函数型数据分析方法及其在高光谱图像目标探测中的应用

发布时间：2020-07-12 10:02

【摘要】：函数型数据分析方法是统计学中的新兴分支,其研究对象为连续的数据,具有重要的理论价值和应用前景。而高光谱图像数据在提供丰富光谱信息的同时,所具有的高维性、强相关性和高冗余性等特征,给传统的高光谱图像目标探测带来了挑战。本文在对函数型数据分析方法研究的基础上,结合高光谱图像特性,将高光谱图像离散数据表示为函数型数据,并利用函数型数据分析方法进行特征提取,建立新的基于函数型数据分析的高光谱图像目标探测算法。首先,选用三次B-样条作为基函数,利用粗糙惩罚方法进行平滑并求解基函数展开式的系数,建立基于粗糙惩罚三次B-样条平滑的高光谱图像函数型数据表示模型。该模型充分利用了高光谱图像丰富的光谱信息,将原始高光谱离散数据表示成函数的形式。其次,在典型相关分析方法的基础上,引入平滑函数型典型相关分析方法,并将其运用于转化后的高光谱图像函数型数据,提出了基于平滑函数型典型相关分析的高光谱图像特征提取方法。通过基函数法,求解协方差函数的特征值和对应的特征向量,得到平滑函数型典型相关分析的典型相关系数和典型变量。然后,根据获取的典型变量,构造高光谱图像稀疏匹配子空间目标探测中的背景字典,并分别在目标字典为局部字典和全局字典的情形下,建立基于平滑函数型典型相关分析的高光谱图像稀疏匹配子空间探测模型。最后,在RIT self-test高光谱图像数据库中,验证本文所提出的目标探测算法的有效性,并与同类目标探测算法进行对比分析,实验表明本文所提算法优于对比算法。总结本文的主要工作,构想下一步的研究方向。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：O212;TP391.41
【图文】：

光谱曲线,高光谱图像,光谱曲线,立方体

华中科技大学硕士学位论文3图1-1 高光谱图像立方体与光谱曲线1.1.4 高光谱图像处理的技术难点高光谱成像仪具有 10nm 数量级的光谱分辨率，使得捕获所得的高光谱图像与传统的多光谱图像相比存在着较大的差异，主要有如下数据特性[5]：(1) 维数高：高光谱图像存在着数十、上百甚至成千个波段；(2) 数据量大：高光谱图像波段数越多，数据量也相应地越大，而且二者呈现出指数倍的增长关系；(3) 数据冗余度高：由于高光谱图像相邻波段之间的高度相关性，不可避免地存在大量的冗余信息；(4) 波段连续：在特定的光谱范围内，地物光谱近乎是连续的。高光谱图像在各个领域的成功应用推动了其快速发展，在对高光谱图像处理方法的研究上也已经获得了很多重要的成果，但是，仍然存在着许多尚未解决的技术难点

示意图,现象,示意图,高光谱图像

图 1-2 “Hughes”现象示意图具体地，就高光谱图像目标探测而言，除了在上述高光谱图像处理中涉及术难点外，其在实际问题的应用上还存在着另外两个困难[8]：照、湿度及视角等遥感环境对成像仪获取的数据具有较大的影响，而且成仪获取的地表的热辐射或者地表物质反射的太阳光需要经过大气层，大气一部分对地物的反射和辐射信号，所以往往需要对成像光谱仪获取的光谱行大气校正等预处理；光谱图像目标探测以先验信息为基础，即需要将被探测目标与已有的光谱进行光谱匹配，而实际探测到的高光谱图像包含的地表目标种类很多，不知需要探测的目标的真实光谱信息。因此，本文结合函数型数据分析方法的优势，针对高光谱图像常用的离散方法未充分利用波长信息的特点，以及因为离散数据维数有限会产生“Hu的难点，引入函数型数据分析理论。处理的对象由有限维的离散型数据转

思路,内容,方向

本论文研究内容和思路

【参考文献】