CN105825512A - 基于稳健背景回归的高光谱遥感影像异常目标探测方法 - Google Patents
基于稳健背景回归的高光谱遥感影像异常目标探测方法 Download PDFInfo
- Publication number
- CN105825512A CN105825512A CN201610156116.3A CN201610156116A CN105825512A CN 105825512 A CN105825512 A CN 105825512A CN 201610156116 A CN201610156116 A CN 201610156116A CN 105825512 A CN105825512 A CN 105825512A
- Authority
- CN
- China
- Prior art keywords
- pixel
- target
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稳健背景回归的高光谱遥感影像异常目标探测方法,运用核扩张技术,高光谱遥感数据非线性分布关系,获取高光谱遥感影像数据伪密度。通过设置稳健背景和潜在异常目标正负软标签,在高光谱遥感影像伪密度值与软标签之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构,以及通过联合稳健背景均值最大偏置项,最大程度地在稳健背景集合中排除潜在异常目标,使迭代回归可得到最优化的稳健背景集合。根据稳健背景集合获取影像数据中各像元异常度积分。具有适应度高、深入挖掘数据关系结构的特点,同时突出异常目标,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。
Description
技术领域
本发明属于遥感影像处理技术领域,尤其涉及一种基于稳健背景回归的高光谱遥感影像异常目标探测方法。
背景技术
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。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。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])。
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。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。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])。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])。再者,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。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,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,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,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,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,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。
稳健背景回归方法采用核扩张技术(文献[5])、流型结构分析(文献6])和稳健背景均值最大偏置可以最大程度地在稳健背景集合中排除潜在异常目标,使迭代回归得到最优化的。运用核扩张技术,高光谱遥感数据非线性分布关系,获取高光谱遥感影像数据伪密度。通过设置稳健背景和潜在异常目标正负软标签,在高光谱遥感影像伪密度值与软标签之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构,以及通过联合稳健背景均值最大偏置项,最大程度地在稳健背景集合中排除潜在异常目标,使迭代回归可得到最优化的稳健背景集合。根据稳健背景集合获取影像数据中各像元异常度积分。通过将核扩张技术、流型结构分析和稳健背景均值最大偏置联合构造稳健背景回归过程影像中的背景进行很好地抑制,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]B.ScholkopfandA.J.Smola.LearningwithKernels:SupportVectorMachines,Regularization,Optimization,andBeyond.MITPress,2002.
[文献6]S.Yan,D.Xuetal.,“Graphembeddingandextensions:ageneralframeworkfordimensionalityreduction,”IEEETrans.PatternAnal.Mach.Intell.,vol.29,no.1,pp.40–51,2007.
发明内容
针对现有技术少有对高光谱遥感影像内在非线性分布关系进行分析的不足,本发明提供了一种解析高光谱遥感数据非线性分布关系及其内在流型结构的基于稳健背景回归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:一种基于稳健背景回归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获取影像数据核矩阵K和拉普拉斯矩阵L,给定流型控制项和稳健背景控制项权衡参数γ1和γ2;
步骤2:初始化核扩张系数α0;
步骤3:根据α0生成初始化稳健背景和潜在异常目标标签集
步骤4:迭代回归获取收敛后的标签集y*;
步骤5:根据标签集y*,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0<η<1计算高光谱遥感影像X中各像元之间的核空间关系,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,σke是核参数,η是正负分离项,k(xi,xj)为像元xi与像元xj之间的核空间关系;采用公式计算相关性矩阵W,其中,Ni是包含kL个与像元xi之间相关性关系最小像元的集合,σL是W的参数;采用公式计算对角矩阵D,采用公式L=D-W计算拉普拉斯矩阵L;给定流型控制项和稳健背景控制项权衡参数γ1和γ2。
作为优选,步骤2的实现过程是,采用公式初始化核扩张系数。其中,α0为初始化的核扩张系数,N为高光谱遥感影像中的像元总数。
作为优选,步骤3的实现过程是,根据α0,采用公式f0=Kα0初始化高光谱遥感影像各像元伪密度值,统计f0中正值像元个数设定正标签为负标签为-1;生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值f0正负相对应。
作为优选,步骤4的实现过程是,在每一轮迭代回归中,计算矩阵的最小特征值其中T=K(I+γ1L)K,I为维度为高光谱影像像元总数的单位矩阵,t为当前迭代次数,为上一轮迭代中产生的标签集;采用公式计算当前迭代中的核扩张系数;采用公式ft+1=Kαt+1计算高光谱遥感影像各像元当前迭代中的伪密度值,统计ft+1中正值像元个数设定正标签为负标签为-1;生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值ft+1正负相对应;直至停止迭代回归,得到收敛后的标签集y*。
作为优选,步骤5的实现过程是,根据收敛后的标签集y*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Xt,即若标签为正,则令像元为稳健背景,若标签为负,则令像元为潜在异常目标;采用公式计算高光谱遥感影像X中各像元与稳健背景集合中各像元之间的欧式距离,其中,xi为高光谱遥感影像X中的第i个像元,是Xb中的第j个像元;采用公式计算相关性矩阵Wpse,其中,是包含kpse个在Xb中与像元xi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,δRBRSE(i)是高光谱遥感影像X中像元xi的探测值,nb为Xb中所包含的像元个数,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、运用核扩张技术,高光谱遥感数据非线性分布关系,获取高光谱遥感影像数据伪密度。
2、通过设置稳健背景和潜在异常目标正负软标签,在高光谱遥感影像伪密度值与软标签之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构,以及通过联合稳健背景均值最大偏置项,最大程度地在稳健背景集合中排除潜在异常目标,使迭代回归可得到最优化的稳健背景集合。根据稳健背景集合获取影像数据中各像元异常度积分。
3、具有适应度高、深入挖掘数据关系结构的特点,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软标签迭代回归引入高光谱遥感影像的异常目标探测中,同时本发明将核扩张技术、流型控制、稳健背景均值最大偏置相结合,与软标签建立回归关系。通过设置稳健背景和潜在异常目标正负软标签,在高光谱遥感影像伪密度值与软标签之间建立回归关系。通过联合流型控制项解析高光谱遥感数据内在流型结构,以及通过联合稳健背景均值最大偏置项,最大程度地在稳健背景集合中排除潜在异常目标,使迭代回归可得到最优化的稳健背景集合。再结合积分检测方法,根据稳健背景集合输出高光谱遥感影像的异常目标探测结果。基于稳健背景回归的高光谱遥感影像异常目标探测方法对高光谱遥感数据非线性分布关系及其内在流型结构进行解析,可通过深入挖掘数据关系结构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稳健背景回归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中各像元之间的核空间关系,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,σke是核参数,η是正负分离项。
基于公式(1)计算高光谱遥感影像X中各像元之间的核空间关系。
(2)计算相关性矩阵W,计算公式如下:
式(2)中,Ni是包含kL个与像元xi之间相关性关系最小像元的集合,σL是W的参数。
基于公式(2)计算相关性矩阵W。
(3)计算对角矩阵D,计算公式如下:
(4)计算拉普拉斯矩阵L,计算公式如下:
L=D-W(4)
(5)初始化核扩张系数α0,初始化公式如下:
其中,α0为初始化的核扩张系数,N为高光谱遥感影像中的像元总数。
(6)根据α0,初始化高光谱遥感影像各像元伪密度值,计算公式如下:
f0=Kα0,(6)
(7)统计f0中正值像元个数设定正标签为负标签为-1。
(8)生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值f0正负相对应。
(9)计算矩阵的最小特征值其中T=K(I+γ1L)K,t为当前迭代次数,为上一轮迭代中产生的标签集,I为维度为高光谱影像像元总数的单位矩阵;计算当前迭代中的核扩张系数,计算公式如下:
计算高光谱遥感影像各像元当前迭代中的伪密度值,计算公式如下:
ft+1=Kαt+1(8)
统计ft+1中正值像元个数设定正标签为负标签为-1。生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值ft+1正负相对应。直至停止迭代回归,得到收敛后的标签集y*。
(10)根据收敛后的标签集y*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Xt,即若标签为正,则令像元为稳健背景,若标签为负,则令像元为潜在异常目标。
(11)计算高光谱遥感影像X中各像元与稳健背景集合中各像元之间的欧式距离,计算公式如下:
式(9)中,xi为高光谱遥感影像X中的第i个像元,是Xb中的第j个像元。
(12)计算相关性矩阵Wpse,计算公式如下:
式(10)中,是包含kpse个在Xb中与像元xi之间欧氏距离最小像元的集合。
(13)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(13)中,nb为Xb中所包含像元个数,δRBRSE(i)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)ReflectiveOpticsSystemImagingSpectrometer(ROSIS)高光谱遥感影像数据,共102个波段,波谱覆盖范围是0.43-0.86um,影像尺寸120像素×108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非线性分布关系及内在流型结构出发,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)
1.一种基于稳健背景回归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获取影像数据核矩阵K和拉普拉斯矩阵L,给定流型控制项和稳健背景控制项权衡参数γ1和γ2;
步骤2:初始化核扩张系数α0;
步骤3:根据α0生成初始化稳健背景和潜在异常目标标签集
步骤4:迭代回归获取收敛后的标签集y*;
步骤5:根据标签集y*,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所述的基于稳健背景回归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0<η<1计算高光谱遥感影像X中各像元之间的核空间关系,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,σke是核参数,η是正负分离项,k(xi,xj)为像元xi与像元xj之间的核空间关系;采用公式计算相关性矩阵W,其中,Ni是包含kL个与像元xi之间相关性关系最小像元的集合,σL是W的参数;采用公式计算对角矩阵D,采用公式L=D-W计算拉普拉斯矩阵L;给定流型控制项和稳健背景控制项权衡参数γ1和γ2。
3.根据权利要求1所述的基于稳健背景回归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,采用公式初始化核扩张系数。其中,α0为初始化的核扩张系数,N为高光谱遥感影像中的像元总数。
4.根据权利要求3所述的基于稳健背景回归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,根据α0,采用公式f0=Kα0初始化高光谱遥感影像各像元伪密度值,统计f0中正值像元个数设定正标签为负标签为-1;生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值f0正负相对应。
5.根据权利要求1所述的基于稳健背景回归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,在每一轮迭代回归中,计算矩阵的最小特征值其中T=K(I+γ1L)K,I为维度为高光谱影像像元总数的单位矩阵,t为当前迭代次数,为上一轮迭代中产生的标签集;采用公式计算当前迭代中的核扩张系数;采用公式ft+1=Kαt+1计算高光谱遥感影像各像元当前迭代中的伪密度值,统计ft+1中正值像元个数设定正标签为负标签为-1;生成初始化稳健背景和潜在异常目标标签集使标签正负与伪密度值ft+1正负相对应;直至停止迭代回归,得到收敛后的标签集y*。
6.根据权利要求1所述的基于稳健背景回归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,根据收敛后的标签集y*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Xt,即若标签为正,则令像元为稳健背景,若标签为负,则令像元为潜在异常目标;采用公式计算高光谱遥感影像X中各像元与稳健背景集合中各像元之间的欧式距离,其中,xi为高光谱遥感影像X中的第i个像元,是Xb中的第j个像元;采用公式计算相关性矩阵Wpse,其中,是包含kpse个在Xb中与像元xi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,δRBRSE(i)是高光谱遥感影像X中像元xi的探测值,nb为Xb中所包含像元个数,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 |
---|---|---|---|
CN201610156116.3A CN105825512B (zh) | 2016-03-18 | 2016-03-18 | 基于稳健背景回归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 |
---|---|---|---|
CN201610156116.3A CN105825512B (zh) | 2016-03-18 | 2016-03-18 | 基于稳健背景回归的高光谱遥感影像异常目标探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105825512A true CN105825512A (zh) | 2016-08-03 |
CN105825512B CN105825512B (zh) | 2018-06-29 |
Family
ID=56523976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610156116.3A Active CN105825512B (zh) | 2016-03-18 | 2016-03-18 | 基于稳健背景回归的高光谱遥感影像异常目标探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825512B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222756A (zh) * | 2019-05-31 | 2019-09-10 | 河海大学常州校区 | 一种面向高光谱复杂背景的迭代聚类异常检测算法 |
CN110599466A (zh) * | 2019-08-29 | 2019-12-20 | 武汉大学 | 一种成分投影优化分离的高光谱异常探测方法 |
CN114049567A (zh) * | 2021-11-22 | 2022-02-15 | 齐鲁工业大学 | 自适应软标签生成方法以及在高光谱图像分类中的应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271527A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于运动场局部统计特征分析的异常行为检测方法 |
US20120093376A1 (en) * | 2010-10-14 | 2012-04-19 | Malik Wasim Q | Noise reduction of imaging data |
-
2016
- 2016-03-18 CN CN201610156116.3A patent/CN105825512B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271527A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于运动场局部统计特征分析的异常行为检测方法 |
US20120093376A1 (en) * | 2010-10-14 | 2012-04-19 | Malik Wasim Q | Noise reduction of imaging data |
Non-Patent Citations (3)
Title |
---|
BO DU ET AL.: "A Discriminative Metric Learning Based Anomaly Detection Method", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
RUI ZHAO ET AL.: "A Robust Nonlinear Hyperspectral Anomaly Detection Approach", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
李智勇 等: "基于高光谱图像主成分分量的小目标检测算法研究", 《红外与毫米波学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222756A (zh) * | 2019-05-31 | 2019-09-10 | 河海大学常州校区 | 一种面向高光谱复杂背景的迭代聚类异常检测算法 |
CN110222756B (zh) * | 2019-05-31 | 2022-09-02 | 河海大学常州校区 | 一种面向高光谱复杂背景的迭代聚类异常检测方法 |
CN110599466A (zh) * | 2019-08-29 | 2019-12-20 | 武汉大学 | 一种成分投影优化分离的高光谱异常探测方法 |
CN110599466B (zh) * | 2019-08-29 | 2022-04-29 | 武汉大学 | 一种成分投影优化分离的高光谱异常探测方法 |
CN114049567A (zh) * | 2021-11-22 | 2022-02-15 | 齐鲁工业大学 | 自适应软标签生成方法以及在高光谱图像分类中的应用 |
CN114049567B (zh) * | 2021-11-22 | 2024-02-23 | 齐鲁工业大学 | 自适应软标签生成方法以及在高光谱图像分类中的应用 |
Also Published As
Publication number | Publication date |
---|---|
CN105825512B (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101807301B (zh) | 一种基于高阶统计量的高光谱图像目标检测方法 | |
Gu et al. | A selective KPCA algorithm based on high-order statistics for anomaly detection in hyperspectral imagery | |
CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
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 | |
CN109145992A (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN104408705B (zh) | 一种高光谱图像的异常检测方法 | |
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 | |
Feng et al. | Local spatial constraint and total variation for hyperspectral anomaly detection | |
CN104298999B (zh) | 基于递归自动编码的高光谱特征学习方法 | |
CN105913448B (zh) | 基于张量匹配子空间的高光谱图像目标检测方法 | |
Zhang et al. | Spatially adaptive sparse representation for target detection in hyperspectral images | |
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 | |
Zhang et al. | Regularization framework for target detection in hyperspectral imagery | |
Lederman et al. | Alternating diffusion for common manifold learning with application to sleep stage assessment | |
Zhao et al. | Spectral–spatial anomaly detection via collaborative representation constraint stacked autoencoders for hyperspectral images | |
CN108520279A (zh) | 一种局部稀疏嵌入的高光谱图像半监督降维方法 | |
Zhang et al. | Sparsity divergence index based on locally linear embedding for hyperspectral anomaly detection | |
Zhu et al. | Single-spectrum-driven binary-class sparse representation target detector for hyperspectral imagery | |
CN107316009B (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 | |
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 | |
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 | |
Huang et al. | Nonlocal similarity regularized sparsity model for hyperspectral target detection | |
Li et al. | Using improved ICA method for hyperspectral data classification |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220727 Address after: Room 2752, hatch Eagle building, No. 99, Tuanjie Road, yanchuangyuan, Nanjing area, China (Jiangsu) pilot Free Trade Zone, Nanjing, Jiangsu 211500 Patentee after: Nanjing Luojia Intelligent Technology Research Institute Co.,Ltd. Address before: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan Patentee before: WUHAN University |