导读:本文包含了光谱异常论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:光谱,异常,图像,算法,目标,分解,斑岩。
光谱异常论文文献综述
成宝芝,张丽丽[1]（2019）在《基于双边滤波的最优波段子空间高光谱异常目标检测》一文中研究指出针对KRX方法对高光谱图像进行异常目标检测时存在检测效率低和虚警率高的问题,在充分分析高光谱图像数据特征基础上,本文提出一种最优波段子空间方法的高光谱图像异常目标检测算法。该算法首先利用双边滤波方法对高光谱图像进行全局滤波,充分利用双边滤波的优点,使得高光谱图像背景信息得到抑制;然后采用经典的自动子空间方法对高光谱图像进行波段子集划分;再利用联合偏度-峰度指标,在每个波段子集内选出最优波段;最后利用这些最优波段构成新的波段最优子空间,在此基础上,在最优波段子空间中利用Kernel RX算法进行异常目标检测,从而得到异常检测结果。本文利用真实的高光谱图像进行仿真验证,获得异常目标、检测的虚警数和ROC等检测结果。结果表明,该算法具有鲁棒性强、虚警率低和检测精度高等优点。(本文来源于《液晶与显示》期刊2019年09期）
张炎,华文深,黄富瑜,王强辉,索文凯[2]（2019）在《基于背景纯化的改进协同表示的高光谱异常目标检测》一文中研究指出针对协同表示的高光谱异常目标检测算法的异常点敏感问题,提出了一种基于背景纯化的改进协同表示的高光谱异常目标检测算法。利用扩展数学形态学的膨胀操作消除局部背景模型中可能存在的异常点,从而得到更为纯净的背景字典,能够有效地消除检测过程中异常点对检测效果的负面影响,从而提高检测精度。采用该算法对高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法具有更好的检测效果。(本文来源于《半导体光电》期刊2019年05期）
张炎,华文深,严阳,崔子浩,索文凯[3]（2019）在《高光谱异常目标检测算法研究进展》一文中研究指出高光谱图像包含丰富的地物光谱信息,为地物的分类、解混、目标检测等提供了理论基础。高光谱目标检测包括监督目标检测和异常目标检测,其中,异常目标检测由于不需要地物的先验知识,在实际应用中更加广泛,成为了研究的热点。归纳总结了近年来国内外异常目标检测算法的研究现状及存在的问题,对比分析了算法的差异,并对异常目标检测算法的发展趋势提出展望。(本文来源于《激光杂志》期刊2019年07期）
陈松林,陈曦,王成彬,胡飞,方臣[4]（2019）在《识别斑岩铜矿综合地球化学异常的光谱角方法》一文中研究指出介绍用光谱角法结合矿床指示元素和地质环境指示元素(氧化物),提取地球化学异常的方法。该方法是一种物理光谱分类方法,用于确定未知样品和已知参照物之间的相似性。光谱角分类是基于与斑岩铜矿有关的Al_2O_3、Ca O、Co、Cr、Cu、Mg、Ni、Sn、Sr、Th、Ti、U、V、W、Y、Zn和Zr的地球化学"光谱曲线"差异。利用分形模型的对数图对光谱角阈值进行优化,得到最优分类。"光谱曲线"的拐点表明0. 2是分离地球化学数据和提取地球化学异常的最佳光谱角度阈值。填图结果不仅勾勒出土屋铜矿和延东铜矿地质背景异常,而且可以预测志留系侵入区的新铜矿化带。(本文来源于《资源环境与工程》期刊2019年02期）
刘春桐,马世欣,王浩,汪洋,李洪才[5]（2019）在《基于空间密度聚类的改进KRX高光谱异常检测》一文中研究指出高光谱遥感影像包含了丰富的光谱信息,对于地物具有极强的分辨能力,从而促进了不需任何先验信息的高光谱异常目标探测技术的发展。KRX(Kernel RX)异常探测算法巧妙地利用核函数将RX算法映射至高维特征空间,加强了光谱中非线性信息的运用,具有较强的可分辨性,显着改善了低维空间的光谱不可分问题。然而,也暴露了KRX算法中病态Gram矩阵求逆误差大,异常检测效率低等缺点。为实现理论上KRX算法的强探测性能,提出一种基于新型聚类方法的改进KRX探测算法(DC-KRX)。(1)由于空间邻域像元具有较强的光谱相似性,会造成Gram矩阵病态,严重影响了异常探测效果,因此背景虚检现象严重。针对病态Gram矩阵的求逆误差问题,算法改进了KRX算子,对Gram矩阵进行奇异值分解,选取特征值较大的主成分,保证了Gram矩阵的求逆精度,待测像元的探测结果采用l-2范数表示,检测效果提高明显;(2)在改进KRX的基础上,提出了空间聚类KRX算法。空间像元之间具有光谱强相关性,既造成了Gram矩阵的病态,数据的冗余也影响了探测效率。实验发现,通过聚类算法可以合并像元于聚类中心,减少空间维度,提高计算效率;同时,聚类中心按照聚类大小被赋予不同的权重,保证了探测精度;(3)另一方面,选用合适的聚类算法是一个难点。聚类KRX算法对于聚类算法的精度和实时性要求较高,比较发现,一种基于密度峰值快速搜索(DC)的新型聚类算法具有较好的聚类性能。算法采用欧式距离计算任意像元的相似度,利用局部密度和邻域距离作为聚类中心的联合判断准则,对结果进行排序得到聚类中心。实验发现,该聚类算法计算速度快,且能够对任意形状的分布进行聚类,非常适合于维度较高,成分复杂的高光谱图像,且适用于较高次数的重复聚类。DC-KRX算法提供了一种空间聚类预处理的高光谱异常探测新思路,最后,与国际主流探测算法对比发现,该算法表现了较好的探测性能。同时,时效性对比分析发现,聚类前后算法的检测效率提高了30%以上,有效改善了KRX算法的实时性。(本文来源于《光谱学与光谱分析》期刊2019年06期）
张晓慧[6]（2019）在《基于改进稀疏表达的高光谱异常目标检测》一文中研究指出高光谱图像(HSI)包含空间维度和光谱维度的叁维信息,具有光谱分辨率高和图谱合一的特点。全面的光谱信息和叁维的数据结构有利于区分各种地物并且检测异常目标。高光谱遥感图像异常目标检测算法的主要研究方向是在不知道目标先验信息的情况下精准地检测出与背景特征各异的目标像素。绝大多数的异常检测算法通过建立背景模型,并利用异常与背景之间的差异来区分它们。如何构建一个没有异常目标污染的背景模型是一个非常关键的问题,背景特征提取的准确度决定了高光谱异常检测算法的效果。基于信号稀疏表达的异常检测方法的主要思想是通过描述背景子空间的字典来评估信号的恢复误差,通过误差来判别待测像素是背景还是目标。但是,基于稀疏表达的算法并没有对数据的统计分布进行假设,背景特征也是通过随机方式获得的,其中背景的纯净度决定了检测结果的精度。低秩稀疏矩阵分解算法(LRaSMD)将矩阵分解为低秩矩阵、稀疏矩阵和噪声矩阵。其中低秩矩阵对应背景矩阵,稀疏矩阵可以用来检测异常目标,通过LRaSMD算法我们可以得到比较干净的背景。此外由于自编码器在提取隐层特征上具有丰富性、判别性和准确性等优点,我们也可以利用自编码器获取背景特征。因此本文提出了改进的稀疏表达算法来进行目标检测,从两方面获取背景特征,分别是低秩稀疏矩阵分解和自编码器,然后通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。本文研究内容主要包括以下几方面:(1)对稀疏表达理论的基本概念做了详细介绍,根据现有的研究成果阐述了几种常用的稀疏求解算法并且做了简单的比较与分析。稀疏表达的理论介绍为后续章节提出的改进后的异常检测算法奠定了扎实的理论基础。(2)介绍了低秩稀疏矩阵分解算法(Low-Rank and Sparse Matrix Decomposition,LRaSMD)的原理,可将背景和异常区分开,因此可以极大地减弱异常目标对背景的污染。本文提出了一种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算法,首先通过LRaSMD算法获取比较干净的背景,然后通过稀疏表达的方式从背景中构建背景字典模型,最后通过计算重构误差来检测异常目标。(3)介绍了基于自编码器和稀疏表达的高光谱异常目标检测算法。自编码器通过多层隐含层来拟合原始的输入样本数据,与传统的机器视觉处理方法相比,它的自适应性更强,无需人为选择特征。本文利用自编码网络提取高光谱图像的背景特征,然后结合稀疏表达的方式来检测异常目标。(本文来源于《太原理工大学》期刊2019-06-01）
侯增福[7]（2019）在《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》一文中研究指出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叁个方面进行研究,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。(本文来源于《中国矿业大学》期刊2019-06-01）
刘嘉诚,王爽,刘伟华,胡炳梁[8]（2019）在《显着性权重RX高光谱异常点检测》一文中研究指出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着性分析的加权RX算法。该算法通过引入图像显着性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显着性权重图,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。(本文来源于《遥感学报》期刊2019年03期）
姚瑶,傅立军,葛海江[9]（2019）在《基于机器学习的多光谱舰船图像异常目标检测方法》一文中研究指出针对现有舰船异常目标检测方法,出现高相似度异常目标辨识度低的问题。提出基于机器学习的多光谱舰船图像异常目标检测方法,基于机器学习技术,对现有图像分析算法进行优化改进,通过采用多光谱AI协同CRD算法对图像构成原子进行划类提取,明确目标图像边缘。在此基础上,利用精准图源RX处理算法,精准确认图像内异常目标特征,完成提出的方法设计。对比实验证明,提出的基于机器学习的多光谱舰船图像异常目标检测方法,能够准确识别恶劣环境下的图像目标异常,具备高精度识别高相似度图像内的异常目标的要求,并且在处理速度、运算稳定性与后期学习能力上都优于传统舰船图像异常目标检测方法。(本文来源于《舰船科学技术》期刊2019年10期）
王瑞军,王永军,孙永彬,王诜[10]（2019）在《甘肃红山铁矿床高光谱蚀变异常剖析及找矿应用》一文中研究指出红山铁矿床位处北山成矿带,在铁矿床及周边分布有较多的铁、铜、镍、金等矿床或矿点,成矿地质条件优越。前人在该区已开展较多基础地质、多光谱遥感应用、科研和铁矿勘查工作,发现了多处铁及多金属矿床(聂凤军等,2001;左国朝等,1990)。该区地表基岩裸露,围岩蚀变发育,有利于发挥高光谱遥感的技术优势,利用高光谱蚀变异常进行综合剖析,圈定找矿远景区,缩短找矿进程,实现红山地区找矿快速突破。(本文来源于《第四届全国青年地质大会摘要集》期刊2019-04-13）
光谱异常论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对协同表示的高光谱异常目标检测算法的异常点敏感问题,提出了一种基于背景纯化的改进协同表示的高光谱异常目标检测算法。利用扩展数学形态学的膨胀操作消除局部背景模型中可能存在的异常点,从而得到更为纯净的背景字典,能够有效地消除检测过程中异常点对检测效果的负面影响,从而提高检测精度。采用该算法对高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法具有更好的检测效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
光谱异常论文参考文献
[1].成宝芝,张丽丽.基于双边滤波的最优波段子空间高光谱异常目标检测[J].液晶与显示.2019
[2].张炎,华文深,黄富瑜,王强辉,索文凯.基于背景纯化的改进协同表示的高光谱异常目标检测[J].半导体光电.2019
[3].张炎,华文深,严阳,崔子浩,索文凯.高光谱异常目标检测算法研究进展[J].激光杂志.2019
[4].陈松林,陈曦,王成彬,胡飞,方臣.识别斑岩铜矿综合地球化学异常的光谱角方法[J].资源环境与工程.2019
[5].刘春桐,马世欣,王浩,汪洋,李洪才.基于空间密度聚类的改进KRX高光谱异常检测[J].光谱学与光谱分析.2019
[6].张晓慧.基于改进稀疏表达的高光谱异常目标检测[D].太原理工大学.2019
[7].侯增福.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].中国矿业大学.2019
[8].刘嘉诚,王爽,刘伟华,胡炳梁.显着性权重RX高光谱异常点检测[J].遥感学报.2019
[9].姚瑶,傅立军,葛海江.基于机器学习的多光谱舰船图像异常目标检测方法[J].舰船科学技术.2019
[10].王瑞军,王永军,孙永彬,王诜.甘肃红山铁矿床高光谱蚀变异常剖析及找矿应用[C].第四届全国青年地质大会摘要集.2019
论文知识图
