基于卡方分布的高光谱图像目标检测和分类

发布时间：2017-12-23 08:27

本文关键词：基于卡方分布的高光谱图像目标检测和分类　出处：《大连海事大学》2017年硕士论文　论文类型：学位论文

【摘要】：高光谱图像中包含了空间和光谱维度的信息,且连续的光谱维信号可以描述和区分不同地物的物理和化学特性,已经成为一种重要的遥感监测手段。随着相关软硬件技术的发展,高光谱技术正逐渐应用到各个领域中,如军事、医疗等,涉及的技术主要包括异常检测、目标检测、分类、解混等。但是,在高光谱数据中,由于成像环境复杂、成像范围广、空间分辨率低等因素,普遍存在着大面积混合背景以及噪声,包括高斯噪声和突发性噪声等。不同的分析技术重点关注的是高光谱图像中的不同属性的地物内容,如异常检测和目标检测是关注特定的信号,分类则更多地关注大面积地物。如果始终以整张图像中的所有数据作为研究对象,会受到极不相关因素的不利影响。所以,针对不同的数据分析任务,应该设计有效的预处理方式,限定分析方法的数据处理子集,从而提高方法的分析能力。针对以上问题,本文做了如下的研究工作:(1)分析高光谱图像的特点,假设光谱像元的模符合高斯分布,则其能量符合卡方分布。对整张图像中的所有像元能量进行统计,将卡方分布中的上侧分位点函数值作为阈值对图像数据进行划分,概率小于阈值的像元子集更多地对应于异常和噪声,而概率大于阈值的像元子集则对应于大面积地物类别总和。利用阈值内外图像数据的特点,分别根据任务需要,选择数据处理的对象,作为不同高光谱数据分析任务的一个有效预处理步骤。(2)对于大于卡方上侧分位点的函数值得到的数据子集S1,进行小目标检测,利用UFCLS提取目标特性元后,用CEM的算法将数据子集作为目标检测的背景信息进行压制,并提升目标信号,以提高目标检测的性能。将该方案与采用整张图像数据作为分析对象的方案,针对时间、检测率、虚警率、正确率、错分漏分等评价指标进行比较。(3)对于小于卡方上侧分位点的函数值得到的数据子集S2,进行非监督高光谱分类研究。首先用VD确定S2中的类别数量,进而用ATGP算法非监督提取类别代表性像元,最后采用不同的光谱相似性指标,如SAM、ED等方法进行分类。将该方案与传统的基于全部图像数据的分析方案进行比较。在模拟数据和真实数据上实验结果表明,利用卡方数据分布统计之后的数据子集进行目标检测和分类,其效果都好于整张图像数据的情况,验证了所提方案的有效性。
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP751

【相似文献】