高光譜遙感是對(duì)地觀測(cè)領(lǐng)域短時(shí)間迅猛發(fā)展起來的新型綜合類學(xué)科,隨著我國綜合國力的增強(qiáng)和衛(wèi)星應(yīng)用的開展,高光譜遙感技術(shù)應(yīng)用有著良好機(jī)遇。非監(jiān)督異常目標(biāo)檢測(cè)作為高光譜遙感圖像的重要應(yīng)用之一,不需要先驗(yàn)光譜信息的特點(diǎn),用已獲得的高光譜遙感圖像數(shù)據(jù)統(tǒng)計(jì)分析,在全局或局部背景下尋找不符合背景光譜信息的異常目標(biāo),通過異常目標(biāo)和背景的光譜信息差異,在現(xiàn)代軍事目標(biāo)打擊、礦物勘探、農(nóng)業(yè)識(shí)別及環(huán)境監(jiān)測(cè)等領(lǐng)域有著廣泛的應(yīng)用。如何利用現(xiàn)有的高光譜遙感數(shù)據(jù),提出不符合背景估計(jì)的異常目標(biāo)的方法,成為高光譜圖像處理領(lǐng)域的研究熱點(diǎn)。本論文從異常檢測(cè)問題中缺少異常目標(biāo)先驗(yàn)知識(shí)的條件出發(fā),利用檢測(cè)二元分類器獲得背景和目標(biāo)兩種類別,從獲得的背景統(tǒng)計(jì)入手來提升異常目標(biāo)檢測(cè)方法性能。具體來說,在稀疏表示模型中,現(xiàn)有算法通常以原始的高光譜圖像數(shù)據(jù)作為背景訓(xùn)練樣本,這些背景樣本中混有少量目標(biāo)像元,致使學(xué)習(xí)后的字典用于稀疏表達(dá)后的異常檢測(cè)結(jié)果精度不高;在統(tǒng)計(jì)模型中,真實(shí)的高光譜數(shù)據(jù)不符合高斯分布,目標(biāo)和背景的分布具有極大的不確定性,對(duì)背景估計(jì)造成偏差和污染,致使基于背景統(tǒng)計(jì)后的異常檢測(cè)結(jié)果精度不高。本論文從稀疏表示模型和統(tǒng)計(jì)模型兩個(gè)方... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１高光譜圖像基本概念??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｃｏｎｃｅｐｔ?ｏｆ?ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??高光譜數(shù)據(jù)是由很多狹窄的波段構(gòu)成的三維矩陣數(shù)據(jù)，里面所包含的數(shù)據(jù)量巨大，??

概率，數(shù)值越大則待測(cè)像元的相關(guān)性越小，數(shù)值越小??則相關(guān)性越強(qiáng)，以統(tǒng)一的判決閾值進(jìn)行二元分類完成異常目標(biāo)檢測(cè)。??２．?２．?２局部ＲＸ?（ＬＲＸ）異常檢測(cè)算法??傳統(tǒng)ＲＸ算法通過對(duì)協(xié)方差求逆的方式來抑制異常信息對(duì)背景估計(jì)的誤差，然而在??實(shí)際高光譜圖像中地物并不會(huì)以高斯分布出現(xiàn)，而且這些異常目標(biāo)在局部環(huán)境中可能是??異常的，但卻隱藏在全局?jǐn)?shù)據(jù)中，這就導(dǎo)致了檢測(cè)結(jié)果會(huì)出現(xiàn)較大的誤差。為了解決這??—問題，研究者們提出了一種基于局部滑動(dòng)雙窗口的局部ＲＸ算法。??對(duì)于雙窗口模型的設(shè)計(jì)如圖２．２，采用同心雙窗遍歷高光譜圖像，黃色區(qū)域?yàn)橥獯??背景像元，中間紅色ｙ為待檢測(cè)的中心像元。白色區(qū)域?yàn)楸Ｗo(hù)區(qū)域，將中心像元與背景??像元隔離，窗口的大小設(shè)計(jì)要盡量滿足于高光譜圖像中目標(biāo)的大小，以避免對(duì)局部背景??估計(jì)的“污染”。在滑動(dòng)雙窗算法中，邊緣的處理會(huì)影響局部異常檢測(cè)結(jié)果。為保證對(duì)??每個(gè)像元的遍歷，需要對(duì)圖像進(jìn)行擴(kuò)充。主要以０值擴(kuò)充、鏡像擴(kuò)充和復(fù)制邊緣擴(kuò)充三??種方式，ＬＲＸ算法是基于統(tǒng)計(jì)計(jì)概率模型的算法，所以采取鏡像擴(kuò)充對(duì)背景特征估計(jì)影??響最小，帶來的誤差相對(duì)也最校??ｆ??：—■?Ｗａｆｆ???：Ｗｍ??圖２．２?ＬＲＸ異常檢測(cè)模型??Ｆｉｇ．?２．２?ＬＲＸ?ａｎｏｍａｌｙ?ｄｅｔｅｃｔｉｏｎ?ｍｏｄｅｌ??外部窗口限制了從鄰域估計(jì)背景的范圍，從而保證了足夠的信息來估計(jì)局部背景。??ＬＲＸ檢測(cè)模型如公式（２．３）：??９??

?大連海事大學(xué)碩士學(xué)位論文???Ｘ?ｄｌ?ｄ２?ｄｎ??■??■?■??■??＝ａ＼?ｘ?■?－ｆａ２?ｘ?ｍ＂＋ａｎ?ｘ??■??■??■??■??Ｉ??／＼）ｘ１?ｄｎ－１??■■團(tuán)??＝?■■?…?■?Ｘ??■?■?■??■■?■?Ｌ??＿＿＿＿＿＿?ｍｍｍ?■??ｍ??圖２．３稀疏表示模型??Ｆｉｇ．?２．３?Ｓｐａｒｓｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??稀疏表達(dá)的目的就是求得最小的稀疏向量５?，即稀疏表示模型公式（２．５＞??ｉ?ａ?＝?ａｒｇｍｉｎｌｌ?ａｌｌ０?ｓＪ．ｘ＝?Ｄａ?（２．５）??其中，ｌｌｌｌ。的數(shù)學(xué)定義是指向量的ＬＯ范數(shù)，表示向量中全部非零元素?cái)?shù)量的總和，??用于刻畫矩陣的稀疏性。根據(jù)最優(yōu)化理論，Ｌ０范數(shù)的求解是非凸的優(yōu)化問題。在實(shí)際??應(yīng)用中，信號(hào)ｘ不能完全用過完備字典Ｄ表示，因此，在字典集合過完備的情況下，求??出信號(hào)ｘ相對(duì)于Ｄ的稀疏分解系數(shù)矩陣是一個(gè)ＮＰ－ｈａｒｄ問題。為了描述這些誤差將稀疏??表示模型轉(zhuǎn)化為公式（２．６）：??ａｒｇｍｉｎｌｌ?ｃｒｌｌ，?ｓ．ｔ．?｜｜ｘ－Ｄｒｔ｜｜２?＜ｅ?（２．６）??？ｉ??其中ＬＩ范數(shù)代表系數(shù)絕對(duì)值之和。為了解決ＮＰ－ｈａｒｄ問題，一般使用ＬＩ正則化來??對(duì)模型進(jìn)行稀疏約束：Ｌ２范數(shù)的數(shù)學(xué)定義是計(jì)算系數(shù)向量中各原子平方和的開平方，??通常也被描述為向量之間的歐式距離，以此作為判斷誤差的依據(jù)。ｅ代表誤差容忍度。??２．３．２稀疏表示求解算法??由于近幾年稀疏表示理論在各行各業(yè)的應(yīng)用，眾多學(xué)者對(duì)稀疏求解算法展開多角度??研究，如ＢＰ（Ｂａｓｉｓ?Ｐｕｒｓｕｉｔ）基追蹤算法

【參考文獻(xiàn)】：
期刊論文
[1]基于矩陣低秩稀疏分解的圖像去噪算法[J]. 王雪,靳伍銀.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(10)
[2]高光譜異常目標(biāo)檢測(cè)算法研究進(jìn)展[J]. 張炎,華文深,嚴(yán)陽,崔子浩,索文凱.  激光雜志. 2019(07)
[3]基于低秩稀疏矩陣分解和稀疏字典表達(dá)的高光譜異常目標(biāo)檢測(cè)[J]. 張曉慧,郝潤芳,李廷魚.  激光與光電子學(xué)進(jìn)展. 2019(04)
[4]聯(lián)合稀疏特性和鄰域相似度量的高光譜圖像分類[J]. 劉嘉敏,張麗梅,石光耀,黃鴻.  光子學(xué)報(bào). 2018(06)
[5]改進(jìn)協(xié)同表示的高光譜圖像異常檢測(cè)算法[J]. 劉萬軍,武小杰,曲海成,王鳳.  計(jì)算機(jī)應(yīng)用研究. 2018(12)
[6]基于壓縮感知的高光譜遙感影像重構(gòu)方法研究[J]. 王晗,王阿川,蒼圣.  液晶與顯示. 2017(03)
[7]高光譜圖像處理與信息提取前沿[J]. 張兵.  遙感學(xué)報(bào). 2016(05)
[8]背景不確定性對(duì)高光譜異常目標(biāo)探測(cè)的影響[J]. 杜山山,李姝穎,曾朝陽.  解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(06)
[9]局部聯(lián)合稀疏指數(shù)表示的高光譜圖像異常檢測(cè)[J]. 張麗麗.  光電工程. 2015(12)
[10]字典學(xué)習(xí)稀疏表示的高光譜圖像異常檢測(cè)[J]. 唐意東,黃樹彩,凌強(qiáng),鐘宇.  強(qiáng)激光與粒子束. 2015(11)

博士論文
[1]稀疏與低秩先驗(yàn)下的高光譜分類與檢測(cè)方法[D]. 徐洋.南京理工大學(xué) 2016
[2]高光譜實(shí)時(shí)目標(biāo)檢測(cè)算法研究[D]. 王玉磊.哈爾濱工程大學(xué) 2015
[3]高光譜圖像異常檢測(cè)方法研究[D]. 李智勇.國防科學(xué)技術(shù)大學(xué) 2004

碩士論文
[1]基于稀疏表示的圖像檢測(cè)與目標(biāo)跟蹤技術(shù)的研究[D]. 宋偉.南京郵電大學(xué) 2019
[2]基于聚類的高光譜圖像壓縮技術(shù)研究[D]. 張燕琪.重慶郵電大學(xué) 2019
[3]基于協(xié)同表示與非監(jiān)督最鄰近規(guī)則子空間的高光譜影像異常探測(cè)[D]. 侯增福.中國礦業(yè)大學(xué) 2019
[4]高光譜圖像異常檢測(cè)研究[D]. 王佳.西安電子科技大學(xué) 2019
[5]基于窗口的異常探測(cè)算法改進(jìn)研究[D]. 陳力坤.成都理工大學(xué) 2019
[6]基于稀疏表示的高光譜圖像異常檢測(cè)算法及其優(yōu)化研究[D]. 孫邱鵬.哈爾濱工業(yè)大學(xué) 2018
[7]聯(lián)合空間與光譜信息的高光譜圖像異常目標(biāo)檢測(cè)方法研究[D]. 張香萍.湖南大學(xué) 2017
[8]基于核稀疏和空間約束的高光譜目標(biāo)檢測(cè)方法研究[D]. 金天明.哈爾濱工業(yè)大學(xué) 2016
[9]基于稀疏表示及字典學(xué)習(xí)的SAR目標(biāo)識(shí)別[D]. 齊會(huì)嬌.西安電子科技大學(xué) 2014



本文編號(hào)：3336722