高光谱异常检测算法研究

发布时间：2017-06-07 11:11

  本文关键词：高光谱异常检测算法研究，，由笔耕文化传播整理发布。

【摘要】：高光谱成像仪可以在数百个狭窄波段内对物体进行成像,其波段范围从可见光一直覆盖到红外波段。数百个波段内的电磁能量在经过光电转换后就得到光谱信息,“图谱合一”的特点使其能获得更多的信息,目前高光谱数据处理已成为了国内外的一个重要研究领域。其中,高光谱异常检测不需要目标的先验光谱信息,就可以有效地寻找到图像中与背景像元光谱有所区别的异常像元,这让它在精细化农业、环境工程、资源勘探和国防等诸多领域都具有较广的应用前景,因而开展高光谱异常检测研究具有重大的理论意义和应用价值。本文首先对高光谱异常检测中的经典算法进行了研究分析,包括PCA和KPCA两种特征提取算法,以及基于多元信号检测理论的RX、KRX和LAKDE异常检测算法。通过仿真实验分析了这些算法的性能以及特征提取的必要性。然后,针对高光谱图像中异常像元与周围背景像元相关性较弱的特点,研究提出了一种核典型相关分析和奇异值分解相结合的异常检测算法。典型相关分析可以有效地反映出数据间的内在关联程度,通过数据间内在关联性可以有效地衡量待检测像素点与其周围背景间的异常程度。而核典型相关分析是典型相关分析的核化版本。本算法中采用核典型相关分析来处理高光谱图像数据,可以充分利用高光谱数据所具有的非线性特征;而后对核典型相关分析得到的结果图像再采用奇异值分解与重构来进行处理,从而有效地完成背景抑制和异常点检测的工作。仿真实验结果验证了该算法对异常检测的有效性。最后,针对高光谱图像所具有的非线性特征,研究提出了一种基于异常分量提取的异常检测算法。该算法首先采用核主成分分析法来实现高维高光谱数据的非线性降维,而后采用独立分量分析法来寻找隐含于核主成分中的独立分量。在独立分量的求解过程中,根据渐进正交化和对称正交化两种不同的正交化方法,分别提出基于特征选择的并行异常分量提取算法和基于正交子空间投影的串行提取算法,最后在此基础上将得到的异常分量使用KRX算子进行处理,以实现异常检测。采用真实高光谱图像进行仿真实验,并采用ROC曲线对其性能进行评估,实验结果表明了该算法具有较好的检测性能。
【关键词】：高光谱图像 异常检测 多元统计分析 核函数
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 符号对照表11-13
• 缩略语对照表13-16
• 第一章 绪论16-22
• 1.1 研究背景和意义16-17
• 1.2 国内外研究现状17-20
• 1.3 本文主要研究内容20-22
• 第二章 高光谱图像特征提取22-32
• 2.1 特征提取的必要性22-23
• 2.2 线性特征提取23-26
• 2.2.1 线性混合光谱模型23-24
• 2.2.2 主成分分析法24-26
• 2.3 非线性特征提取26-30
• 2.3.1 核函数理论26-27
• 2.3.2 核主成分分析法27-30
• 2.4 本章小结30-32
• 第三章 高光谱异常检测基本原理32-46
• 3.1 基于广义似然比检验的RX算法32-34
• 3.1.1 NP准则与似然比检验32-33
• 3.1.2 RX算法33-34
• 3.2 基于核函数理论的KRX算法34-37
• 3.3 基于背景模型估计的LAKDE算法37-41
• 3.3.1 基于背景模型估计的广义似然比检验37-38
• 3.3.2 核密度估计38-39
• 3.3.3 基于核密度估计的异常检测39-41
• 3.4 实验仿真与分析41-44
• 3.5 本章小结44-46
• 第四章 基于相关性度量的异常检测算法46-60
• 4.1 CCA与KCCA46-52
• 4.1.1 典型相关分析46-48
• 4.1.2 核典型相关分析48-50
• 4.1.3 针对高光谱图像的处理方法50-52
• 4.2 奇异值分解与目标提取52-54
• 4.2.1 奇异值分解与重构52
• 4.2.2 目标信息的提取52-54
• 4.3 实验仿真与分析54-59
• 4.3.1 算法流程54-55
• 4.3.2 仿真与结果分析55-59
• 4.4 本章小结59-60
• 第五章 基于异常分量提取的异常检测算法60-80
• 5.1 非线性独立分量分析60-66
• 5.1.1 ICA基本模型60
• 5.1.2 数据的预处理60-61
• 5.1.3 基于非高斯性的特征提取61-66
• 5.2 基于异常分量提取的高光谱异常检测66-72
• 5.2.1 基于特征选择的并行算法66-70
• 5.2.2 基于OSP的串行算法70-72
• 5.3 实验仿真与分析72-78
• 5.3.1 ROC曲线72-73
• 5.3.2 仿真与结果分析73-78
• 5.4 本章小结78-80
• 第六章 总结与展望80-82
• 6.1 总结80-81
• 6.2 展望81-82
• 参考文献82-88
• 致谢88-90
• 作者简介90-92

【相似文献】

中国期刊全文数据库 前10条

1 谌德荣;宫久路;陈乾;曹旭平;;基于样本分割的快速高光谱图像异常检测支持向量数据描述方法[J];兵工学报;2008年09期

2 蒲晓丰;雷武虎;张林虎;蒋奇材;;基于Fukunaga-Koontz变换的高光谱图像异常检测[J];红外技术;2010年04期

3 成宝芝;郭宗光;;高光谱图像波段间相关特性研究[J];大庆师范学院学报;2013年06期

4 杨龙;易宏杰;李因彦;;遥感高光谱图像赤潮识别[J];传感器世界;2007年05期

5 汪倩;陶鹏;;结合空间信息的高光谱图像快速分类方法[J];微计算机信息;2010年21期

6 王立国;孙杰;肖倩;;结合空-谱信息的高光谱图像分类方法[J];黑龙江大学自然科学学报;2010年06期

7 冯朝丽;朱启兵;朱晓;黄敏;;基于光谱特征的玉米品种高光谱图像识别[J];江南大学学报(自然科学版);2012年02期

8 付欢;龙海南;韩晓霞;;基于冗余字典的高光谱图像的稀疏分解[J];河北软件职业技术学院学报;2013年04期

9 耿修瑞,张霞,陈正超,张兵,郑兰芬,童庆禧;一种基于空间连续性的高光谱图像分类方法[J];红外与毫米波学报;2004年04期

10 张绮玮;机载高光谱遥感图像处理软件系统[J];红外;2005年02期

中国重要会议论文全文数据库 前10条

1 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年

2 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

3 王成;何伟基;陈钱;;基于波段重组和小波变换的高光谱图像嵌入式压缩方法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

4 孙蕾;罗建书;;基于分类预测的高光谱遥感图像无损压缩[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集（下册）[C];2008年

6 张晓红;张立福;王晋年;童庆禧;;HJ-1A卫星高光谱遥感图像质量综合评价[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

7 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

8 冯维一;陈钱;何伟基;;基于小波稀疏的高光谱目标探测算法[A];黑龙江、江苏、山东、河南、江西 五省光学（激光）联合学术‘13年会论文（摘要）集[C];2013年

9 彭妮娜;易维宁;方勇华;;基于核函数的高光谱图像信息提取研究[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

10 蒲晓丰;雷武虎;黄涛;王迪;;基于稳健背景子空间的高光谱图像异常检测[A];中国光学学会2010年光学大会论文集[C];2010年

中国博士学位论文全文数据库 前10条

1 普晗晔;高光谱遥感图像的解混理论和方法研究[D];复旦大学;2014年

2 王亮亮;非线性流形结构在高光谱图像异常检测中的应用研究[D];国防科学技术大学;2014年

3 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

4 魏然;基于成像机理分析的高光谱图像信息恢复研究[D];哈尔滨工业大学;2015年

5 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

6 冯婕;基于软计算和互信息理论的遥感图像地物分类[D];西安电子科技大学;2014年

7 孙涛;快速多核学习分类研究及应用[D];西安电子科技大学;2015年

8 李昌国;基于谱间和校正相关性的高光谱图像压缩方法研究及GPU并行实现[D];成都理工大学;2015年

9 徐速;基于压缩感知的高光谱图像稀疏解混方法研究[D];重庆大学;2015年

10 南一冰;星载推扫型高光谱运动成像误差建模与高精度校正技术研究[D];北京理工大学;2015年

中国硕士学位论文全文数据库 前10条

1 赵伟彦;果蔬干燥过程中的品质无损检测技术研究[D];江南大学;2015年

2 马亚楠;果蔬中内部害虫的高光谱图像检测技术研究[D];江南大学;2015年

3 刘大洋;基于近红外光谱和高光谱图像技术无损识别猕猴桃膨大果[D];西北农林科技大学;2015年

4 王坤;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];南京理工大学;2015年

5 王U喺

本文编号：428852