基于稀疏表示和局部背景平滑的高光谱图像异常检测研究
发布时间：2021-08-11 19:06
高光谱遥感是对地观测领域短时间迅猛发展起来的新型综合类学科,随着我国综合国力的增强和卫星应用的开展,高光谱遥感技术应用有着良好机遇。非监督异常目标检测作为高光谱遥感图像的重要应用之一,不需要先验光谱信息的特点,用已获得的高光谱遥感图像数据统计分析,在全局或局部背景下寻找不符合背景光谱信息的异常目标,通过异常目标和背景的光谱信息差异,在现代军事目标打击、矿物勘探、农业识别及环境监测等领域有着广泛的应用。如何利用现有的高光谱遥感数据,提出不符合背景估计的异常目标的方法,成为高光谱图像处理领域的研究热点。本论文从异常检测问题中缺少异常目标先验知识的条件出发,利用检测二元分类器获得背景和目标两种类别,从获得的背景统计入手来提升异常目标检测方法性能。具体来说,在稀疏表示模型中,现有算法通常以原始的高光谱图像数据作为背景训练样本,这些背景样本中混有少量目标像元,致使学习后的字典用于稀疏表达后的异常检测结果精度不高;在统计模型中,真实的高光谱数据不符合高斯分布,目标和背景的分布具有极大的不确定性,对背景估计造成偏差和污染,致使基于背景统计后的异常检测结果精度不高。本论文从稀疏表示模型和统计模型两个方...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．１高光谱图像基本概念??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｃｏｎｃｅｐｔ?ｏｆ?ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??高光谱数据是由很多狭窄的波段构成的三维矩阵数据，里面所包含的数据量巨大，??
概率，数值越大则待测像元的相关性越小，数值越小??则相关性越强，以统一的判决阈值进行二元分类完成异常目标检测。??２．?２．?２局部ＲＸ?（ＬＲＸ）异常检测算法??传统ＲＸ算法通过对协方差求逆的方式来抑制异常信息对背景估计的误差，然而在??实际高光谱图像中地物并不会以高斯分布出现，而且这些异常目标在局部环境中可能是??异常的，但却隐藏在全局数据中，这就导致了检测结果会出现较大的误差。为了解决这??—问题，研究者们提出了一种基于局部滑动双窗口的局部ＲＸ算法。??对于双窗口模型的设计如图２．２，采用同心双窗遍历高光谱图像，黄色区域为外窗??背景像元，中间红色ｙ为待检测的中心像元。白色区域为保护区域，将中心像元与背景??像元隔离，窗口的大小设计要尽量满足于高光谱图像中目标的大小，以避免对局部背景??估计的“污染”。在滑动双窗算法中，边缘的处理会影响局部异常检测结果。为保证对??每个像元的遍历，需要对图像进行扩充。主要以０值扩充、镜像扩充和复制边缘扩充三??种方式，ＬＲＸ算法是基于统计计概率模型的算法，所以采取镜像扩充对背景特征估计影??响最小，带来的误差相对也最校??ｆ??：—■?Ｗａｆｆ???：Ｗｍ??图２．２?ＬＲＸ异常检测模型??Ｆｉｇ．?２．２?ＬＲＸ?ａｎｏｍａｌｙ?ｄｅｔｅｃｔｉｏｎ?ｍｏｄｅｌ??外部窗口限制了从邻域估计背景的范围，从而保证了足够的信息来估计局部背景。??ＬＲＸ检测模型如公式（２．３）：??９??
?大连海事大学硕士学位论文???Ｘ?ｄｌ?ｄ２?ｄｎ??■??■?■??■??＝ａ＼?ｘ?■?－ｆａ２?ｘ?ｍ＂＋ａｎ?ｘ??■??■??■??■??Ｉ??／＼）ｘ１?ｄｎ－１??■■團??＝?■■?…?■?Ｘ??■?■?■??■■?■?Ｌ??＿＿＿＿＿＿?ｍｍｍ?■??ｍ??图２．３稀疏表示模型??Ｆｉｇ．?２．３?Ｓｐａｒｓｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??稀疏表达的目的就是求得最小的稀疏向量５?，即稀疏表示模型公式（２．５＞??ｉ?ａ?＝?ａｒｇｍｉｎｌｌ?ａｌｌ０?ｓＪ．ｘ＝?Ｄａ?（２．５）??其中，ｌｌｌｌ。的数学定义是指向量的ＬＯ范数，表示向量中全部非零元素数量的总和，??用于刻画矩阵的稀疏性。根据最优化理论，Ｌ０范数的求解是非凸的优化问题。在实际??应用中，信号ｘ不能完全用过完备字典Ｄ表示，因此，在字典集合过完备的情况下，求??出信号ｘ相对于Ｄ的稀疏分解系数矩阵是一个ＮＰ－ｈａｒｄ问题。为了描述这些误差将稀疏??表示模型转化为公式（２．６）：??ａｒｇｍｉｎｌｌ?ｃｒｌｌ，?ｓ．ｔ．?｜｜ｘ－Ｄｒｔ｜｜２?＜ｅ?（２．６）??？ｉ??其中ＬＩ范数代表系数绝对值之和。为了解决ＮＰ－ｈａｒｄ问题，一般使用ＬＩ正则化来??对模型进行稀疏约束：Ｌ２范数的数学定义是计算系数向量中各原子平方和的开平方，??通常也被描述为向量之间的欧式距离，以此作为判断误差的依据。ｅ代表误差容忍度。??２．３．２稀疏表示求解算法??由于近几年稀疏表示理论在各行各业的应用，众多学者对稀疏求解算法展开多角度??研究，如ＢＰ（Ｂａｓｉｓ?Ｐｕｒｓｕｉｔ）基追踪算法
【参考文献】：
期刊论文
[1]基于矩阵低秩稀疏分解的图像去噪算法[J]. 王雪,靳伍银. 计算机工程与设计. 2019(10)
[2]高光谱异常目标检测算法研究进展[J]. 张炎,华文深,严阳,崔子浩,索文凯. 激光杂志. 2019(07)
[3]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)
[4]联合稀疏特性和邻域相似度量的高光谱图像分类[J]. 刘嘉敏,张丽梅,石光耀,黄鸿. 光子学报. 2018(06)
[5]改进协同表示的高光谱图像异常检测算法[J]. 刘万军,武小杰,曲海成,王凤. 计算机应用研究. 2018(12)
[6]基于压缩感知的高光谱遥感影像重构方法研究[J]. 王晗,王阿川,苍圣. 液晶与显示. 2017(03)
[7]高光谱图像处理与信息提取前沿[J]. 张兵. 遥感学报. 2016(05)
[8]背景不确定性对高光谱异常目标探测的影响[J]. 杜山山,李姝颖,曾朝阳. 解放军理工大学学报(自然科学版). 2016(06)
[9]局部联合稀疏指数表示的高光谱图像异常检测[J]. 张丽丽. 光电工程. 2015(12)
[10]字典学习稀疏表示的高光谱图像异常检测[J]. 唐意东,黄树彩,凌强,钟宇. 强激光与粒子束. 2015(11)
博士论文
[1]稀疏与低秩先验下的高光谱分类与检测方法[D]. 徐洋.南京理工大学 2016
[2]高光谱实时目标检测算法研究[D]. 王玉磊.哈尔滨工程大学 2015
[3]高光谱图像异常检测方法研究[D]. 李智勇.国防科学技术大学 2004
硕士论文
[1]基于稀疏表示的图像检测与目标跟踪技术的研究[D]. 宋伟.南京邮电大学 2019
[2]基于聚类的高光谱图像压缩技术研究[D]. 张燕琪.重庆邮电大学 2019
[3]基于协同表示与非监督最邻近规则子空间的高光谱影像异常探测[D]. 侯增福.中国矿业大学 2019
[4]高光谱图像异常检测研究[D]. 王佳.西安电子科技大学 2019
[5]基于窗口的异常探测算法改进研究[D]. 陈力坤.成都理工大学 2019
[6]基于稀疏表示的高光谱图像异常检测算法及其优化研究[D]. 孙邱鹏.哈尔滨工业大学 2018
[7]联合空间与光谱信息的高光谱图像异常目标检测方法研究[D]. 张香萍.湖南大学 2017
[8]基于核稀疏和空间约束的高光谱目标检测方法研究[D]. 金天明.哈尔滨工业大学 2016
[9]基于稀疏表示及字典学习的SAR目标识别[D]. 齐会娇.西安电子科技大学 2014
本文编号：3336722
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．１高光谱图像基本概念??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｃｏｎｃｅｐｔ?ｏｆ?ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??高光谱数据是由很多狭窄的波段构成的三维矩阵数据，里面所包含的数据量巨大，??
概率，数值越大则待测像元的相关性越小，数值越小??则相关性越强，以统一的判决阈值进行二元分类完成异常目标检测。??２．?２．?２局部ＲＸ?（ＬＲＸ）异常检测算法??传统ＲＸ算法通过对协方差求逆的方式来抑制异常信息对背景估计的误差，然而在??实际高光谱图像中地物并不会以高斯分布出现，而且这些异常目标在局部环境中可能是??异常的，但却隐藏在全局数据中，这就导致了检测结果会出现较大的误差。为了解决这??—问题，研究者们提出了一种基于局部滑动双窗口的局部ＲＸ算法。??对于双窗口模型的设计如图２．２，采用同心双窗遍历高光谱图像，黄色区域为外窗??背景像元，中间红色ｙ为待检测的中心像元。白色区域为保护区域，将中心像元与背景??像元隔离，窗口的大小设计要尽量满足于高光谱图像中目标的大小，以避免对局部背景??估计的“污染”。在滑动双窗算法中，边缘的处理会影响局部异常检测结果。为保证对??每个像元的遍历，需要对图像进行扩充。主要以０值扩充、镜像扩充和复制边缘扩充三??种方式，ＬＲＸ算法是基于统计计概率模型的算法，所以采取镜像扩充对背景特征估计影??响最小，带来的误差相对也最校??ｆ??：—■?Ｗａｆｆ???：Ｗｍ??图２．２?ＬＲＸ异常检测模型??Ｆｉｇ．?２．２?ＬＲＸ?ａｎｏｍａｌｙ?ｄｅｔｅｃｔｉｏｎ?ｍｏｄｅｌ??外部窗口限制了从邻域估计背景的范围，从而保证了足够的信息来估计局部背景。??ＬＲＸ检测模型如公式（２．３）：??９??
?大连海事大学硕士学位论文???Ｘ?ｄｌ?ｄ２?ｄｎ??■??■?■??■??＝ａ＼?ｘ?■?－ｆａ２?ｘ?ｍ＂＋ａｎ?ｘ??■??■??■??■??Ｉ??／＼）ｘ１?ｄｎ－１??■■團??＝?■■?…?■?Ｘ??■?■?■??■■?■?Ｌ??＿＿＿＿＿＿?ｍｍｍ?■??ｍ??图２．３稀疏表示模型??Ｆｉｇ．?２．３?Ｓｐａｒｓｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｍｏｄｅｌ??稀疏表达的目的就是求得最小的稀疏向量５?，即稀疏表示模型公式（２．５＞??ｉ?ａ?＝?ａｒｇｍｉｎｌｌ?ａｌｌ０?ｓＪ．ｘ＝?Ｄａ?（２．５）??其中，ｌｌｌｌ。的数学定义是指向量的ＬＯ范数，表示向量中全部非零元素数量的总和，??用于刻画矩阵的稀疏性。根据最优化理论，Ｌ０范数的求解是非凸的优化问题。在实际??应用中，信号ｘ不能完全用过完备字典Ｄ表示，因此，在字典集合过完备的情况下，求??出信号ｘ相对于Ｄ的稀疏分解系数矩阵是一个ＮＰ－ｈａｒｄ问题。为了描述这些误差将稀疏??表示模型转化为公式（２．６）：??ａｒｇｍｉｎｌｌ?ｃｒｌｌ，?ｓ．ｔ．?｜｜ｘ－Ｄｒｔ｜｜２?＜ｅ?（２．６）??？ｉ??其中ＬＩ范数代表系数绝对值之和。为了解决ＮＰ－ｈａｒｄ问题，一般使用ＬＩ正则化来??对模型进行稀疏约束：Ｌ２范数的数学定义是计算系数向量中各原子平方和的开平方，??通常也被描述为向量之间的欧式距离，以此作为判断误差的依据。ｅ代表误差容忍度。??２．３．２稀疏表示求解算法??由于近几年稀疏表示理论在各行各业的应用，众多学者对稀疏求解算法展开多角度??研究，如ＢＰ（Ｂａｓｉｓ?Ｐｕｒｓｕｉｔ）基追踪算法
【参考文献】：
期刊论文
[1]基于矩阵低秩稀疏分解的图像去噪算法[J]. 王雪,靳伍银. 计算机工程与设计. 2019(10)
[2]高光谱异常目标检测算法研究进展[J]. 张炎,华文深,严阳,崔子浩,索文凯. 激光杂志. 2019(07)
[3]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)
[4]联合稀疏特性和邻域相似度量的高光谱图像分类[J]. 刘嘉敏,张丽梅,石光耀,黄鸿. 光子学报. 2018(06)
[5]改进协同表示的高光谱图像异常检测算法[J]. 刘万军,武小杰,曲海成,王凤. 计算机应用研究. 2018(12)
[6]基于压缩感知的高光谱遥感影像重构方法研究[J]. 王晗,王阿川,苍圣. 液晶与显示. 2017(03)
[7]高光谱图像处理与信息提取前沿[J]. 张兵. 遥感学报. 2016(05)
[8]背景不确定性对高光谱异常目标探测的影响[J]. 杜山山,李姝颖,曾朝阳. 解放军理工大学学报(自然科学版). 2016(06)
[9]局部联合稀疏指数表示的高光谱图像异常检测[J]. 张丽丽. 光电工程. 2015(12)
[10]字典学习稀疏表示的高光谱图像异常检测[J]. 唐意东,黄树彩,凌强,钟宇. 强激光与粒子束. 2015(11)
博士论文
[1]稀疏与低秩先验下的高光谱分类与检测方法[D]. 徐洋.南京理工大学 2016
[2]高光谱实时目标检测算法研究[D]. 王玉磊.哈尔滨工程大学 2015
[3]高光谱图像异常检测方法研究[D]. 李智勇.国防科学技术大学 2004
硕士论文
[1]基于稀疏表示的图像检测与目标跟踪技术的研究[D]. 宋伟.南京邮电大学 2019
[2]基于聚类的高光谱图像压缩技术研究[D]. 张燕琪.重庆邮电大学 2019
[3]基于协同表示与非监督最邻近规则子空间的高光谱影像异常探测[D]. 侯增福.中国矿业大学 2019
[4]高光谱图像异常检测研究[D]. 王佳.西安电子科技大学 2019
[5]基于窗口的异常探测算法改进研究[D]. 陈力坤.成都理工大学 2019
[6]基于稀疏表示的高光谱图像异常检测算法及其优化研究[D]. 孙邱鹏.哈尔滨工业大学 2018
[7]联合空间与光谱信息的高光谱图像异常目标检测方法研究[D]. 张香萍.湖南大学 2017
[8]基于核稀疏和空间约束的高光谱目标检测方法研究[D]. 金天明.哈尔滨工业大学 2016
[9]基于稀疏表示及字典学习的SAR目标识别[D]. 齐会娇.西安电子科技大学 2014
本文编号：3336722
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3336722.html
