面向目标检测基于稀疏表示的波段选择方法

发布时间：2018-03-09 06:17

  本文选题：波段选择　切入点：高光谱图像　出处：《电子学报》2017年10期 　论文类型：期刊论文

【摘要】：随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化(CEM)检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性.
[Abstract]:With the development of hyperspectral imaging technology, the increasing spectral resolution improves the ability of target detection and recognition at the same time, Its high data dimension and large amount of data also bring great challenges to data analysis and processing. However, there are few methods specifically designed for target detection. In view of the above problems, based on the analysis of the characteristics of constrained energy minimization (CEM) detection algorithm, a target oriented detection method is proposed. The method of band selection based on sparse representation is used to divide the original hyperspectral data into several band subspaces based on the symmetrical KL divergence distribution of the data. Then the detection results are sparse and reconstructed in each subspace. Using the one-to-one correspondence between the selection band and the sparse vector non-zero term, the band selection is realized by solving the optimization problem. The experimental results show that the proposed method is effective.
【作者单位】： 空军工程大学防空反导学院;
【基金】：国家自然科学基金(No.61273275)
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 苏红军;杜培军;盛业华;;高光谱影像波段选择算法研究[J];计算机应用研究;2008年04期

2 仇建斌;李士进;朱跃龙;万定生;;基于曲线形状特征的快速高光谱图像波段选择[J];小型微型计算机系统;2014年08期

3 张婧;孙俊喜;阮光诗;刘红喜;;分段2维主成分分析的超光谱图像波段选择[J];中国图象图形学报;2014年02期

4 张新鹏;王朔中;;基于稀疏表示的密写编码[J];电子学报;2007年10期

5 李映;张艳宁;许星;;基于信号稀疏表示的形态成分分析:进展和展望[J];电子学报;2009年01期

6 赵瑞珍;王飞;罗阿理;张彦霞;;基于稀疏表示的谱线自动提取方法[J];光谱学与光谱分析;2009年07期

7 杨蜀秦;宁纪锋;何东健;;基于稀疏表示的大米品种识别[J];农业工程学报;2011年03期

8 史加荣;杨威;魏宗田;;基于非负稀疏表示的人脸识别[J];计算机工程与设计;2012年05期

9 高志荣;熊承义;笪邦友;;改进的基于残差加权的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2012年03期

10 朱杰;杨万扣;唐振民;;基于字典学习的核稀疏表示人脸识别方法[J];模式识别与人工智能;2012年05期

相关会议论文 前1条

1 樊亚翔;孙浩;周石琳;邹焕新;;基于元样本稀疏表示的多视角目标识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

相关博士学位论文 前10条

1 李进明;基于稀疏表示的图像超分辨率重建方法研究[D];重庆大学;2015年

2 姚明海;视频异常事件检测与认证方法研究[D];东北师范大学;2015年

3 王瑾;基于稀疏表示的数据收集、复原与压缩研究[D];北京工业大学;2015年

4 薛明;基于稀疏表示的在线目标跟踪研究[D];上海交通大学;2014年

5 程广涛;基于压缩感知的人脸识别方法研究[D];天津大学;2015年

6 黄丹丹;基于稀疏表示的视觉目标跟踪方法研究[D];大连理工大学;2016年

7 赵淑欢;欠完备采样环境下面向数据的稀疏表示人脸识别研究[D];燕山大学;2016年

8 刘海仓;基于稀疏表示的图像超分辨率与目标跟踪方法研究[D];湖南大学;2015年

9 项凤涛;基于稀疏表示与优化的图像信息处理方法及应用[D];国防科学技术大学;2014年

10 刘兆栋;基于稀疏表示理论的图像去噪与融合算法研究[D];重庆大学;2016年

相关硕士学位论文 前10条

1 郑俊鹏;高光谱图像波段选择及CUDA并行实现研究[D];杭州电子科技大学;2015年

2 王道文;基于稀疏表示的目标跟踪算法研究[D];华南理工大学;2015年

3 孙雪青;Shearlet变换和稀疏表示相结合的甲状腺结节图像融合[D];河北大学;2015年

4 吴丽璇;基于稀疏表示的微聚焦X射线图像去噪方法[D];华南理工大学;2015年

5 赵孝磊;基于图像分块稀疏表示的人脸识别算法研究[D];南京信息工程大学;2015年

6 黄志明;基于辨别式稀疏字典学习的视觉追踪算法研究[D];华南理工大学;2015年

7 张铃华;非约束环境下的稀疏表示人脸识别算法研究[D];南京信息工程大学;2015年

8 应艳丽;基于低秩稀疏表示的目标跟踪算法研究[D];西南交通大学;2015年

9 梁晓捷;基于网络摄像头与稀疏表示分类法的实时人脸识别系统应用研究[D];五邑大学;2015年

10 陈蒙;基于稀疏表示特征的人脸识别方法研究[D];深圳大学;2015年

，

本文编号：1587341