共查询到20条相似文献，搜索用时 15 毫秒
1.
显著性权重RX高光谱异常点检测 总被引：1，自引：0，他引：1
高光谱图像异常点检测中,传统RX异常点检测算法忽略了空间相关性,背景估计不准确。本文提出了一种基于图像局部邻域光谱显著性分析的加权RX算法。该算法通过引入图像显著性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显著性权重图,重新定义RX算法中的均值向量和协方差矩阵,并给不同的目标赋予不同的权值,达到优化背景估计的目的。利用合成高光谱数据和真实高光谱数据进行异常点检测实验,结果表明,对于同一组数据,本文算法检测到的异常点数比传统算法多,虚警率较低,有效地提高了检测率。 相似文献
2.
针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。 相似文献
3.
4.
5.
针对高光谱影像数据中存在大量冗余,传统异常探测算法应用高光谱所有波段进行探测计算量巨大的问题,提出一种基于波段相似性线性预测与学习字典的异常探测算法。该算法首先通过对波段的相似性进行线性预测,找到最不相似的波段子集;然后,利用学习字典算法获得能够表征图像背景信息的背景字典,并通过低秩分解的算法将影像分解为低秩矩阵与稀疏矩阵;最后,使用经典RXD(Reed-X detector)探测算法对稀疏影像进行异常探测。实验结果表明,该算法可以在减少计算代价、保持波段原始信息不被破坏的同时,能够较好地实现了高光谱影像的异常探测。 相似文献
6.
高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。 相似文献
7.
复杂的背景信息和高维冗余波段是影响高光谱遥感影像异常目标检测精度的重要因素.本文针对高光谱影像异常目标提取提出了一种子空间分析孤立森林探测方法.该方法不对背景做高斯分布假设,通过正交子空间分析增强输入特征影像中潜在异常目标与背景之间的对比度,通过主成分分析法降维来降低孤立森林算法带来的不确定性,运用了全局和局部结合的思想实现异常目标检测.在停机坪、海滩、港口和草地4个不同场景的高光谱影像上的试验结果表明,本方法的异常目标提取精度较经典方法取得了更好的结果.该方法不仅有效地处理了高光谱遥感影像的复杂背景和高维问题,还有效地利用了空间信息. 相似文献
8.
高光谱图像异常目标检测主要用于检测图像中的区别于背景环境的异常目标,为图像目标的判读提供一个初步的判断,是高光谱图像应用的一个重要内容。本文在研究现有异常目标检测算法的基础上,采用基于主成分抑制和顶点成分分析相结合的方法,对实验图像中的异常目标进行了检测,取得了较好的效果。 相似文献
9.
高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。 相似文献
10.
《国土资源遥感》2018,(4)
为了减少混合像元对字典建立的影响,结合在线字典学习法与主成分分析(principal component analysis,PCA)法提取全色与各分解影像字典的第一主成分分量构成PCA联合稀疏字典。该字典包括多光谱影像特征与高空间分辨率影像特征,同时考虑到了混合像元问题。使用PCA联合稀疏字典进行正交匹配追踪法(orthogonal matching pursuit,OMP)计算,分别得到全色与多光谱影像的稀疏系数,采用非负矩阵分解(nonnegative matrix factor,NMF)融合算法得到融合影像的稀疏系数,进行重构生成融合影像。对字典矩阵大小的研究,考虑到重构图像的均方根误差与计算机运算的限制,最终确定稀疏字典矩阵大小为64像元×480像元。采用5种定量融合评定指标对本文方法与联合字典NMF方法、小波方法和PCA方法的影像融合结果进行分析比较,结果表明本文方法既可提高融合影像的纹理细节信息,也能较好地保持多光谱信息,获得更好的融合效果。 相似文献
11.
像元形状指数是一种基于像元的空间特征算子,采用像元形状指数(PSI)来描述像元点邻近区域的形状特征,通过中心像元及其邻域相似性描述了中心像元的上下文形状分布,有效地提取了影像中的光谱信息,并取代了原有的光谱特性,弥补了原有光谱特性的不足。像元形状指数对原有图像处理后,利用支持向量机光谱与形状特征融合的算法对处理过的影像进行分类处理。研究结果表明,经像元形状指数变换后的光谱特性更加适合图像分类,且形状和光谱特征的融合可以有效地提高分类的准确性。 相似文献
12.
基于光谱滤波器的混合像元分析 总被引：1，自引：0，他引：1
提出一种利用光谱滤波器进行遥感图像混合像元全约束分解的新算法。该算法利用端元光谱中与背景光谱正交的光谱成分构建光谱滤波器,滤除混合像元中的背景干扰成分,直接获取信号光谱的丰度。采用该光谱滤波器多次迭代分解,修正单个混合像元的端元光谱空间,获取其确切的端元光谱配置,保证了分解时各端元丰度的非负性,实现混合像元的全约束分解。多光谱数据仿真实验证明,与全约束最小二乘法(FCLS)和正交投影(OSP)分解法相比,该方法虽然在时间方面略逊一点,但其分解结果与实际结果的相关系数高,均方根误差小,具有很高的分解精度,在遥感定量分析方面具有重要的应用潜力。最后给出了该算法在真实的高光谱图像中进行混合像元分析的结果。 相似文献
13.
高光谱遥感影像混合像元分解研究进展 总被引：6，自引：1，他引：5
受高光谱成像仪低空间分辨率及复杂地物的影响,高光谱遥感图像存在大量混合像元。为提高地表分类精度以及满足亚像元级目标探测的需求,混合像元分解技术一直是高光谱遥感研究热点之一。本文主要对高光谱混合像元分解技术中的核心问题:端元数目估计、端元提取算法、丰度估计算法进行综述,系统地分析了各种典型算法的原理及优缺点,进一步阐述研究过程中建立高精度遥感混合反演模型与遥感产品业务化中的混合像元分解技术难题,同时针对今后混合像元分解技术发展方向,指出在继续引入新型算法理论方法基础上,结合用户应用需求,推进高光谱混合像元分解算法业务化应用,为高光谱遥感工程化应用提供支持。 相似文献
14.
本文针对遥感影像复杂背景下,背景地物光谱特征与目标光谱特征之间存在较强相关性的问题,提出一种基于仿蝇视觉的复杂背景下遥感异常检测算法。首先构建并行多孔径背景模型,实现对复杂背景特征的自适应描述;然后基于异常目标的光谱特征相对异常性,采用相对马氏距离区分异常区域、不确定区域与无目标区域,消除背景与目标光谱相关性对检测结果干扰的同时,弥补了传统假设检验无法区分无目标和不确定问题的不足;最后融合多个背景模型的检测结果,实现异常目标检测。仿真实验将围绕多种背景地物并存复杂区域的异常检测验证本文算法的有效性。 相似文献
15.
针对ACCA（云量自动评估）算法难以检测Landsat图像中的半透明云问题,提出了一种ACCA和WSVM（加权支持向量机）相结合的云检测算法．首先根据云在不同波段中的大气辐射特点,结合Landsat ETM+图像数据的光谱特性,利用ACCA算法将图像像元初步分成云像元、非云像元和待定像元,再以云的光谱特性构造特征向量,利用WSVM算法进行待定像元的云层检测,最终获得全部图像的云检测结果．仿真实验结果表明,该方法既具有ACCA算法的云检测优势,还对ACCA算法难以识别的半透明云有很好的检测效果． 相似文献
16.
超分辨率制图SRM (Super-resolution Mapping)技术可以有效地处理遥感图像中的混合像元,获得准确的地物类别分布信息。目前,SRM技术已经成功地应用于多光谱图像洪水淹没定位中,称为超分辨率洪水淹没制图SRFIM (Super-resolution Flood Inundation Mapping)。然而,现有的SRFIM方法往往基于像元尺度空间相关性,这种空间相关性考虑设定的矩形窗内的像元之间的空间关系,但实际情况下淹没区域与非淹没区域的形状是不规则的,因此这种像元尺度空间相关性不够准确,影响最终的洪水淹没制图精度。为了解决这一问题,提出了超像元尺度空间相关性下的多光谱图像超分辨率洪水淹没制图SSSC-SRFIM (Super-resolution Flood Inundation Mapping for Multispectral Image Based on Super-pixel Scale Spatial Correlation)。在SSSC-SRFIM中,首先利用双立方插值改善原始粗糙多光谱图像,获得改善后的图像,并利用光谱解混方法对改善后的图像进行光谱解混,获得具有每个亚像元属于淹没类别概率值的丰度图像;然后利用主成分分析法提取改善后图像的第一主成分,并利用基于多分辨率的图像分割算法分割第一主成分,获得不规则形状的超像元;再者将丰度图像与超像元进行整合计算,并引入随机游走算法计算各个超像元之间的空间相关性;最后,依据超像元空间相关性,利用基于类别单元的类别方法将淹没区域或非淹没区域标签分配给每个亚像元中,得到最终的洪水淹没制图结果。利用两个Landsat 8 OLI多光谱图像对该方法进行了评价。结果表明,与传统的SRFIM方法相比,本文提出的SSSC-SRFIM方法具有更好的效果。 相似文献
17.
高光谱图像的异常检测在军事、农业、勘探、防火等领域具有重要的应用价值。传统的高光谱图像异常检测算法未能有效地挖掘图像光谱的深层特征,而深度学习方法具有良好的提取深层特征信息的能力。由于异常检测问题一般无法获取地物先验信息,因此无监督网络相比于监督网络要更为适用。而现有的基于自编码器的异常检测算法没有对局部信息进行有效利用,导致检测效果受限。针对这一问题,本文提出一种基于稀疏表示约束的自编码器深度特征提取方法。首先通过栈式自编码器得到深层次语义信息;然后利用稀疏表示作为约束与编码器进行有效结合,挖掘了潜在隐藏空间中的特征元素的局部表示特性;最后采用分数傅里叶变换,通过空间-频率表示获得原始光谱与其傅里叶变换的中间域中的特征,进一步增强了背景和异常的光谱区分度,且能有效去除噪声的影响。在Hymap、AVIRIS、ROSIS、HYDICE这4种光谱仪采集的5幅高光谱遥感影像上进行了性能验证,得到的曲线下覆盖面积(area under curve, AUC)分别为0.990 5、0.998 3、0.999 0、0.992 8和0.911 0,相比于对比算法都有了不同程度的效果提升。结果表明本文... 相似文献
18.
19.
高光谱图像异常目标检测算法研究与进展 总被引：1，自引：0，他引：1
高光谱图像是一种新型的具有"图谱合一"特性的遥感图像,其连续的光谱曲线可更好地表达地表物质间的细微差异,在地表物质的分类、解混和目标探测等方面得到了广泛应用。随着高光谱遥感技术的深入发展,对不需要先验信息的异常目标检测的研究成为最活跃的方向之一,许多研究者提出了具有较好效果的异常检测算法。基于对国内外已有算法的综合归纳和分析,系统地论述了高光谱异常检测的研究现状和最新进展。阐述了高光谱异常目标检测的实质和基本理论;从算法思想、关键技术和优缺点等方面重点分析总结了较有代表性的异常目标检测算法,并对其进行了概括和阐述;最后对异常检测算法的未来研究方向进行了展望,力图为高光谱异常目标检测算法研究找到新的突破点。 相似文献
20.
高光谱与多角度数据联合进行混合像元分解研究 总被引：8，自引：0，他引：8
混合像元问题是定量遥感的主要障碍之一。将混合像元问题归结为类内与类间像元混合两类，并对类内混合像元分解问题加以研究。混合像元分解的关键在于确定组分光谱，确定组分光谱的方法很多，但大多数方法基于以下假定，即从图像本身可以找到纯组分光谱，然而这一假定对于类内混合像元分解问题来说很难成立。提出采用高光谱与多角度相结合的方法，利用几何光学模型和线性光谱混合模型进行类内混合像元分解。即首先利用多角度数据反演几何光学交互遮蔽(GOMS)模型获得组分光谱，再对高光谱数据进行组分光谱分解。由于该方法直接从混合光谱产生的机理出发，因而更容易获得真正的亚像元信息。为减小反演误差，反演过程中采用改进的多阶段的反演策略，并充分利用多角度图像本身提供的先验信息。用BORE—AS试验获取的高光谱与多角度数据所作的研究表明，该方法可以获得比较理想的分解结果。 相似文献