【摘要】：實時處理可以緩解海量高光譜數(shù)據(jù)在存儲及下行傳輸方面帶來的巨大壓力,在高光譜異常檢測領(lǐng)域引起了研究人員的廣泛關(guān)注。高光譜成像傳感器通過推掃獲取數(shù)據(jù)的方式已成為主流,因此,提出了一種基于逐行處理框架的高光譜實時異常目標檢測算法。將局部因果窗模型引入Reed-Xiaoli異常檢測算法中,通過滑動局部因果窗來檢測異常目標,保證了實時處理的因果性。針對矩陣求逆過程復雜度過大的問題,在卡爾曼濾波器遞歸思想的基礎(chǔ)上,利用Woodbury求逆引理,由前一時刻數(shù)據(jù)狀態(tài)信息迭代更新當前數(shù)據(jù)的狀態(tài)信息,避免了大矩陣的求逆運算,減少了算法的計算量。利用模擬和真實高光譜數(shù)據(jù)進行實驗,結(jié)果表明,在保持檢測精度不變的前提下,提出的實時算法的運算效率相比于原始算法得到顯著提高。
[Abstract]:Real-time processing can relieve the huge pressure brought by massive hyperspectral data in storage and downlink transmission, and has attracted extensive attention in the field of hyperspectral anomaly detection. The method of data acquisition by push-sweep has become the mainstream of hyperspectral imaging sensor. Therefore, a real-time hyperspectral anomaly target detection algorithm based on line-by-line processing framework is proposed. The local causality window model is introduced into the Reed-Xiaoli anomaly detection algorithm, and the real time processing causality is ensured by moving the local causal window to detect the abnormal target. Aiming at the problem that the complexity of matrix inversion process is too large, based on the Kalman filter recursive thought, using Woodbury inverse Lemma, the state information of the current data is updated iteratively from the data state information of the previous moment. The inverse operation of large matrix is avoided, and the computation amount of the algorithm is reduced. The simulation and real hyperspectral data are used to carry out experiments. The results show that the proposed real-time algorithm is more efficient than the original algorithm on the premise of keeping the detection accuracy unchanged.
【作者單位】： 哈爾濱工程大學信息與通信工程學院;
【基金】：國家自然科學基金(61405041,61571145) 黑龍江省自然科學基金重點項目(ZD201216) 哈爾濱市優(yōu)秀學科帶頭人基金(RC2013XK009003)
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學報;2008年09期

2 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學院學報;2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計算機信息;2010年21期

6 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學自然科學學報;2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學學報(自然科學版);2012年02期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學院學報;2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學報;2004年04期

10 張綺瑋;機載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

相關(guān)會議論文 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學會2008年學術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學科論壇文集[C];2010年

7 高東生;高連知;;基于獨立分量分析的高光譜圖像目標盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學（激光）聯(lián)合學術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學學會2010年光學大會論文集[C];2010年

相關(guān)博士學位論文 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復旦大學;2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學技術(shù)大學;2014年

3 賀智;改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學;2014年

4 魏然;基于成像機理分析的高光譜圖像信息恢復研究[D];哈爾濱工業(yè)大學;2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學;2015年

6 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學;2014年

7 孫濤;快速多核學習分類研究及應(yīng)用[D];西安電子科技大學;2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學;2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學;2015年

10 南一冰;星載推掃型高光譜運動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學;2015年

相關(guān)碩士學位論文 前10條

1 豐爍;高光譜圖像波段選取問題的改進算法研究[D];昆明理工大學;2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學;2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學;2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學;2015年

5 王坤;高光譜圖像異常目標檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學;2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學;2015年

7 程凱;無先驗信息的高光譜圖像小目標檢測算法研究[D];蘇州大學;2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學;2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學;2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學;2015年

，

本文編號：2176720