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

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

论文摘要

高光谱遥感影像中包含的大量的地物波谱信息为异常目标的探测创造了条件,如何自动地在海量数据中寻找出少量的异常目标成为近年来目标探测领域中研究的热点之一。为提升高光谱遥感影像异常探测算法的精度,论文主要针对空间距离与光谱变化的关系、空间信息与光谱信息的综合利用和异常值对线性表示的影响三个方面进行研究,改进了协同表示探测算法和非监督最邻近规则子空间算法,并将改进之后的算法应用到高光谱遥感影像异常探测中,最后采用一景合成的异常数据和两景真实影像数据对提出的算法进行验证。实验结果表明,改进之后的探测算法具有更好的鲁棒性和更高的探测精度。具体论文的主要研究内容如下:(1)通过研究单窗口滑动求和策略,在基于线性表示的背景信息重建异常探测模型中构建了双窗口滑动求和策略。将原始双窗口扩展为多个双窗口以充分利用待测试像元周围的局部背景信息,同时利用内窗口对异常目标进行约束,最后通过局部求和策略来增大局部背景统计中的空间信息的利用率,从而提升线性表示的精度和窗口尺寸的鲁棒性。(2)根据地理学第一定律,在高光谱遥感影像中相邻像元之间的光谱存在着相似性,两个像元的空间距离越近,光谱的相似程度就越高。通过利用这种相关关系,在当前线性表示算法的基础上,引入反距离权重来利用空间光谱相似性信息,进而提高线性表示的精度。(3)当前基于空-谱信息背景数据重构的高光谱遥感影像异常探测算法中,添加距离权重的方式只能减小异常像元对线性表示过程的影响,但不能完全消除该影响。基于此,在非监督最邻近规则子空间算法中引入异常剔除策略提升表示精度。具体的,假设局部背景信息服从正态分布,对局部窗口中的背景像元进行基于正太分布假设的统计分析来找到像元的置信区间,然后采用异常剔除策略剔除局部窗口中的异常值,进一步消除异常像元的影响,进而提高线性表示待测试像元的精度。

论文目录

  • 致谢
  • 摘要
  • abstract
  • 变量注释表
  • 1 绪论
  •   1.1 研究背景与意义
  •   1.2 相关领域的研究进展
  •   1.3 研究内容与技术路线
  •   1.4 论文组织结构
  • 2 高光谱影像异常探测理论基础
  •   2.1 高光谱影像数据特点
  •   2.2 异常探测基础理论
  •   2.3 实验数据介绍
  •   2.4 高光谱异常探算法评价标准
  •   2.5 本章小结
  • 3 基于协同表示和反距离权重的局部求和高光谱影像异常探测
  •   3.1 协同表示探测算法介绍
  •   3.2 基于协同表示和反距离权重的局部求和异常探测算法
  •   3.3 实验与结果分析
  •   3.4 本章小结
  • 4 基于异常剔除的局部求和非监督最邻近规则子空间高光谱影像异常探测
  •   4.1 非监督最邻近规则子空间模型
  •   4.2 基于异常剔除的局部求和非监督最邻近规则子空间异常探测
  •   4.3 实验与结果分析
  •   4.4 本章小结
  • 5 高光谱影像异常目标探测系统
  •   5.1 异常探测软件现状
  •   5.2 系统概述
  •   5.3 主要模块
  •   5.4 系统应用
  •   5.5 本章小结
  • 6 总结与展望
  •   6.1 总结
  •   6.2 展望
  • 参考文献
  • 作者简历
  • 学位论文数据集
  • 文章来源

    类型: 硕士论文

    作者: 侯增福

    导师: 谭琨

    关键词: 高光谱影像,异常探测,线性表示,局部求和,异常剔除

    来源: 中国矿业大学

    年度: 2019

    分类: 基础科学

    专业: 自然地理学和测绘学

    单位: 中国矿业大学

    分类号: P237

    总页数: 88

    文件大小: 4103K

    下载量: 102

    相关论文文献

    • [1].基于Network In Network网络结构的高光谱影像分类方法[J]. 测绘科学技术学报 2019(05)
    • [2].面向高光谱影像分类的生成式对抗网络[J]. 测绘通报 2020(03)
    • [3].采用双通道时间稠密网络的高光谱影像分类方法[J]. 西安交通大学学报 2020(04)
    • [4].基于波段加权K均值聚类的高光谱影像分类[J]. 无线电工程 2020(11)
    • [5].主动学习与图的半监督相结合的高光谱影像分类[J]. 测绘学报 2015(08)
    • [6].基于流形光谱降维和深度学习的高光谱影像分类[J]. 农业工程学报 2020(06)
    • [7].利用多属性剖面概率融合的高光谱影像分类[J]. 遥感信息 2019(02)
    • [8].基于聚类降维和视觉注意机制的高光谱影像分类[J]. 激光与光电子学进展 2019(21)
    • [9].基于波段指数的高光谱影像波段选择算法[J]. 激光技术 2017(04)
    • [10].基于主动深度学习的高光谱影像分类[J]. 计算机工程与应用 2017(17)
    • [11].谐波分析光谱角制图高光谱影像分类[J]. 中国图象图形学报 2015(06)
    • [12].半监督邻域保持嵌入在高光谱影像分类中的应用[J]. 计算机科学 2014(S1)
    • [13].基于随机矩阵的高光谱影像非负稀疏表达分类[J]. 同济大学学报(自然科学版) 2013(08)
    • [14].低通滤波器在高光谱影像分类中的应用[J]. 海洋测绘 2011(05)
    • [15].基于高光谱影像多维特征的植被精细分类[J]. 大气与环境光学学报 2020(02)
    • [16].空-谱融合的条件随机场高光谱影像分类方法[J]. 测绘学报 2020(03)
    • [17].融合低秩和形态学的高光谱影像特征提取[J]. 南京师范大学学报(工程技术版) 2020(02)
    • [18].引导滤波联合局部判别嵌入的高光谱影像分类[J]. 吉林大学学报(地球科学版) 2020(04)
    • [19].基于三维空洞卷积残差神经网络的高光谱影像分类方法[J]. 光学学报 2020(16)
    • [20].高光谱影像多类型复合噪声分析的低秩稀疏方法研究[J]. 地理与地理信息科学 2019(02)
    • [21].基于主动学习和空间约束的高光谱影像分类[J]. 测绘与空间地理信息 2018(08)
    • [22].高光谱影像的谐波分析融合算法研究[J]. 中国矿业大学学报 2014(03)
    • [23].一种改进的邻域保持嵌入高光谱影像分类方法[J]. 光电工程 2014(09)
    • [24].高光谱影像库的数据存取技术研究[J]. 计算机工程 2012(16)
    • [25].矢量量化压缩算法在高光谱影像上的研究实现[J]. 计算机工程与应用 2008(34)
    • [26].基于卷积神经网络和光谱敏感度的高光谱影像分类方法(英文)[J]. Journal of Zhejiang University-Science A(Applied Physics & Engineering) 2020(03)
    • [27].基于深度信念网络的高光谱影像森林类型识别[J]. 计算机系统应用 2020(04)
    • [28].联合空-谱信息的高光谱影像深度三维卷积网络分类[J]. 测绘学报 2019(01)
    • [29].最速上升关联向量机高光谱影像分类[J]. 光学精密工程 2012(06)
    • [30].一种基于无人机高光谱影像的土壤墒情检测新方法[J]. 光谱学与光谱分析 2020(02)

    标签:;  ;  ;  ;  ;  

    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
    下载Doc文档

    猜你喜欢