本文選題：高光譜圖像 + 異常目標(biāo)檢測(cè)��； 參考：《哈爾濱工程大學(xué)學(xué)報(bào)》2017年04期

【摘要】：針對(duì)基于稀疏表示的高光譜異常目標(biāo)檢測(cè)新算法精度低的問(wèn)題,提出了一種子空間稀疏表示的高光譜圖像異常目標(biāo)檢測(cè)算法。該算法利用粒子群優(yōu)化模糊C-均值聚類方法,在不改變高光譜圖像光譜和空間特征的基礎(chǔ)上,使得原始高光譜圖像中具有相似特性的波段歸為一類,從而將整個(gè)高光譜圖像分為若干個(gè)波段子空間;利用光譜和空間協(xié)同加權(quán)稀疏差異指數(shù)公式對(duì)每一個(gè)子空間進(jìn)行異常目標(biāo)檢測(cè);對(duì)每個(gè)子空間的檢測(cè)結(jié)果進(jìn)行疊加,得到最終異常目標(biāo)檢測(cè)結(jié)果。利用真實(shí)的AVIRIS高光譜圖像對(duì)算法進(jìn)行仿真分析,結(jié)果表明該算法有較好的異常檢測(cè)性能,檢測(cè)精度高、虛警率低。
[Abstract]:In order to solve the problem of low accuracy of the new algorithm of hyperspectral anomaly target detection based on sparse representation, a subspace sparse representation algorithm for abnormal target detection in hyperspectral images is proposed. Based on the particle swarm optimization fuzzy C-means clustering method and without changing the spectral and spatial characteristics of hyperspectral images, the bands with similar characteristics in the original hyperspectral images are classified as a class. Thus the whole hyperspectral image is divided into several band subspaces; each subspace is detected by spectral and spatial synergistic weighted sparse difference index formula; the detection results of each subspace are superposed. Finally, the detection results of abnormal targets are obtained. The real AVIRIS hyperspectral image is used to simulate the algorithm. The results show that the algorithm has good detection performance, high detection accuracy and low false alarm rate.
【作者單位】： 哈爾濱工程大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;大慶師范學(xué)院機(jī)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(guó)家自然科學(xué)基金項(xiàng)目(61571145) 黑龍江省博士后基金項(xiàng)目(LBH-Z14062) 大慶市指導(dǎo)性科技計(jì)劃(ZD-2016-052) 大慶師范學(xué)院博士基金項(xiàng)目(14ZR07)
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 金煒;符冉迪;葉明;;過(guò)完備字典稀疏表示的云圖超分辨率算法[J];遙感學(xué)報(bào);2012年02期

2 宋相法;焦李成;;基于稀疏表示及光譜信息的高光譜遙感圖像分類[J];電子與信息學(xué)報(bào);2012年02期

3 劉建軍;吳澤彬;韋志輝;肖亮;孫樂(lè);;基于空間相關(guān)性約束稀疏表示的高光譜圖像分類[J];電子與信息學(xué)報(bào);2012年11期

4 秦振濤;楊武年;潘佩芬;;基于稀疏表示和自適應(yīng)字典學(xué)習(xí)的“高分一號(hào)”遙感圖像去噪[J];光電工程;2013年09期

5 殷飛;焦李成;;基于旋轉(zhuǎn)擴(kuò)展和稀疏表示的魯棒遙感圖像目標(biāo)識(shí)別[J];模式識(shí)別與人工智能;2012年01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(cè)[J];哈爾濱工程大學(xué)學(xué)報(bào);2013年09期

7 ;北方工業(yè)大學(xué)學(xué)報(bào)第25卷2013年總目次[J];北方工業(yè)大學(xué)學(xué)報(bào);2013年04期

8 王雷;金煒;何艷;;采用冗余字典稀疏表達(dá)的紅外與水汽云圖融合[J];寧波大學(xué)學(xué)報(bào)(理工版);2014年03期

9 ;[J];;年期

相關(guān)會(huì)議論文 前1條

1 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號(hào)處理及其研究進(jìn)展[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2013年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

相關(guān)博士學(xué)位論文 前3條

1 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

2 黎勝亮;壓縮感知遙感視頻成像理論與方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 李濤;遙感影像稀疏表示中的字典學(xué)習(xí)算法及其應(yīng)用[D];華中科技大學(xué);2015年

相關(guān)碩士學(xué)位論文 前9條

1 程丹丹;基于自適應(yīng)稀疏表示的振動(dòng)信號(hào)壓縮采樣研究與應(yīng)用[D];寧波大學(xué);2015年

2 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

3 周千琪;基于稀疏表示和半監(jiān)督主動(dòng)學(xué)習(xí)的小樣本高光譜數(shù)據(jù)分類問(wèn)題研究[D];北方民族大學(xué);2016年

4 劉佳彬;基于稀疏表示的高光譜圖像分類和異常檢測(cè)研究[D];北京化工大學(xué);2016年

5 云智強(qiáng);高光譜遙感圖像的稀疏表示分類方法研究[D];西安電子科技大學(xué);2015年

6 郝曉婷;基于學(xué)習(xí)字典稀疏表示的遙感圖像分類算法研究與應(yīng)用[D];北方民族大學(xué);2014年

7 付歡;高光譜圖像的稀疏表示和壓縮算法研究[D];河北大學(xué);2014年

8 王莎;自適應(yīng)優(yōu)化稀疏表示的遙感圖像壓縮重構(gòu)研究[D];浙江大學(xué);2014年

9 步曉亮;基于稀疏表示的高空間分辨率遙感影像紋理描述方法的研究[D];上海交通大學(xué);2012年

，

本文編號(hào)：1873052