(自然科學(xué)版);2012年02期

10 孟欽學(xué);Paul J.Kennedy;;譜聚類的現(xiàn)狀及其在社會網(wǎng)絡(luò)中的應(yīng)用(英文)[J];計算機工程與應(yīng)用;2013年03期

相關(guān)博士學(xué)位論文 前2條

1 楊藝芳;譜聚類與維數(shù)約簡算法及其應(yīng)用[D];西安電子科技大學(xué);2016年

2 孔敏;關(guān)聯(lián)圖的譜分析及譜聚類方法研究[D];安徽大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 張吉文;基于譜聚類的文本聚類算法研究[D];貴州大學(xué);2015年

2 崔竹冬;基于譜聚類的三維血管點云分割技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

3 付剛;基于譜聚類的混合流形學(xué)習(xí)算法研究[D];安徽理工大學(xué);2016年

4 林珍香;基于譜聚類的個性化推薦系統(tǒng)研究[D];福建農(nóng)林大學(xué);2016年

5 梁啟浩;基于粒度空間的譜聚類方法及應(yīng)用研究[D];江南大學(xué);2017年

6 李兆真;基于分區(qū)的三維顱骨面貌復(fù)原算法研究[D];西北大學(xué);2016年

7 何心琪;基于譜聚類的水聲圖像分割技術(shù)研究[D];哈爾濱工程大學(xué);2013年

8 趙冬琴;基于譜聚類的MCI影像學(xué)分類特征研究與應(yīng)用[D];太原理工大學(xué);2014年

9 張俊英;基于譜聚類的圖書目錄重構(gòu)[D];浙江大學(xué);2010年

10 張?zhí)鞆?基于譜聚類的親友通話圈挖掘[D];華南理工大學(xué);2013年

，

本文編號：1866341