基于改进稀疏表达的高光谱异常目标检测
发布时间：2022-02-27 10:23
高光谱图像（HSI）包含空间维度和光谱维度的三维信息,具有光谱分辨率高和图谱合一的特点。全面的光谱信息和三维的数据结构有利于区分各种地物并且检测异常目标。高光谱遥感图像异常目标检测算法的主要研究方向是在不知道目标先验信息的情况下精准地检测出与背景特征各异的目标像素。绝大多数的异常检测算法通过建立背景模型,并利用异常与背景之间的差异来区分它们。如何构建一个没有异常目标污染的背景模型是一个非常关键的问题,背景特征提取的准确度决定了高光谱异常检测算法的效果。基于信号稀疏表达的异常检测方法的主要思想是通过描述背景子空间的字典来评估信号的恢复误差,通过误差来判别待测像素是背景还是目标。但是,基于稀疏表达的算法并没有对数据的统计分布进行假设,背景特征也是通过随机方式获得的,其中背景的纯净度决定了检测结果的精度。低秩稀疏矩阵分解算法（LRaSMD）将矩阵分解为低秩矩阵、稀疏矩阵和噪声矩阵。其中低秩矩阵对应背景矩阵,稀疏矩阵可以用来检测异常目标,通过LRaSMD算法我们可以得到比较干净的背景。此外由于自编码器在提取隐层特征上具有丰富性、判别性和准确性等优点,我们也可以利用自编码器获取背景特征。因此本文...
【文章来源】：太原理工大学山西省211工程院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
一 绪论
1.1 研究背景与研究意义
1.2 研究现状
1.2.1 高光谱异常目标检测研究现状
1.2.2 深度学习研究现状
1.3 研究内容及章节安排
二 稀疏表达
2.1 稀疏表达相关知识
2.1.1 稀疏表达数学模型
2.1.2 稀疏分解算法
2.2 字典学习
2.2.1 字典模型
2.2.2 无监督字典学习方法
2.3 本章小结
三 基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测
3.1 低秩稀疏矩阵分解理论
3.1.1 矩阵分解原理
3.1.2 低秩稀疏矩阵分解算法
3.2 基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测
3.3 实验及分析
3.3.1 数据描述
3.3.2 模拟数据实验
3.3.3 AVIRIS飞机真实数据实验
3.3.4 HYDICE 城市真实数据实验
3.3.5 显著性分析
3.4 本章小结
四 基于自编码器和稀疏表达的高光谱异常目标检测算法
4.1 神经网络概述
4.1.1 神经网络模型
4.1.2 感知器
4.2 反向传播神经网络
4.2.1 BP神经网络结构模型
4.2.2 BP神经网络权重调整过程
4.3 .自编码器提取特征原理
4.4 基于自编码器和稀疏表达的异常目标检测算法
4.5 实验及分析
4.6 本章小结
五 总结与展望
5.1 本文工作回顾
5.2 展望
参考文献
致谢
攻读硕士期间发表的论文及获得的成果
【参考文献】：
期刊论文
[1]基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测[J]. 张晓慧,郝润芳,李廷鱼. 激光与光电子学进展. 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. 中国通信. 2018(08)
[4]敏捷卫星同轨多条带成像拼接重叠像元数阈值分析[J]. 许越,冯华君,徐之海,李奇,陈跃庭. 光电工程. 2017(11)
[5]基于稀疏表示和支持向量机的人脸识别算法[J]. 徐静妹,李雷. 计算机技术与发展. 2018(02)
[6]吉林一号轻型高分辨率遥感卫星光学成像技术[J]. 徐伟,金光,王家骐. 光学精密工程. 2017(08)
[7]基于堆栈式稀疏自编码器的高光谱影像分类[J]. 戴晓爱,郭守恒,任淯,杨晓霞,刘汉湖. 电子科技大学学报. 2016(03)
[8]一种新的空谱联合探测高光谱影像目标探测算法[J]. 王彩玲,王洪伟,胡炳樑,温佳,徐君,李湘眷. 光谱学与光谱分析. 2016(04)
[9]基于自适应参数支持向量机的高光谱遥感图像小目标检测[J]. 吴一全,周杨,龙云淋. 光学学报. 2015(09)
[10]高光谱遥感反演土壤重金属含量研究进展[J]. 贺军亮,张淑媛,查勇,蒋建军. 遥感技术与应用. 2015(03)
博士论文
[1]基于稀疏表示和深度学习的图像识别算法及应用研究[D]. 王斌.中国科学技术大学 2018
[2]信号的稀疏表达在滚动轴承故障特征提取及智能诊断中的应用研究[D]. 甘萌.中国科学技术大学 2017
硕士论文
[1]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3645285
【文章来源】：太原理工大学山西省211工程院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
一 绪论
1.1 研究背景与研究意义
1.2 研究现状
1.2.1 高光谱异常目标检测研究现状
1.2.2 深度学习研究现状
1.3 研究内容及章节安排
二 稀疏表达
2.1 稀疏表达相关知识
2.1.1 稀疏表达数学模型
2.1.2 稀疏分解算法
2.2 字典学习
2.2.1 字典模型
2.2.2 无监督字典学习方法
2.3 本章小结
三 基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测
3.1 低秩稀疏矩阵分解理论
3.1.1 矩阵分解原理
3.1.2 低秩稀疏矩阵分解算法
3.2 基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测
3.3 实验及分析
3.3.1 数据描述
3.3.2 模拟数据实验
3.3.3 AVIRIS飞机真实数据实验
3.3.4 HYDICE 城市真实数据实验
3.3.5 显著性分析
3.4 本章小结
四 基于自编码器和稀疏表达的高光谱异常目标检测算法
4.1 神经网络概述
4.1.1 神经网络模型
4.1.2 感知器
4.2 反向传播神经网络
4.2.1 BP神经网络结构模型
4.2.2 BP神经网络权重调整过程
4.3 .自编码器提取特征原理
4.4 基于自编码器和稀疏表达的异常目标检测算法
4.5 实验及分析
4.6 本章小结
五 总结与展望
5.1 本文工作回顾
5.2 展望
参考文献
致谢
攻读硕士期间发表的论文及获得的成果
【参考文献】：
期刊论文
[1]基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测[J]. 张晓慧,郝润芳,李廷鱼. 激光与光电子学进展. 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. 中国通信. 2018(08)
[4]敏捷卫星同轨多条带成像拼接重叠像元数阈值分析[J]. 许越,冯华君,徐之海,李奇,陈跃庭. 光电工程. 2017(11)
[5]基于稀疏表示和支持向量机的人脸识别算法[J]. 徐静妹,李雷. 计算机技术与发展. 2018(02)
[6]吉林一号轻型高分辨率遥感卫星光学成像技术[J]. 徐伟,金光,王家骐. 光学精密工程. 2017(08)
[7]基于堆栈式稀疏自编码器的高光谱影像分类[J]. 戴晓爱,郭守恒,任淯,杨晓霞,刘汉湖. 电子科技大学学报. 2016(03)
[8]一种新的空谱联合探测高光谱影像目标探测算法[J]. 王彩玲,王洪伟,胡炳樑,温佳,徐君,李湘眷. 光谱学与光谱分析. 2016(04)
[9]基于自适应参数支持向量机的高光谱遥感图像小目标检测[J]. 吴一全,周杨,龙云淋. 光学学报. 2015(09)
[10]高光谱遥感反演土壤重金属含量研究进展[J]. 贺军亮,张淑媛,查勇,蒋建军. 遥感技术与应用. 2015(03)
博士论文
[1]基于稀疏表示和深度学习的图像识别算法及应用研究[D]. 王斌.中国科学技术大学 2018
[2]信号的稀疏表达在滚动轴承故障特征提取及智能诊断中的应用研究[D]. 甘萌.中国科学技术大学 2017
硕士论文
[1]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3645285
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3645285.html
