基于数据源优化的高光谱图像异常检测算法研究

论文摘要

高光谱遥感图像凭借其较高的光谱分辨率,具有区分微小光谱差异地物的能力,且不需要任何先验光谱信息,因而具有较强的实用性,现已成为目标检测领域中的一个研究热点,受到国内外学者的高度重视。本文在深入分析高光谱图像数据结构及特点的基础上,运用现代信号处理技术,针对高光谱图像异常检测中的高数据维、波段间非线性相关性、混合像元中背景信息对异常检测的干扰等问题,做了以下三方面的研究：首先,在研究高光谱图像数据降维技术的基础上,针对异常目标的分布特点,提出了基于选择性分段主成分分析的高光谱图像异常检测算法。该算法根据高光谱图像波段之间的分块相关性,在自适应子空间分解技术得到的各波段子集上分别采用主成分分析算法,去除波段之间的相关性,继而根据衡量存在异常目标可能性大小的局部平均奇异度统计量选取合适的主成分作为后续非线性KRX异常检测的数据源。该算法不仅极大地减少了高光谱图像的数据量,而且能够有效地保留图像的异常目标信息。其次,在分析线性混合模型理论的基础上,提出了一种基于背景误差累积的高光谱图像异常检测算法。该算法在各波段子集上采用主成分分析算法提取主要能量信息作为背景子空间,通过将图像正交投影到背景子空间,得到抑制背景突显目标的背景误差数据,用于后续KRX异常检测。该算法抑制了背景信息对目标检测的干扰,而且有效地利用了高光谱图像的非线性信息,取得了较好的检测效果。最后,针对KRX算法中因异常点混入背景数据而造成背景核矩阵退化的问题,本文提出了基于目标正交子空间投影加权的KRX异常检测算法。该算法从背景协方差矩阵的估算入手,采用端元提取技术提取目标端元构造目标子空间,继而通过将每个像素投影到目标的正交子空间中,为每个像素自适应地赋予合适的权值,从而减小由于目标信息的存在对背景特性估计的影响,使核矩阵能更好地描述背景分布状态,进而提高检测概率。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 成像遥感技术概述及其发展现状
• 1.1.1 遥感技术概述
• 1.1.2 高光谱遥感技术概述
• 1.1.3 国内外遥感技术的发展现状
• 1.2 高光谱图像目标检测技术概述及发展现状
• 1.3 统计学习理论与核方法简介
• 1.4 课题研究的目的和意义
• 1.5 课题研究内容及章节安排
• 第2章 高光谱图像异常检测及核方法理论
• 2.1 高光谱遥感图像数据描述
• 2.1.1 高光谱数据描述
• 2.1.2 高光谱数据的特性
• 2.2 高光谱图像异常检测基本理论
• 2.2.1 异常检测定义
• 2.2.2 异常检测算法设计的一般过程
• 2.2.3 异常检测算法的性能分析
• 2.2.4 高光谱图像异常检测中遇到的困难
• 2.3 核方法的基本理论
• 2.3.1 机器学习问题的模型
• 2.3.2 核函数及其基本性质
• 2.3.3 常用的核函数
• 2.3.4 核方法的特点
• 2.4 本章小结
• 第3章 基于选择性分段PCA的异常检测算法
• 3.1 算法提出的缘由
• 3.2 算法与原理
• 3.2.1 自适应子空间分解（ASD）算法
• 3.2.2 主成分分析（PCA）算法
• 3.2.3 局部平均奇异度（LAS）
• 3.2.4 KRX算法
• 3.3 仿真结果及其分析
• 3.3.1 数据描述
• 3.3.2 实验结果与分析
• 3.4 本章小结
• 第4章 一种背景误差累积的异常检测算法
• 4.1 算法提出的缘由
• 4.2 背景误差累积的KRX检测
• 4.3 仿真结果及其分析
• 4.4 本章小结
• 第5章 基于目标正交子空间投影加权的KRX算法
• 5.1 算法提出的缘由
• 5.2 基于目标正交子空间投影加权的KRX算法
• 5.2.1 端元提取技术
• 5.2.2 基于正交子空间投影加权的KRX算法
• 5.3 仿真结果及其分析
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的文章和取得的科研成果
• 致谢