基于视觉显著性的高光谱图像异常点检测技术研究

发布时间：2020-05-13 09:09

【摘要】：随着成像光谱仪及其数据处理技术的进步,利用成像光谱仪获取的高光谱数据进行目标检测的相关技术也得到了很大的发展。异常点检测是其中的一个研究热点,它是一种不需要先验信息的目标检测方法,是非监督的,因此具有很强的实用性。本文针对传统异常点检测算法的不足之处,结合计算机视觉领域视觉显著性的方法,对传统的异常点检测算法做了改进,并利用合成和真实的高光谱数据进行仿真实验。论文的主要内容包括:1、介绍了高光谱图像异常点检测的基本概念,分析了高光谱图像异常点检测和视觉显著性的发展现状。2、概要说明了高光谱图像的数据格式和常见的数据描述模型,详细阐述了高光谱图像异常点检测的概念和经典的异常点检测算法,同时给出了异常点检测的评价标准。3、针对传统异常点算法的不足,提出了一种基于上下文感知显著性的高光谱图像异常点检测算法,通过引入上下文感知显著性模型,对图像背景建模方式进行改进,建立基于上下文感知显著性的权重图,重新定义传统算法中描述背景的均值向量和协方差矩阵,达到优化背景估计的目的。实验结果证明相比于传统算法,检测效果得到了大幅提高,但计算速度较慢。4、针对算法计算速度较慢的问题,提出了一种基于谱残差显著性的高光谱图像异常点检测算法。该算法通过引入谱残差显著性模型,用傅里叶变换的方法在频域进行分析来得基于谱残差显著性的权重图。实验结果证明该算法在有着不错检测效果,同时具备很快的计算速度。本论文通过分析传统高光谱图像异常点检测算法的不足,提出了两种基于视觉显著性的异常点检测算法。针对实际应用对检测效果和计算速度的需求,两种算法有着各自的优势。
【图文】：

光谱遥感概述谱遥感作为一种多维信息获取技术，它将传统的光学成像技术。高光谱传感器获得的高光谱图像可以同时在空间域和光谱域在超出视觉检测范围的层面对物质进行分析。例如传统遥感系车和伪装网，在光谱域却大为不同，这是由于不同的材料有着性。由于这些特性，高光谱遥感在军用领域也有着广泛的应用光谱传感器可以采用机载或星载的方式来进行对地观测，，这使法解决的问题变得可行。例如在一片田野中检测伪装装甲车，农作物的影响，对遭受飓风、海啸和地震等自然灾害破坏的地的数字图像只包含红、绿、蓝三通道的光谱信息，高光谱图像在电磁波谱上数以百计的光谱通道，且各光谱通道之间近乎是 所示。

图1.2太阳辐射从太阳传播到传感器的示意图Figure 1.2 Illustration of the pathway that solar radiation follows from the sensor大气的影响在所有波长上都一致，并且太阳的光谱是平滑的，而言，传感器所观察到的光谱曲线和材料本身的光谱曲线具有大气成分（包括氧气、水蒸气等）会使辐射在不同波长选择性的测到的辐射光谱是太阳光谱经大气辐射后，再由物体反射的。地表物体经过大气辐射之后的光谱，必须首先考虑照明效应、以及传感器的响应。通过大气辐射矫正模型例如 FLAASH（FightAtmosphericAnalysis of Hypercubes）[11]和 ELM（Empirica[12]等，物质的反射率可以从传感器接收的辐射值来估算。这图像中，每一个像素点的光谱信息都代表地面上对应点的物质估计后的反射光谱。应该依据应用需求来选择使用辐射值或反
【学位授予单位】：中国科学院大学(中国科学院西安光学精密机械研究所)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【相似文献】

相关期刊论文 前10条

1 徐雪珂;林童;王健;;异常点检测算法在教育领域的应用研究[J];电脑与电信;2018年07期

2 武丽芬;罗永莲;王秀华;;高维大数据流连续异常点检测方法仿真[J];计算机仿真;2018年10期

3 王洪春;彭宏;;一种基于主成分分析的异常点挖掘方法[J];计算机科学;2007年10期

4 曹晨曦;田友琳;张昱X;刘晓峰;;基于统计方法的异常点检测在时间序列数据上的应用[J];合肥工业大学学报(自然科学版);2018年09期

5 聂斌;王曦;胡雪;;非正态变异下的非线性轮廓异常点识别方法研究[J];运筹与管理;2019年01期

6 刘玉龙;黄燕高;;地球化学普查样品实验室分析异常点抽检改进方法[J];岩矿测试;2018年02期

7 刘运华;;建筑物检测数据的统计处理与分析[J];中外建筑;2005年06期

8 刘嘉诚;王爽;刘伟华;胡炳j;;显著性权重RX高光谱异常点检测[J];遥感学报;2019年03期

9 胥雪炎,乔军丽;异常点对相关性分析的影响[J];华北工学院学报;2003年05期

10 韩昭蓉;许光銮;黄廷磊;任文娟;;基于自适应阈值的船舶轨迹异常点检测算法[J];计算机与现代化;2018年09期

相关会议论文 前5条

1 田慧欣;韩梅;;基于异常点检测的复杂工业过程建模与仿真[A];2015中国(天津)机电装备创新设计与产业发展高峰论坛论文集[C];2015年

2 齐敏芳;付忠广;张译中;;火电机组异常数据检测方法研究[A];能源高效清洁利用及新能源技术——2012动力工程青年学术论坛论文集[C];2013年

3 石磊;;恩洪煤矿煤层气数据的地质统计学分析及空间数据的异常点识别方法[A];第七届全国数学地质与地学信息学术会议论文摘要汇编[C];2004年

4 杨丽丰;陈雄波;;渭河下游场次洪水冲淤量确定方法探讨[A];第十三届中国海洋（岸）工程学术讨论会论文集[C];2007年

5 张维;刘博;张小涛;;日内金融高频数据的异常点检测[A];全国自动化新技术学术交流会会议论文集（一）[C];2005年

相关博士学位论文 前2条

1 曹科研;不确定数据的聚类分析与异常点检测算法[D];东北大学;2014年

2 樊爱霞;带有缺失数据的部分线性模型的统计诊断[D];云南大学;2017年

相关硕士学位论文 前10条

1 刘嘉诚;基于视觉显著性的高光谱图像异常点检测技术研究[D];中国科学院大学(中国科学院西安光学精密机械研究所);2018年

2 罗霄;基于社交关系与地理位置的异常点检测[D];吉林大学;2018年

3 王曦;非线性轮廓异常点识别方法研究[D];天津大学;2018年

4 董聪聪;时间序列模型的异常点检测及在统计监测中的应用[D];东南大学;2018年

5 马晓璐;基于优化的SVR方法对时间序列中异常点的检测[D];兰州大学;2018年

6 张聪;上证指数的时间序列模型及异常点检测[D];东南大学;2017年

7 杨叶;基于小波的交叉上市券商AH溢价异常点检测[D];东南大学;2017年

8 庄雪鹏;基于小波的时间序列中异常点的检测[D];南京大学;2013年

9 张晓进;协整变结构问题研究[D];华中科技大学;2006年

10 赵伯夷;基于神经网络的异常点挖掘[D];河北大学;2011年

本文编号：2661714