CN105761273A - 一种基于图构造的高光谱遥感影像异常目标探测方法 - Google Patents
一种基于图构造的高光谱遥感影像异常目标探测方法 Download PDFInfo
- Publication number
- CN105761273A CN105761273A CN201610156118.2A CN201610156118A CN105761273A CN 105761273 A CN105761273 A CN 105761273A CN 201610156118 A CN201610156118 A CN 201610156118A CN 105761273 A CN105761273 A CN 105761273A
- Authority
- CN
- China
- Prior art keywords
- target
- pixel
- sensed image
- remotely sensed
- hyperspectral remotely
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于图构造的高光谱遥感影像异常目标探测方法,本发明将图构造方法运用于高光谱遥感影像异常目标探测可以在无需先验模型假设的情况下,对高光谱遥感影像数据从其自身特性出发进行数据自分析,从而得到高光谱遥感影像数据中的拓扑关系。通过不同的图构造方式可以得到高光谱遥感影像数据中相应的信息,如稳健背景与潜在异常目标的分割、表征数据本征维度的嵌入特征以及通过建立临近图获取影像数据中各像元异常度积分等。通过运用不同的图构造方式逐步提取高光谱遥感影像中的潜在异常信息、嵌入特征以及异常度积分,可在不需先验模型假设的情况下,通过数据自分析,对影像中的背景进行极好地抑制,同时突出异常目标。
Description
技术领域
本发明属于遥感影像处理技术领域,尤其涉及一种基于图构造的高光谱遥感影像异常目标探测方法。
背景技术
对地观测技术及其应用的飞速发展在很大程度上改变了人们认识世界的模式。高光谱遥感的兴起是20世纪80年代遥感技术发展的主要成就之一,是当前遥感的前沿技术。随着遥感技术的发展和传感器硬件的升级,所获取的遥感影像从单波段全色影像到多波段影像,再到高光谱遥感影像,光谱分辨率逐步提高,高光谱遥感在光谱分辨率上具有巨大优势。随着高光谱遥感技术的日趋成熟,其应用领域也日益广泛(文献[1])。
高光谱遥感影像高光谱分辨率的优势,使地物目标的探测能力有所增强。较之全色影像和多光谱遥感影像,高光谱遥感影像对于目标探测技术来讲具有显著优势。异常目标是指光谱与大部分背景地物有很大差异的目标像元,高光谱遥感影像异常目标探测技术可以通过统计分析的方式检测影像中的异常目标,无需目标和背景地物的先验光谱信息(文献[2])。对于很多应用领域,通常很难获得影像覆盖地区中的地物光谱。同时,由于大气传输过程中,大气吸收、散射以及潜在的光照和传感器光谱信号响应的影响,高光谱遥感影像所获取的像元地物光谱可能产生较大形变,使其与实验室测定光谱有很大差异。再者,地物光谱多变性、同物异谱以及同谱异物现象使需要已知先验光谱的目标探测技术面临困扰(文献[3])。在探测过程中,异常探测技术不需要目标和背景地物的先验光谱信息这一特点使其具有重要的研究和应用价值。近年来,高光谱遥感影像异常目标探测技术在很多领域中得到成功应用,如矿物勘测、边境监察、搜索营救等,成为高光谱遥感影像处理与应用的一个研究热点(文献[4])。
目前国内外学者对高光谱遥感影像异常目标探测技术做了很多研究。RX异常目标探测方法是异常目标探测技术中经典的基于马氏距离统计的探测器,已被广泛应用于多光谱和高光谱遥感影像,CBAD异常目标探测方法将影像中的类别信息考虑到探测统计中,BACON异常目标探测方法运用迭代统计方法使异常目标探测器具有更强的鲁棒性,Subspace-RX将子空间分析技术引入到高光谱异常目标探测中,在子空间中进行探测统计实现对背景的抑制,RSAD运用随机选择方法构造伪随机的背景统计方式以提高背景抑制的稳健性,Kernel-RX就核机器学习技术运用于高光谱异常目标探测,通过核技术构造非线性RX异常目标探测器,在高维空间中异常目标探测统计的性能显著提高,SVDD将支持向量数据表达方法引入高光谱异常目标探测并取得了成功,Selective-KPCA通过核主分量分析后结合LS值选择背景抑制较好的核主分量进行高光谱异常目标探测,降低了干扰地物的探测虚警率。
图构造方法采用图的数据表达方法可以从数据自身特性出发分析数据中的拓扑关系(文献[5])。将图构造方法运用于高光谱遥感影像异常目标探测可以在无需先验模型假设的情况下,对高光谱遥感影像数据从其自身特性出发进行数据自分析,从而得到高光谱遥感影像数据中的拓扑关系。通过不同的图构造方式可以得到高光谱遥感影像数据中相应的信息,如稳健背景与潜在异常目标的分割、表征数据本征维度的嵌入特征以及通过建立临近图获取影像数据中各像元异常度积分等。通过运用不同的图构造方式逐步提取高光谱遥感影像中的潜在异常信息、嵌入特征以及异常度积分,可在不需先验模型假设的情况下,通过数据自分析,对影像中的背景进行极好地抑制,同时突出异常目标。
[文献1]GoetzAFH,VaneG,SolomonJE,etal.“Imagingspectrometryforearthremotesensing.”Science,1985,228(4704):1147-1153.
[文献2]SteinDWJ,BeavenSG,HoffLE,etal.“Anomalydetectionfromhyperspectralimagery.”SignalProcessingMagazine,IEEE,2002,19(1):58-69.
[文献3]Keshava,N.andJ.F.Mustard.“Spectralunmixing.”SignalProcessingMagazine,IEEE,2002,19(1):44-57.
[文献4]MatteoliS,DianiM,CorsiniG.“Atutorialoverviewofanomalydetectioninhyperspectralimages.”AerospaceandElectronicSystemsMagazine,IEEE,2010,25(7):5-28.
[文献5]Frome,A.,Singer,Y.,Sha,F.,Malik,J.,2007.Learningglobally-consistentlocaldistancefunctionsforshape-basedimageretrievalandclassification.InICCV:1–8.
发明内容
针对现有技术多基于先验假设模型的不足,本发明提供了一种不需先验假设模型的、数据自分析的基于图构造的高光谱遥感影像异常目标探测方法。
本发明所采用的技术方案是:
1.一种基于图构造的高光谱遥感影像异常目标探测方法,其特征在于:将高光谱遥感影像X读入大小为P×N的R中,矩阵中各元素为各波段对应的像素辐射值,P为高光谱遥感影像的波段数,N为高光谱遥感影像的像素数;基于矩阵R对高光谱遥感影像进行如下操作:
步骤1:对高光谱遥感影像X建立预测连接分量图Gpcc;
步骤2:根据预测连接分量图中的相关性矩阵将高光谱遥感影像分割为稳健背景集合Xb和潜在异常目标集合Xa;
步骤3:根据Xb构造k-NN临近图提取嵌入特征;
步骤4:结合嵌入特征,将高光谱遥感影像转换到嵌入空间,获得嵌入后的高光谱遥感影像Ylpe;
步骤5:对Ylpe构建k-NN临近图Ggse,进行积分检测,获得高光谱遥感影像X的异常目标探测结果。
作为优选,步骤1的实现过程是,采用公式计算高光谱遥感影像X中各像元之间的欧氏距离,其中,xi和xj分别是高光谱遥感影像X中的第i个和第j个像元,rij为像元xi与像元xj之间的欧氏距离;采用公式初始化预测连接分量图Gpcc的相关性矩阵其中,是包含kpcc个与像元xi之间欧式距离最小像元的集合;对初始化后的采用迪杰斯特拉算法迭代更新迭代后获得的是像元xi与像元xj之间的测地距离。
作为优选,步骤2的实现过程是,根据获得的预测连接分量图Gpcc的相关性矩阵采用公式统计中每一列非极大值个数,其中,wi(j)是中第i列第j行元素,mj=(mj=1,wi(j)≠∞|mj=0,wi(j)=∞);采用公式对高光谱遥感影像X的各像元xi分配标签,其中,N为高光谱遥感影像中像元总数,标签为0的像元归入稳健背景集合Xb,标签为1的像元归入潜在异常目标集合Xa。
作为优选,步骤3的实现过程是,采用公式计算稳健背景集合Xb中各像元之间的相关性关系值,其中,和分别是稳健背景集合Xb中的第i个和第j个像元,σ为流型参数;采用公式计算临近图的相关性矩阵,其中,是包含kelp个与像元之间相关性关系值最小像元的集合;采用公式计算对角矩阵采用公式计算稳健背景集合Xb的拉普拉斯矩阵求解矩阵相对矩阵的广义特征值及广义特征值对应的特征向量,按照广义特征值大小对对应的特征向量进行排序,获得有序的特征向量矩阵,其中,将广义特征值从小到大排序,取最小的P*个广义特征值对应的特征向量作为嵌入特征Aelp,其中,P*<<P。
作为优选,步骤4的实现过程是,采用公式获得嵌入后的高光谱遥感影像Ylpe。
作为优选,步骤5的实现过程是,采用公式计算嵌入后的高光谱遥感影像Ylpe中各像元之间的欧式距离,其中,和分别是Ylpe中的第i个和第j个像元;采用公式计算临近图Ggse的相关性矩阵,其中,是包含kgse个与像元之间欧氏距离最小像元的集合;采用公式计算高光谱遥感影像X中像元xi的探测值,其中,是高光谱遥感影像X中像元xi的探测值,为包含kgse个与像元之间欧氏距离最小像元的集合,从而获得高光谱遥感影像X的异常目标探测结果。
与现有技术相比,本发明具有以下特定和有意效果:
1、在不需先验模型假设的情况下,运用图构造方法,通过数据自分析获取高光谱异常探测方法中所需信息。
2、通过不同的图构造方式得到高光谱遥感影像数据中相应的信息,如潜在异常信息、嵌入特征以及异常度积分等:1)通过建立预测连接分量图,进行稳健背景与潜在异常目标的分割;2)通过构造临近图,提取表征数据本征维度的嵌入特征;3)结合嵌入特征,通过建立临近图获取影像数据中各像元异常度积分等。
3、具有适应度高、自组织、自学习的特点,异常目标探测精度较高,适合高光谱遥感影像的数据特点,适用于高光谱遥感影像异常目标检测。
附图说明
图1为本发明实施例的具体流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明关键发明点为将图构造方法引入高光谱遥感影像的异常目标探测中,图构造方法从高光谱遥感影像数据在数据空间中的自身分布特性出发,考虑高光谱遥感影像数据空间中各像元间的拓扑关系。通过图构造方法分析高光谱遥感影像像元间的测地拓扑关系,预测高光谱遥感影像中的稳健背景和潜在异常目标。同时,通过分析高光谱遥感影像的本征维度,将高光谱遥感影像转换到能够揭示影像数据本征特性的嵌入空间。再结合基于图构造的积分检测方法,输出高光谱遥感影像的异常目标探测结果。基于图构造的高光谱遥感影像异常目标探测方法不需对高光谱遥感影像进行任何先验模型假设,可通过数据自身特性对异常目标进行探测。
本具体实施方式采用MATLAB平台实现,MATLAB高光谱遥感影像读写函数为实施基础。调用高光谱遥感影像读取函数,输入待读取遥感影像文件名,遥感影像即被读入大小为P×N的矩阵中,矩阵中各元素为各波段对应的像素辐射值,其中,N为遥感影像的波段数,P为遥感影像的像素数。调用高光谱遥感影像读写函数,将高光谱遥感影像读入矩阵X。MATLAB遥感影像读写函数为本技术领域的公知技术,在此不作赘述。
请见图1,本发明提供的一种基于图构造的高光谱遥感影像异常目标探测方法,将高光谱遥感影像X读入大小为P×N的矩阵R中,矩阵中各元素为各波段对应的像素辐射值,P为高光谱遥感影像的波段数,N为高光谱遥感影像的像素数;基于矩阵R对高光谱遥感影像进行如下操作:
(1)计算高光谱遥感影像X中各像元之间的欧氏距离,计算公式如下:
式(1)中,xi和xj分别是高光谱遥感影像X中的第i个和第j个像元。
基于公式(1)计算高光谱遥感影像X中各像元之间的欧氏距离。
(2)建立高光谱遥感影像X的预测连接分量图Gpcc,初始化Gpcc的相关性矩阵初始化公式如下:
式(2)中,是包含kpcc个与像元xi之间欧式距离最小像元的集合。
基于公式(2)初始化高光谱遥感影像X的预测连接分量图Gpcc的相关性矩阵
(3)对初始化后的采用迪杰斯特拉算法迭代更新迭代更新规则如下:
式(3)中,m是当前迭代次数,且m=1,2,...,n。
(4)根据获得的预测连接分量图Gpcc的相关性矩阵统计中每一列非极大值个数,统计公式如下:
式(4)中,mj=(mj=1,wi(j)≠∞|mj=0,wi(j)=∞),wi(j)是中第i列第j行元素。
(5)对高光谱遥感影像各像元xi分配标签,标签为0的像元归入稳健背景集合Xb,标签为1的像元归入潜在异常目标集合Xa,标签分配公式如下:
其中,N为高光谱遥感影像中像元总数。
(6)计算稳健背景集合Xb中各像元之间的相关性关系值,计算公式如下:
式(6)中,和分别是稳健背景集合Xb中的第i个和第j个像元,σ为流型参数;
(7)根据稳健背景集合Xb构建k-NN临近图计算的相关性矩阵,计算公式如下:
式(7)中,是包含kelp个与像元之间相关性关系值最小像元的集合。
(8)根据的相关性矩阵,计算对角矩阵计算公式如下:
(9)根据的相关性矩阵和对角矩阵计算稳健背景集合Xb的拉普拉斯矩阵计算公式如下:
(10)根据公式(10),求解矩阵相对矩阵的广义特征值及广义特征值对应的特征向量,按照广义特征值大小对对应的特征向量进行排序,获得有序的特征向量矩阵,其中,将广义特征值从小到大排序。取最小的P*个广义特征值对应的特征向量作为嵌入特征Aelp,其中,P*<<P。
式(10)中,λ是广义特征值,aelp是其对应的特征向量。
(11)结合嵌入特征Aelp,将高光谱遥感影像转换到嵌入空间,获得嵌入后的高光谱遥感影像Ylpe,嵌入公式如下:
(12)计算嵌入后的高光谱遥感影像Ylpe中各像元之间的欧式距离,计算公式如下:
式(11)中,和分别是Ylpe中的第i个和第j个像元。
(13)根据嵌入后的高光谱遥感影像Ylpe构建k-NN临近图Ggse,计算Ggse的相关性矩阵,计算公式如下:
式(13)中,是包含kgse个与像元之间欧氏距离最小像元的集合,
(14)计算高光谱遥感影像X中像元xi的探测值,计算公式如下:
式(14)中,是高光谱遥感影像X中像元xi的探测值。
以下通过对比试验来验证本发明的有益效果。
本试验采用的数据为:1)PushbroomHyperspectralImager(PHI)目标嵌入数据,光谱分辨率5nm,共80个波段,波谱覆盖范围是440-854nm,影像尺寸240像素×240像素;2)HyperspectralDigitalImageryCollectionExperiment(HYDICE)高光谱遥感影像数据,共210个波段,波谱覆盖范围是0.4-2.5um,去除低信噪比和水吸收波段后剩余162个波段,影像尺寸80像素×100像素;3)AirborneVisible/InfraredImagingSpectrometer(AVIRIS)高光谱遥感影像数据,共224个波段,波谱覆盖范围是0.4-2.5um,去除低信噪比和水吸收波段后剩余189个波段,影像尺寸60像素×60像素;4)Hyperion高光谱遥感影像数据,共242个波段,波谱覆盖范围是0.35-2.6um,去除低信噪比和水吸收波段后剩余155个波段,影像尺寸150像素×150像素。分别采用经典的RX异常探测方法(方法1)、基于聚类信息的异常探测方法(方法2)、子空间分析法(方法3)、封闭自适应高效异常探测方法(方法4)、核化RX异常探测方法(方法5)和本发明方法进行异常目标探测。
异常目标探测评价指标:采用ROC曲线下面积(AUC)值的定量评价方法。AUC值越大,表明异常探测方法性能越好。
采用AUC值评价方法1~3和本发明方法的异常目标探测能力,评价指标见表1。0.950
表1对比试验结果
从表1可见,本发明方法能获得更高的AUC值,表明本发明方法具有更强的异常目标探测能力。
由此可得出结论,与传统异常目标探测方法相比,本发明方法拥有更高的异常目标探测精度。本发明从高光谱遥感影像数据自身特性出发,可有效突出异常目标像元,抑制背景像元,提高异常目标探测精度。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于图构造的高光谱遥感影像异常目标探测方法,其特征在于:将高光谱遥感影像X读入大小为P×N的矩阵R中,矩阵中各元素为各波段对应的像素辐射值,P为高光谱遥感影像的波段数,N为高光谱遥感影像的像素数;基于矩阵R对高光谱遥感影像进行如下操作:
步骤1:对高光谱遥感影像X建立预测连接分量图Gpcc;
步骤2:根据预测连接分量图中的相关性矩阵将高光谱遥感影像分割为稳健背景集合Xb和潜在异常目标集合Xa;
步骤3:根据Xb构造k-NN临近图提取嵌入特征;
步骤4:结合嵌入特征,将高光谱遥感影像转换到嵌入空间,获得嵌入后的高光谱遥感影像Ylpe;
步骤5:对Ylpe构建k-NN临近图Ggse,进行积分检测,获得高光谱遥感影像X的异常目标探测结果。
2.根据权利要求1所述的基于图构造的高光谱遥感影像异常目标探测方法,其特征在于:步骤1的实现过程是,采用公式计算高光谱遥感影像X中各像元之间的欧氏距离,其中,xi和xj分别是高光谱遥感影像X中的第i个和第j个像元,rij为像元xi与像元xj之间的欧氏距离;采用公式初始化预测连接分量图Gpcc的相关性矩阵其中,是包含kpcc个与像元xi之间欧式距离最小像元的集合;对初始化后的采用迪杰斯特拉算法迭代更新迭代后获得的是像元xi与像元xj之间的测地距离。
3.根据权利要求1所述的基于图构造的高光谱遥感影像异常目标探测方法,其特征在于:步骤2的实现过程是,根据获得的预测连接分量图Gpcc的相关性矩阵采用公式统计中每一列非极大值个数,其中,wi(j)是中第i列第j行元素,mj=(mj=1,wi(j)≠∞|mj=0,wi(j)=∞);采用公式对高光谱遥感影像X的各像元xi分配标签,其中,N为高光谱遥感影像中像元总数,标签为0的像元归入稳健背景集合Xb,标签为1的像元归入潜在异常目标集合Xa。
4.根据权利要求1所述的基于图构造的高光谱遥感影像异常目标探测方法,其特征在于:步骤3的实现过程是,采用公式计算稳健背景集合Xb中各像元之间的相关性关系值,其中,和分别是稳健背景集合Xb中的第i个和第j个像元,σ为流型参数;采用公式计算临近图的相关性矩阵,其中,是包含kelp个与像元之间相关性关系值最小像元的集合;采用公式计算对角矩阵采用公式计算稳健背景集合Xb的拉普拉斯矩阵求解矩阵相对矩阵的广义特征值及广义特征值对应的特征向量,按照广义特征值大小对对应的特征向量进行排序,获得有序的特征向量矩阵,其中,将广义特征值从小到大排序,取最小的P*个广义特征值对应的特征向量作为嵌入特征Aelp,其中,P*<<P。
5.根据权利要求4所述的基于图构造的高光谱遥感影像异常目标探测方法,其特征在于:步骤4的实现过程是,采用公式获得嵌入后的高光谱遥感影像Ylpe。
6.根据权利要求5所述的基于图构造的高光谱遥感影像异常目标探测方法,其特征在于:步骤5的实现过程是,采用公式计算嵌入后的高光谱遥感影像Ylpe中各像元之间的欧式距离,其中,和分别是Ylpe中的第i个和第j个像元;采用公式计算临近图Ggse的相关性矩阵,其中,是包含kgse个与像元之间欧氏距离最小像元的集合;采用公式计算高光谱遥感影像X中像元xi的探测值,其中,是高光谱遥感影像X中像元xi的探测值,为包含kgse个与像元之间欧氏距离最小像元的集合,从而获得高光谱遥感影像X的异常目标探测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610156118.2A CN105761273B (zh) | 2016-03-18 | 2016-03-18 | 一种基于图构造的高光谱遥感影像异常目标探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610156118.2A CN105761273B (zh) | 2016-03-18 | 2016-03-18 | 一种基于图构造的高光谱遥感影像异常目标探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105761273A true CN105761273A (zh) | 2016-07-13 |
CN105761273B CN105761273B (zh) | 2018-09-07 |
Family
ID=56332163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610156118.2A Active CN105761273B (zh) | 2016-03-18 | 2016-03-18 | 一种基于图构造的高光谱遥感影像异常目标探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105761273B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
CN112801011A (zh) * | 2021-02-07 | 2021-05-14 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076955A1 (en) * | 2003-07-10 | 2007-04-05 | Schaum Alan P | Hyperspectral remote sensing systems and methods using covariance equalization |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN102903116A (zh) * | 2012-10-20 | 2013-01-30 | 复旦大学 | 一类基于图像块距离的高光谱图像流形降维方法 |
-
2016
- 2016-03-18 CN CN201610156118.2A patent/CN105761273B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076955A1 (en) * | 2003-07-10 | 2007-04-05 | Schaum Alan P | Hyperspectral remote sensing systems and methods using covariance equalization |
CN101806898A (zh) * | 2010-03-19 | 2010-08-18 | 武汉大学 | 基于端元可变的高光谱遥感影像目标探测方法 |
CN102903116A (zh) * | 2012-10-20 | 2013-01-30 | 复旦大学 | 一类基于图像块距离的高光谱图像流形降维方法 |
Non-Patent Citations (5)
Title |
---|
BO DU等: "A Discriminative Metric Learning Based Anomaly Detection Method", 《IEEE TRANSACTTONS ON GROSCIENCE AND RRMOTE SENSING》 * |
MANQI ZHAO等: "Anomaly Detection with Score functions based on Nearest Neighbor Graphs", 《CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS:NATURAL AND SYNTHETIC》 * |
MIKHAIL BELKIN等: "Laplacian Eigenmaps and Spectral Techuiques for Embedding arid Clustering", 《PROCEEDINGS OF THE 14TH INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS:NATURAL AND SYNTHETIC》 * |
杜博等: "一种基于高斯马尔可夫随机场的异常目标探测方法", 《测绘科学》 * |
赵春晖等: "一种背景误差累积的高光谱图像异常检测算法", 《光子学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307727A (zh) * | 2020-03-13 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于时序遥感影像的水体水色异常识别方法和装置 |
CN112801011A (zh) * | 2021-02-07 | 2021-05-14 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
CN112801011B (zh) * | 2021-02-07 | 2022-10-25 | 中国科学院空天信息创新研究院 | 一种高光谱图像目标探测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105761273B (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Hyperspectral anomaly detection by graph pixel selection | |
CN101807301B (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN110298235B (zh) | 基于流形约束自编码网络的高光谱异常检测方法及系统 | |
CN103456020B (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
CN103632155B (zh) | 基于慢特征分析的遥感影像变化检测方法 | |
Dong et al. | Asymmetric weighted logistic metric learning for hyperspectral target detection | |
CN102663752B (zh) | 一种sam加权kest高光谱异常检测算法 | |
CN103984966A (zh) | 基于稀疏表示的sar图像目标识别方法 | |
CN106250895A (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
CN103699874B (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
CN105913448B (zh) | 基于张量匹配子空间的高光谱图像目标检测方法 | |
CN107194936A (zh) | 基于超像素联合稀疏表示的高光谱图像目标检测方法 | |
CN104268556A (zh) | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 | |
CN105989597B (zh) | 基于像素选择过程的高光谱图像异常目标检测方法 | |
CN112990313A (zh) | 高光谱图像异常检测方法、装置、计算机设备及存储介质 | |
Zhang et al. | Mapping freshwater marsh species in the wetlands of Lake Okeechobee using very high-resolution aerial photography and lidar data | |
Han et al. | Spatial-spectral unsupervised convolutional sparse auto-encoder classifier for hyperspectral imagery | |
CN103473559A (zh) | 基于nsct域合成核的sar图像变化检测方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN107239768B (zh) | 一种基于张量主成分分析降维的高光谱图像目标检测方法 | |
CN105825512A (zh) | 基于稳健背景回归的高光谱遥感影像异常目标探测方法 | |
Luo et al. | Discriminative supervised neighborhood preserving embedding feature extraction for hyperspectral-image classification | |
CN107316009A (zh) | 基于张量线性判别分析降维的高光谱图像目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |