高光譜圖像目標(biāo)檢測(cè)是圖像理解和解譯領(lǐng)域重要研究課題之一。根據(jù)是否可獲得地物目標(biāo)的光譜先驗(yàn)信息,目標(biāo)檢測(cè)分為有監(jiān)督和無(wú)監(jiān)督兩類。異常目標(biāo)檢測(cè)為無(wú)監(jiān)督的一類,不需要提供地物目標(biāo)光譜的先驗(yàn)信息,因?yàn)橐话闱闆r下,很難獲得地物目標(biāo)真實(shí)的光譜信息,所以異常目標(biāo)檢測(cè)更具實(shí)用性。高光譜圖像的光譜和空間分辨率都隨著遙感技術(shù)的發(fā)展不斷地提高,但這也給高光譜異常目標(biāo)檢測(cè)帶來(lái)了新的挑戰(zhàn)。主要面臨的問(wèn)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(fù)雜的非線性特性;(3)異常目標(biāo)通常為低概率小目標(biāo);(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(biāo)檢測(cè)算法精度很低,而高維度容易遭遇“維數(shù)災(zāi)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(biāo)檢測(cè)算法提高其檢測(cè)精度是本論文的研究重點(diǎn)。論文的主要研究?jī)?nèi)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(biāo)檢測(cè)算法不需要假設(shè)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(jié)合稀疏理論;然而,這些算法僅考慮高光譜異常目標(biāo)的光譜稀疏特性,實(shí)際上,異常目標(biāo)在空間域上同樣具有稀疏特性,忽略了其空間稀疏特性會(huì)導(dǎo)致檢測(cè)精度不夠高。針對(duì)此問(wèn)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(biāo)檢測(cè)算法,首先利用局部線性嵌入(LLE)的重構(gòu)權(quán)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(guò)LLE降維的數(shù)據(jù)進(jìn)行計(jì)算,最后采用空譜聯(lián)合稀疏差異指數(shù)求出異常目標(biāo),SDI-LLE獲得了比KCRD更好的檢測(cè)效果;之后,為了降低背景字典中可能包含的異常目標(biāo)信息對(duì)檢測(cè)結(jié)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(cè)算法,首先對(duì)原始高光譜數(shù)據(jù)采用光譜背景共同稀疏表示,對(duì)經(jīng)過(guò)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(biāo),該算法利用殘余能量比抑制了背景中的異常點(diǎn),提高了檢測(cè)精度,且避免了核學(xué)習(xí)方法中時(shí)間復(fù)雜度高的問(wèn)題;通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)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(biāo)檢測(cè)主要針對(duì)異常目標(biāo)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(cè)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(duì)高光譜圖像的光譜信息展開研究,而忽略了其空間信息,導(dǎo)致檢測(cè)精度不夠高。針對(duì)此問(wèn)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(biāo)檢測(cè)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(lái)進(jìn)行異常目標(biāo)檢測(cè);之后,進(jìn)一步利用深度學(xué)習(xí)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(biāo)檢測(cè)算法,采用棧式自編碼器對(duì)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(jìn)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(cè)結(jié)果;通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)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(cè)算法主要在光譜維對(duì)高光譜圖像進(jìn)行分解,沒有充分利用高光譜圖像的空間信息,導(dǎo)致檢測(cè)精度不夠高。針對(duì)這一問(wèn)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(biāo)檢測(cè)算法,利用Tucker分解把高光譜三階張量分解成一個(gè)核心張量和三個(gè)因子矩陣,其在張量三個(gè)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(biāo)檢測(cè)結(jié)果;之后,為了解決異常目標(biāo)不夠稀疏的情況下檢測(cè)精度不高的問(wèn)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(biāo)檢測(cè)算法,在張量分解的三個(gè)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(dòng)雙窗,進(jìn)行局部馬氏距離檢測(cè)獲得異常目標(biāo);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(jié)構(gòu),提出基于張量的自適應(yīng)子空間檢測(cè)(Tensor-based Adaptive Subspace Detection,TBASD)的異常目標(biāo)檢測(cè)算法,分別在內(nèi)窗和局部鄰域窗之間以及整幅高光譜圖像上選擇與測(cè)試張量塊相同尺寸的張量塊,采用基于張量的自適應(yīng)子空間檢測(cè)器求得檢測(cè)結(jié)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(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)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(biāo)檢測(cè)算法,且通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了所研究算法的有效性。
【學(xué)位單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類】：TP751
【部分圖文】：

標(biāo)檢測(cè)算法的基礎(chǔ)上，充分考慮其光譜和空間特性，并結(jié)合壓縮感知中的稀流形學(xué)習(xí)算法和張量分解等理論，對(duì)高光譜圖像進(jìn)行更為精確和有效的異常。本課題是在國(guó)家自然科學(xué)基金（61571145 和 61405041）等項(xiàng)目的資助下，通譜圖像異常目標(biāo)檢測(cè)算法研究的基礎(chǔ)上，以結(jié)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(cè)效果展開相關(guān)研究，進(jìn)而促圖像異常目標(biāo)檢測(cè)技術(shù)的發(fā)展和應(yīng)用。高光譜圖像成像機(jī)理遙感圖像形成的基礎(chǔ)之一是太陽(yáng)輻射的電磁波，太陽(yáng)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(yáng)輻射成像示意圖[11]。成通過(guò)探測(cè)或感測(cè)波長(zhǎng)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(jí)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(shù)的發(fā)展首先是成像光譜儀的發(fā)展，第一臺(tái)機(jī)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(gè)波段，光譜波段在 0.4～0.72 μm，其成功應(yīng)用于礦產(chǎn)勘查和精細(xì)農(nóng)業(yè)等領(lǐng)域，成為國(guó)際遙感史上的里程碑；1987 年，JPL 在 AIS-1 的基礎(chǔ)上研制出機(jī)載可見光/紅外成像光譜儀 (Airborne Visible/Infrared Imaging Spectrometer, AVIRIS)，其有 224 個(gè)波段，光譜波段在 0.4～2.5 μm 的太陽(yáng)全輻射波段

由于多種隨機(jī)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(lái)的負(fù)面影響是一個(gè)嚴(yán)峻的問(wèn)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(diǎn)。于高光譜數(shù)據(jù)存在上述問(wèn)題，使得高光譜圖像異常目標(biāo)檢測(cè)變得困難。上述算法的基礎(chǔ)上，主要從充分結(jié)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(diǎn)開發(fā)出有效的算法框架，并提高異常目標(biāo)檢測(cè)研究重點(diǎn)。究?jī)?nèi)容和章節(jié)安排光譜異常目標(biāo)檢測(cè)是高光譜圖像處理的重要研究方向。本論文針對(duì) 1.3節(jié)圖像異常目標(biāo)檢測(cè)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(jié)合稀疏表示、流形學(xué)習(xí)算法、深度學(xué)習(xí)和張量分解等理論，檢測(cè)算法的研究，本文各章之間的關(guān)系如圖 1.3 所示，內(nèi)容和章節(jié)安排如
【相似文獻(xiàn)】

相關(guān)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(biāo)檢測(cè)算法[J];機(jī)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(biāo)檢測(cè)算法分析[J];測(cè)繪科學(xué);2012年01期

3 張桂林，熊艷，曹偉，李強(qiáng);一種評(píng)價(jià)自動(dòng)目標(biāo)檢測(cè)算法性能的方法[J];華中理工大學(xué)學(xué)報(bào);1994年05期

4 許云;李彬;;基于背景遺傳模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];自動(dòng)化技術(shù)與應(yīng)用;2017年03期

5 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測(cè)算法[J];通信技術(shù);2015年07期

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

7 方路平;何杭江;周國(guó)民;;目標(biāo)檢測(cè)算法研究綜述[J];計(jì)算機(jī)工程與應(yīng)用;2018年13期

8 尚海林;;復(fù)雜場(chǎng)景下弱小目標(biāo)檢測(cè)算法的FPGA實(shí)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(luò)的目標(biāo)檢測(cè)算法[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2018年03期

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

相關(guān)博士學(xué)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(biāo)檢測(cè)算法研究[D];哈爾濱工程大學(xué);2018年

2 趙紅燕;被動(dòng)多基站雷達(dá)目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2017年

3 郭小路;多通道雷達(dá)干擾抑制與目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2017年

4 王志虎;基于顯著性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2015年

5 郭明瑋;基于視覺記憶的目標(biāo)檢測(cè)算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過(guò)程[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

6 王俊強(qiáng);圖像中人體目標(biāo)檢測(cè)算法研究[D];北京郵電大學(xué);2012年

7 李凡;復(fù)雜背景抑制及弱小目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2010年

8 種勁松;合成孔徑雷達(dá)圖像艦船目標(biāo)檢測(cè)算法與應(yīng)用研究[D];中國(guó)科學(xué)院研究生院（電子學(xué)研究所）;2002年

9 崔國(guó)龍;多天線配置雷達(dá)系統(tǒng)的目標(biāo)檢測(cè)算法研究[D];電子科技大學(xué);2012年

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

相關(guān)碩士學(xué)位論文 前10條

1 張守東;復(fù)雜場(chǎng)景下基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)算法研究[D];南京師范大學(xué);2018年

2 高麗清;高頻地波雷達(dá)船舶目標(biāo)檢測(cè)算法研究[D];內(nèi)蒙古大學(xué);2018年

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

4 王哲峰;移動(dòng)端目標(biāo)檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];浙江大學(xué);2018年

5 劉毅;復(fù)雜場(chǎng)景下的視覺顯著目標(biāo)檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2018年

6 王海龍;基于深度學(xué)習(xí)的快速目標(biāo)檢測(cè)算法研究[D];哈爾濱工業(yè)大學(xué);2018年

7 舒朗;基于強(qiáng)化學(xué)習(xí)的目標(biāo)檢測(cè)算法研究[D];杭州電子科技大學(xué);2018年

8 李夢(mèng)瑩;復(fù)雜背景下的紅外小目標(biāo)檢測(cè)算法研究[D];吉林大學(xué);2018年

9 陳玉文;基于視覺顯著性機(jī)制的紅外小目標(biāo)檢測(cè)算法研究[D];陜西師范大學(xué);2017年

10 杜鳳麟;基于深度學(xué)習(xí)目標(biāo)檢測(cè)算法的應(yīng)用[D];安徽大學(xué);2018年

本文編號(hào)：2839070