高光譜圖像（HSI）包含空間維度和光譜維度的三維信息,具有光譜分辨率高和圖譜合一的特點(diǎn)。全面的光譜信息和三維的數(shù)據(jù)結(jié)構(gòu)有利于區(qū)分各種地物并且檢測異常目標(biāo)。高光譜遙感圖像異常目標(biāo)檢測算法的主要研究方向是在不知道目標(biāo)先驗(yàn)信息的情況下精準(zhǔn)地檢測出與背景特征各異的目標(biāo)像素。絕大多數(shù)的異常檢測算法通過建立背景模型,并利用異常與背景之間的差異來區(qū)分它們。如何構(gòu)建一個(gè)沒有異常目標(biāo)污染的背景模型是一個(gè)非常關(guān)鍵的問題,背景特征提取的準(zhǔn)確度決定了高光譜異常檢測算法的效果。基于信號(hào)稀疏表達(dá)的異常檢測方法的主要思想是通過描述背景子空間的字典來評(píng)估信號(hào)的恢復(fù)誤差,通過誤差來判別待測像素是背景還是目標(biāo)。但是,基于稀疏表達(dá)的算法并沒有對(duì)數(shù)據(jù)的統(tǒng)計(jì)分布進(jìn)行假設(shè),背景特征也是通過隨機(jī)方式獲得的,其中背景的純凈度決定了檢測結(jié)果的精度。低秩稀疏矩陣分解算法（LRaSMD）將矩陣分解為低秩矩陣、稀疏矩陣和噪聲矩陣。其中低秩矩陣對(duì)應(yīng)背景矩陣,稀疏矩陣可以用來檢測異常目標(biāo),通過LRaSMD算法我們可以得到比較干凈的背景。此外由于自編碼器在提取隱層特征上具有豐富性、判別性和準(zhǔn)確性等優(yōu)點(diǎn),我們也可以利用自編碼器獲取背景特征。因此本文... 

【文章來源】：太原理工大學(xué)山西省211工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
一 緒論
    1.1 研究背景與研究意義
    1.2 研究現(xiàn)狀
        1.2.1 高光譜異常目標(biāo)檢測研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 研究內(nèi)容及章節(jié)安排
二 稀疏表達(dá)
    2.1 稀疏表達(dá)相關(guān)知識(shí)
        2.1.1 稀疏表達(dá)數(shù)學(xué)模型
        2.1.2 稀疏分解算法
    2.2 字典學(xué)習(xí)
        2.2.1 字典模型
        2.2.2 無監(jiān)督字典學(xué)習(xí)方法
    2.3 本章小結(jié)
三 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
    3.1 低秩稀疏矩陣分解理論
        3.1.1 矩陣分解原理
        3.1.2 低秩稀疏矩陣分解算法
    3.2 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
    3.3 實(shí)驗(yàn)及分析
        3.3.1 數(shù)據(jù)描述
        3.3.2 模擬數(shù)據(jù)實(shí)驗(yàn)
        3.3.3 AVIRIS飛機(jī)真實(shí)數(shù)據(jù)實(shí)驗(yàn)
        3.3.4 HYDICE 城市真實(shí)數(shù)據(jù)實(shí)驗(yàn)
        3.3.5 顯著性分析
    3.4 本章小結(jié)
四 基于自編碼器和稀疏表達(dá)的高光譜異常目標(biāo)檢測算法
    4.1 神經(jīng)網(wǎng)絡(luò)概述
        4.1.1 神經(jīng)網(wǎng)絡(luò)模型
        4.1.2 感知器
    4.2 反向傳播神經(jīng)網(wǎng)絡(luò)
        4.2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
        4.2.2 BP神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)整過程
    4.3 .自編碼器提取特征原理
    4.4 基于自編碼器和稀疏表達(dá)的異常目標(biāo)檢測算法
    4.5 實(shí)驗(yàn)及分析
    4.6 本章小結(jié)
五 總結(jié)與展望
    5.1 本文工作回顧
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士期間發(fā)表的論文及獲得的成果


【參考文獻(xiàn)】：
期刊論文
[1]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[J]. 張曉慧,郝潤芳,李廷魚.  激光與光電子學(xué)進(jìn)展. 2019(04)
[2]A language-independent neural network for event detection[J]. Xiaocheng FENG,Bing QIN,Ting LIU.  Science China（Information Sciences）. 2018(09)
[3]A Blind Spectrum Sensing Based on Low-Rank and Sparse Matrix Decomposition[J]. Junsheng Mu,Xiaojun Jing,Hai Huang,Ning Gao.  中國通信. 2018(08)
[4]敏捷衛(wèi)星同軌多條帶成像拼接重疊像元數(shù)閾值分析[J]. 許越,馮華君,徐之海,李奇,陳躍庭.  光電工程. 2017(11)
[5]基于稀疏表示和支持向量機(jī)的人臉識(shí)別算法[J]. 徐靜妹,李雷.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(02)
[6]吉林一號(hào)輕型高分辨率遙感衛(wèi)星光學(xué)成像技術(shù)[J]. 徐偉,金光,王家騏.  光學(xué)精密工程. 2017(08)
[7]基于堆棧式稀疏自編碼器的高光譜影像分類[J]. 戴曉愛,郭守恒,任淯,楊曉霞,劉漢湖.  電子科技大學(xué)學(xué)報(bào). 2016(03)
[8]一種新的空譜聯(lián)合探測高光譜影像目標(biāo)探測算法[J]. 王彩玲,王洪偉,胡炳樑,溫佳,徐君,李湘眷.  光譜學(xué)與光譜分析. 2016(04)
[9]基于自適應(yīng)參數(shù)支持向量機(jī)的高光譜遙感圖像小目標(biāo)檢測[J]. 吳一全,周楊,龍?jiān)屏?  光學(xué)學(xué)報(bào). 2015(09)
[10]高光譜遙感反演土壤重金屬含量研究進(jìn)展[J]. 賀軍亮,張淑媛,查勇,蔣建軍.  遙感技術(shù)與應(yīng)用. 2015(03)

博士論文
[1]基于稀疏表示和深度學(xué)習(xí)的圖像識(shí)別算法及應(yīng)用研究[D]. 王斌.中國科學(xué)技術(shù)大學(xué) 2018
[2]信號(hào)的稀疏表達(dá)在滾動(dòng)軸承故障特征提取及智能診斷中的應(yīng)用研究[D]. 甘萌.中國科學(xué)技術(shù)大學(xué) 2017

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3645285