改进协同表示的高光谱图像异常检测研究
发布时间：2022-01-10 05:00
在高光谱图像异常检测中,协同表示检测（collaborative-representation-based detector,CRD）算法通过求解l2范数的最小化问题实现对异常目标的检测,由于不需要假设背景的分布而有着广泛的应用。但CRD算法在待检测像元是异常像元且其空间邻域内存在与待检测像元同类的异常像元时,存在异常目标处输出较小而难以被检测到的问题。针对这个问题,提出一种改进协同表示的高光谱图像异常检测算法。改进CRD算法通过空间邻域内像元的线性组合协同表示待检测像元,同时对像元权重加上“和为1”约束,从而增加解的稳定性。用空间邻域内像元与其均值的欧式距离作为衡量异常程度的标准,使用异常程度加权正则化矩阵来调整每个像元的权重,从而降低空间邻域内异常像元的影响,使得在出现上述情况时,异常像元处输出增大,异常目标更容易被检测到。实验使用三组高光谱图像数据对算法进行验证,通过受试者工作特征曲线及其下的面积和算法的检测时间来对算法进行定量评价。通过实验可知,在双窗口滑动的过程中,空间邻域中出现与待检测像元相同的异常目标时,本文算法可获得比原算法更高的检测精度;而在其他...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
异常检测结构
图 3.1 空间邻域内不同像元的光谱曲线Figure 3.1 Spectral curves of different pixels in spatial neighborhoods 可以看出，在待检测像元的空间邻域内存在异常像元时，空间元的光谱曲线很相似，而与其中异常像元的光谱曲线相似度较 的公式如下：11siis x空间邻域内第 i 个像元，s 为空间邻域内像元的个数，i 1, 2, 元与其均值的光谱相似度用它们之间的欧式距离来衡量，即像2i x D 算法采用局部背景模型，通过滑动双窗口获取的局部背景光不会太高，有时会有少量异常像元。因此用这种异常程度的判算空间邻域内像元的均值与每个像元的相似度，就能够很好地
对应的输出也就较大。经过以上分析可知，在协同表示中应当增加待检测像元空间邻域内背景像元的权重少异常像元的权重。因此，在协同表示的最优化问题中，需要在空间邻域内背景像元的权重前乘以一个较小的值，而在空间邻域内异常像元对应的权重前乘以一个较大，从而调整协同表示中像元的权重。改进 CRD 算法使用如下的优化对角矩阵调整空域内像元的权值：12200s xx （3若待检测像元的空间邻域内没有异常像元，则 中对角元素值都较小；反之，若测像元的空间邻域内存在少量异常像元，则 中异常像元对应的对角元素较大，而像元对应的对角元素较小。优化正则化矩阵的对角线元素如图 3.2 所示。其中图 3.2（空间邻域内不存在异常像元的对角线元素，图 3.2（b）为空间邻域内存在异常像元的线元素。
【参考文献】：
期刊论文
[1]迭代分析相对密度的高光谱异常检测[J]. 李普煌,李敏,范新南,张学武. 中国图象图形学报. 2018 (02)
[2]基于空-谱结合的稀疏高光谱异常目标检测[J]. 成宝芝. 光电子·激光. 2017(10)
[3]Cholesky分解的逐像元实时高光谱异常探测[J]. 彭波,张立福,张鹏,邓贤明,岑奕. 遥感学报. 2017(05)
[4]基于逐行处理的高光谱遥感异常快速检测方法[J]. 付立婷,邓河,刘春红. 光子学报. 2017(04)
[5]利用NSCT和空间聚类的高光谱图像全局异常检测[J]. 江帆,张晨洁. 国土资源遥感. 2017(02)
[6]子空间稀疏表示高光谱异常检测新算法[J]. 成宝芝,赵春晖,张丽丽. 哈尔滨工程大学学报. 2017(04)
[7]联合空间预处理与谱聚类的协同稀疏高光谱异常检测[J]. 成宝芝,赵春晖,张丽丽,张健沛. 光学学报. 2017(04)
[8]基于低秩表示和学习字典的高光谱图像异常探测[J]. 钮宇斌,王斌. 红外与毫米波学报. 2016(06)
[9]联合表示求解二元假设模型的高光谱目标检测[J]. 凌强,黄树彩,韦道知,吴潇. 电子学报. 2016(11)
[10]基于多孔径映射的高光谱异常检测算法[J]. 李敏,朱国康,张学武,范新南,李普煌. 测绘学报. 2016(10)
硕士论文
[1]基于稀疏表示的高光谱图像分类和异常检测研究[D]. 刘佳彬.北京化工大学 2016
[2]核RX算法异常检测及多分类器融合技术研究[D]. 吴香伟.杭州电子科技大学 2015
[3]高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D]. 王坤.南京理工大学 2015
[4]基于非线性空间的高光谱异常检测算法研究[D]. 牛肖雪.西安电子科技大学 2014
[5]高光谱遥感图像异常目标检测算法研究[D]. 肖雄斌.浙江大学 2012
本文编号：3580097
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
异常检测结构
图 3.1 空间邻域内不同像元的光谱曲线Figure 3.1 Spectral curves of different pixels in spatial neighborhoods 可以看出，在待检测像元的空间邻域内存在异常像元时，空间元的光谱曲线很相似，而与其中异常像元的光谱曲线相似度较 的公式如下：11siis x空间邻域内第 i 个像元，s 为空间邻域内像元的个数，i 1, 2, 元与其均值的光谱相似度用它们之间的欧式距离来衡量，即像2i x D 算法采用局部背景模型，通过滑动双窗口获取的局部背景光不会太高，有时会有少量异常像元。因此用这种异常程度的判算空间邻域内像元的均值与每个像元的相似度，就能够很好地
对应的输出也就较大。经过以上分析可知，在协同表示中应当增加待检测像元空间邻域内背景像元的权重少异常像元的权重。因此，在协同表示的最优化问题中，需要在空间邻域内背景像元的权重前乘以一个较小的值，而在空间邻域内异常像元对应的权重前乘以一个较大，从而调整协同表示中像元的权重。改进 CRD 算法使用如下的优化对角矩阵调整空域内像元的权值：12200s xx （3若待检测像元的空间邻域内没有异常像元，则 中对角元素值都较小；反之，若测像元的空间邻域内存在少量异常像元，则 中异常像元对应的对角元素较大，而像元对应的对角元素较小。优化正则化矩阵的对角线元素如图 3.2 所示。其中图 3.2（空间邻域内不存在异常像元的对角线元素，图 3.2（b）为空间邻域内存在异常像元的线元素。
【参考文献】：
期刊论文
[1]迭代分析相对密度的高光谱异常检测[J]. 李普煌,李敏,范新南,张学武. 中国图象图形学报. 2018 (02)
[2]基于空-谱结合的稀疏高光谱异常目标检测[J]. 成宝芝. 光电子·激光. 2017(10)
[3]Cholesky分解的逐像元实时高光谱异常探测[J]. 彭波,张立福,张鹏,邓贤明,岑奕. 遥感学报. 2017(05)
[4]基于逐行处理的高光谱遥感异常快速检测方法[J]. 付立婷,邓河,刘春红. 光子学报. 2017(04)
[5]利用NSCT和空间聚类的高光谱图像全局异常检测[J]. 江帆,张晨洁. 国土资源遥感. 2017(02)
[6]子空间稀疏表示高光谱异常检测新算法[J]. 成宝芝,赵春晖,张丽丽. 哈尔滨工程大学学报. 2017(04)
[7]联合空间预处理与谱聚类的协同稀疏高光谱异常检测[J]. 成宝芝,赵春晖,张丽丽,张健沛. 光学学报. 2017(04)
[8]基于低秩表示和学习字典的高光谱图像异常探测[J]. 钮宇斌,王斌. 红外与毫米波学报. 2016(06)
[9]联合表示求解二元假设模型的高光谱目标检测[J]. 凌强,黄树彩,韦道知,吴潇. 电子学报. 2016(11)
[10]基于多孔径映射的高光谱异常检测算法[J]. 李敏,朱国康,张学武,范新南,李普煌. 测绘学报. 2016(10)
硕士论文
[1]基于稀疏表示的高光谱图像分类和异常检测研究[D]. 刘佳彬.北京化工大学 2016
[2]核RX算法异常检测及多分类器融合技术研究[D]. 吴香伟.杭州电子科技大学 2015
[3]高光谱图像异常目标检测及光谱成像在伪装评估方面的应用研究[D]. 王坤.南京理工大学 2015
[4]基于非线性空间的高光谱异常检测算法研究[D]. 牛肖雪.西安电子科技大学 2014
[5]高光谱遥感图像异常目标检测算法研究[D]. 肖雄斌.浙江大学 2012
本文编号：3580097
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3580097.html
