發(fā)布時間：2020-10-13 10:53

　　 高光譜圖像目標檢測是圖像理解和解譯領域重要研究課題之一。根據(jù)是否可獲得地物目標的光譜先驗信息,目標檢測分為有監(jiān)督和無監(jiān)督兩類。異常目標檢測為無監(jiān)督的一類,不需要提供地物目標光譜的先驗信息,因為一般情況下,很難獲得地物目標真實的光譜信息,所以異常目標檢測更具實用性。高光譜圖像的光譜和空間分辨率都隨著遙感技術的發(fā)展不斷地提高,但這也給高光譜異常目標檢測帶來了新的挑戰(zhàn)。主要面臨的問題有:(1)高光譜圖像光譜維度高,數(shù)據(jù)冗余大;(2)高光譜數(shù)據(jù)呈現(xiàn)復雜的非線性特性;(3)異常目標通常為低概率小目標;(4)“同譜異物”和“同物異譜”現(xiàn)象仍然存在。其中“同譜異物”和“同物異譜”現(xiàn)象使得基于光譜信息的異常目標檢測算法精度很低,而高維度容易遭遇“維數(shù)災難”現(xiàn)象,所以如何充分挖掘高光譜遙感圖像的光譜特征和空間特征,如何開發(fā)出更有效的異常目標檢測算法提高其檢測精度是本論文的研究重點。論文的主要研究內容如下:1.高維度和非線性是高光譜遙感圖像的固有屬性,基于稀疏理論的各種高光譜異常目標檢測算法不需要假設背景模型分布,核協(xié)同表示(Kernel Collaborative Representation-based Detector,KCRD)算法將高光譜圖像映射到核空間并結合稀疏理論;然而,這些算法僅考慮高光譜異常目標的光譜稀疏特性,實際上,異常目標在空間域上同樣具有稀疏特性,忽略了其空間稀疏特性會導致檢測精度不夠高。針對此問題,提出了基于局部線性嵌入的稀疏差異指數(shù)(Sparsity Divergence Index based on Locally Linear Embedding,SDI-LLE)的異常目標檢測算法,首先利用局部線性嵌入(LLE)的重構權值矩陣核協(xié)同表示求出高光譜數(shù)據(jù)的光譜稀疏差異指數(shù),空間稀疏差異指數(shù)由經(jīng)過LLE降維的數(shù)據(jù)進行計算,最后采用空譜聯(lián)合稀疏差異指數(shù)求出異常目標,SDI-LLE獲得了比KCRD更好的檢測效果;之后,為了降低背景字典中可能包含的異常目標信息對檢測結果的影響,提出了基于線性局部切空間排列的空譜聯(lián)合背景共同稀疏表示(Spectral-spatial Background Joint Sparse Representation based on Linear Local Tangent Space Alignment,LLTSA-SSBJSR)的檢測算法,首先對原始高光譜數(shù)據(jù)采用光譜背景共同稀疏表示,對經(jīng)過局部切空間排列(LLTSA)降維的數(shù)據(jù)采用空間背景共同稀疏表示,最后采用空譜聯(lián)合背景共同稀疏差異指數(shù)求出異常目標,該算法利用殘余能量比抑制了背景中的異常點,提高了檢測精度,且避免了核學習方法中時間復雜度高的問題;通過實驗數(shù)據(jù)驗證了兩種算法有效性和優(yōu)越性。2.基于稀疏理論的高光譜異常目標檢測主要針對異常目標的稀疏特性展開研究,忽略了背景信息;基于低秩和稀疏矩陣分解(Low-rank and Sparse Matrix Decomposition,LRaSMD)的檢測算法將高光譜圖像分成低秩背景部分和稀疏異常部分,主要針對高光譜圖像的光譜信息展開研究,而忽略了其空間信息,導致檢測精度不夠高。針對此問題,提出基于空譜聯(lián)合低秩稀疏矩陣分解(Spectral-spatial Low-rank and Sparse Matrix Decomposition,LS-SS)的高光譜異常目標檢測算法,空間信息利用低秩部分且采用空間核協(xié)同表示算法,光譜信息則利用稀疏部分獲得光譜稀疏差異指數(shù),最后將兩部分聯(lián)合起來進行異常目標檢測;之后,進一步利用深度學習理論,提出了基于LRaSMD和空譜聯(lián)合棧式自編碼器(Spectral-spatial Stacked Autoencoders based on Low-rank and Sparse Matrix Decomposition,LRaSMD-SSSAE)的高光譜異常目標檢測算法,采用棧式自編碼器對高光譜數(shù)據(jù)的低秩和稀疏矩陣分別求得深度空間特征和深度光譜特征,進而獲得深度空譜聯(lián)合特征,采用局部馬氏距離求得最終的檢測結果;通過實驗數(shù)據(jù)驗證了兩種算法的有效性和優(yōu)越性。3.基于低秩稀疏分解的檢測算法主要在光譜維對高光譜圖像進行分解,沒有充分利用高光譜圖像的空間信息,導致檢測精度不夠高。針對這一問題,鑒于高光譜三階張量能平等地描述高光譜圖像的空間信息和光譜信息,提出基于張量分解的稀疏差異指數(shù)(Sparsity Divergence Index based on Tensor Decomposition,SDI-TD)的異常目標檢測算法,利用Tucker分解把高光譜三階張量分解成一個核心張量和三個因子矩陣,其在張量三個方向上分別利用低秩稀疏分解求得稀疏差異指數(shù),綜合獲得異常目標檢測結果;之后,為了解決異常目標不夠稀疏的情況下檢測精度不高的問題,提出基于張量分解的局部馬氏距離(Tensor Decomposition-based Local Mahalanobis Distance,TensorLMD)的異常目標檢測算法,在張量分解的三個方向分別剔出表示異常和噪聲的最小主成分獲得較為純凈的背景信息,在原始高光譜數(shù)據(jù)和得到的背景數(shù)據(jù)上分別采用滑動雙窗,進行局部馬氏距離檢測獲得異常目標;最后,為了能充分挖掘高光譜圖像的空譜特性,且不破壞空譜結構,提出基于張量的自適應子空間檢測(Tensor-based Adaptive Subspace Detection,TBASD)的異常目標檢測算法,分別在內窗和局部鄰域窗之間以及整幅高光譜圖像上選擇與測試張量塊相同尺寸的張量塊,采用基于張量的自適應子空間檢測器求得檢測結果。本文提出的基于張量分析的算法充分利用了高光譜的空間特性和光譜特性,通過實驗數(shù)據(jù)驗證了算法的有效性和優(yōu)越性。綜上所述,本文主要研究基于空譜聯(lián)合特性的高光譜圖像異常目標檢測算法,且通過仿真實驗驗證了所研究算法的有效性。
【學位單位】：哈爾濱工程大學
【學位級別】：博士
【學位年份】：2018
【中圖分類】：TP751
【部分圖文】：

標檢測算法的基礎上，充分考慮其光譜和空間特性，并結合壓縮感知中的稀流形學習算法和張量分解等理論，對高光譜圖像進行更為精確和有效的異常。本課題是在國家自然科學基金（61571145 和 61405041）等項目的資助下，通譜圖像異常目標檢測算法研究的基礎上，以結合高光譜光譜特性和空間特圍繞如何能夠更好地獲得高光譜圖像的異常檢測效果展開相關研究，進而促圖像異常目標檢測技術的發(fā)展和應用。高光譜圖像成像機理遙感圖像形成的基礎之一是太陽輻射的電磁波，太陽輻射的電磁波被地物吸射出去，成像光譜儀接收反射波，如圖 1.1 所示為太陽輻射成像示意圖[11]。成通過探測或感測波長處于可見光和短波紅外光譜區(qū)之間的電磁波譜的發(fā)射、射能級而成像[12, 13]。

高光譜成像示意圖如圖1.2所示[14]。圖 1.2 高光譜成像示意圖Figure 1.2 Hyperspectral imaging schemematic高光譜遙感技術的發(fā)展首先是成像光譜儀的發(fā)展，第一臺機載高光譜成像光譜儀(Aero Imaging Spectrometer-1, AIS-1) 在 1983 年獲得了第一幅高光譜圖像，AIS-1 有 128個波段，光譜波段在 0.4～0.72 μm，其成功應用于礦產(chǎn)勘查和精細農業(yè)等領域，成為國際遙感史上的里程碑；1987 年，JPL 在 AIS-1 的基礎上研制出機載可見光/紅外成像光譜儀 (Airborne Visible/Infrared Imaging Spectrometer, AVIRIS)，其有 224 個波段，光譜波段在 0.4～2.5 μm 的太陽全輻射波段

由于多種隨機因素的影響使得非線性分布是高光譜圖像的固有特性，如的算法框架緩解高光譜圖像非線性分布帶來的負面影響是一個嚴峻的問題高光譜圖像“同物異譜”和“同譜異物”的現(xiàn)象普遍存在，所以如何挖的空間信息和光譜信息是研究的難點。于高光譜數(shù)據(jù)存在上述問題，使得高光譜圖像異常目標檢測變得困難。上述算法的基礎上，主要從充分結合高光譜數(shù)據(jù)的光譜特性和空間特性據(jù)高光譜圖像的數(shù)據(jù)特點開發(fā)出有效的算法框架，并提高異常目標檢測研究重點。究內容和章節(jié)安排光譜異常目標檢測是高光譜圖像處理的重要研究方向。本論文針對 1.3節(jié)圖像異常目標檢測算法研究現(xiàn)狀和面臨的挑戰(zhàn)，充分挖掘高光譜圖像的間特性，結合稀疏表示、流形學習算法、深度學習和張量分解等理論，檢測算法的研究，本文各章之間的關系如圖 1.3 所示，內容和章節(jié)安排如
【相似文獻】

相關期刊論文 前10條

1 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標檢測算法[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

2 孫林;鮑金河;劉一超;;高光譜圖像目標檢測算法分析[J];測繪科學;2012年01期

3 張桂林，熊艷，曹偉，李強;一種評價自動目標檢測算法性能的方法[J];華中理工大學學報;1994年05期

4 許云;李彬;;基于背景遺傳模型的運動目標檢測算法[J];自動化技術與應用;2017年03期

5 杜佳;宋春林;;一種改進的毫米波雷達多目標檢測算法[J];通信技術;2015年07期

6 諸葛霞;向健勇;;基于分形特征的目標檢測算法概述及仿真[J];紅外技術;2006年10期

7 方路平;何杭江;周國民;;目標檢測算法研究綜述[J];計算機工程與應用;2018年13期

8 尚海林;;復雜場景下弱小目標檢測算法的FPGA實現(xiàn)[J];航空兵器;2007年04期

9 施澤浩;;基于特征金字塔網(wǎng)絡的目標檢測算法[J];現(xiàn)代計算機(專業(yè)版);2018年03期

10 本刊訊;;ImageAI:十行代碼解決目標檢測[J];數(shù)據(jù)分析與知識發(fā)現(xiàn);2018年07期

相關博士學位論文 前10條

1 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標檢測算法研究[D];哈爾濱工程大學;2018年

2 趙紅燕;被動多基站雷達目標檢測算法研究[D];西安電子科技大學;2017年

3 郭小路;多通道雷達干擾抑制與目標檢測算法研究[D];西安電子科技大學;2017年

4 王志虎;基于顯著性的運動目標檢測算法研究[D];國防科學技術大學;2015年

5 郭明瑋;基于視覺記憶的目標檢測算法：一個特征學習與特征聯(lián)想的過程[D];中國科學技術大學;2014年

6 王俊強;圖像中人體目標檢測算法研究[D];北京郵電大學;2012年

7 李凡;復雜背景抑制及弱小目標檢測算法研究[D];西安電子科技大學;2010年

8 種勁松;合成孔徑雷達圖像艦船目標檢測算法與應用研究[D];中國科學院研究生院（電子學研究所）;2002年

9 崔國龍;多天線配置雷達系統(tǒng)的目標檢測算法研究[D];電子科技大學;2012年

10 成寶芝;基于光譜特性的高光譜圖像異常目標檢測算法研究[D];哈爾濱工程大學;2012年

相關碩士學位論文 前10條

1 張守東;復雜場景下基于深度學習的顯著性目標檢測算法研究[D];南京師范大學;2018年

2 高麗清;高頻地波雷達船舶目標檢測算法研究[D];內蒙古大學;2018年

3 王棟;基于CNN的奶山羊監(jiān)控視頻中目標檢測算法研究[D];西北農林科技大學;2018年

4 王哲峰;移動端目標檢測系統(tǒng)的設計與實現(xiàn)[D];浙江大學;2018年

5 劉毅;復雜場景下的視覺顯著目標檢測方法研究[D];哈爾濱工業(yè)大學;2018年

6 王海龍;基于深度學習的快速目標檢測算法研究[D];哈爾濱工業(yè)大學;2018年

7 舒朗;基于強化學習的目標檢測算法研究[D];杭州電子科技大學;2018年

8 李夢瑩;復雜背景下的紅外小目標檢測算法研究[D];吉林大學;2018年

9 陳玉文;基于視覺顯著性機制的紅外小目標檢測算法研究[D];陜西師范大學;2017年

10 杜鳳麟;基于深度學習目標檢測算法的應用[D];安徽大學;2018年

本文編號：2839070