高光谱图像异常目标检测

论文摘要

由于高光谱图像特殊的成像方式即可以同时观测空间信息和谱间信息,使得高光谱图像在目标检测方面具有独特的优势,并成为目标自动识别领域的一个前沿研究方向。异常检测算法能够在没有先验光谱信息的情况下检测到与周围背景存在光谱差异的目标,这种检测具有更强的实用性。本文在分析高光谱图像特点的基础上,开展高光谱图像异常目标检测方法的研究。异常目标检测大致可以分为两步:首先通过异常检测算子找到目标潜在区域,然后通过先验目标信息甄别真伪目标以实现目标的识别。本文针对高光谱图像异常目标检测开展如下研究:怎样抑制背景和噪声信号并增强异常目标信息;怎样挖掘高光谱图像中的空间信息和光谱信息等。本文首先从高光谱图像数据特点出发,分析了高光谱图像的空间特性和光谱特性,为异常检测算子的构造和仿真数据的模拟提供理论依据。其次按照检测目标的大小,将异常目标检测分为点目标和面目标检测两类。针对点异常检测,本文分析了几种经典的异常检测算法例如RX检测算法及其改进算法,UTD异常检测算法等,并依据高光谱图像的空间相关性提出了一种基于邻域相关性的最小二乘预测的点异常检测算法,提高了在背景较复杂的情况下的异常检测能力。对于面目标检测,本文在经典的RX异常检测算子的基础上做了部分改进,提高了异常检测能力。改进之处主要包括:（1）通过最小二乘算法获得的原始高光谱图像的残差图抑制背景信号,增强目标信号,同时提高背景的高斯性;（2）本文提出了一种自动阈值分割的异常目标提取算法,该算法同普遍采用的N-P准则算法相比,自动化程度更高。最后,为了消除上述点目标和面目标奇异检测的虚假目标,本文通过高光谱图像的空间相关性的分析,提出一种基于张量投票的异常目标背景修复思想,最后采用目标分解匹配技术鉴别真伪目标,从而达到目标识别的目的。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景和意义
• 1.2 国内外研究现状
• 1.3 本文工作
• 2 基于空间特征分析的异常检测方法研究
• 2.1 谱间相关性分析
• 2.2 空间相关性分析
• 2.3 基于空间特性分析的点异常检测
• 2.4 异常区域检测
• 2.5 本章小结
• 3 背景光谱估计
• 3.1 张量投票算法原理
• 3.2 基于张量投票的高光谱图像背景估计
• 3.3 基于张量投票的高光谱图像背景估计仿真实验
• 3.4 本章小结
• 4 基于光谱匹配的目标检测
• 4.1 混合像元光谱模型分析
• 4.2 光谱匹配相似性度量方法分析
• 4.3 基于光谱匹配的目标检测方法研究
• 4.4 基于光谱匹配的目标检测仿真实验
• 4.5 本章小结
• 5 总结
• 致谢
• 参考文献