CN105913448B - 基于张量匹配子空间的高光谱图像目标检测方法 - Google Patents

基于张量匹配子空间的高光谱图像目标检测方法 Download PDF

Info

Publication number
CN105913448B
CN105913448B CN201610356306.XA CN201610356306A CN105913448B CN 105913448 B CN105913448 B CN 105913448B CN 201610356306 A CN201610356306 A CN 201610356306A CN 105913448 B CN105913448 B CN 105913448B
Authority
CN
China
Prior art keywords
target
sample
tensor
space
subspace
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.)
Active
Application number
CN201610356306.XA
Other languages
English (en)
Other versions
CN105913448A (zh
Inventor
谷延锋
刘永健
高国明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang Industrial Technology Research Institute Asset Management Co ltd
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201610356306.XA priority Critical patent/CN105913448B/zh
Publication of CN105913448A publication Critical patent/CN105913448A/zh
Application granted granted Critical
Publication of CN105913448B publication Critical patent/CN105913448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Image Analysis (AREA)

Abstract

基于张量匹配子空间的高光谱图像目标检测方法，本发明涉及高光谱图像目标检测方法。本发明的目的是为了解决现有高光谱图像目标检测精度低以及空间信息利用率低的问题。具体过程为：一、建立张量表示下的目标和背景的信号表示模型；二、分别建立目标和背景的四阶张量矩阵；三、求取目标和背景的四阶张量矩阵中空间X、空间Y和光谱三个背景方向和三个目标方向的正交投影矩阵；四、将待检测信号映射到三得到的目标样本投影子空间和背景样本投影子空间中；五、判定待检测信号是否为检测目标，如果张量表达下的广义似然比检测模型值大于等于η时，为检测目标；否则为背景目标；其中η为阈值。本发明用于图像检测领域。

Description

基于张量匹配子空间的高光谱图像目标检测方法
技术领域
本发明涉及高光谱图像目标检测方法。
背景技术
高光谱传感器主要通过在不同的光学或近红外波段进行地物反射信息提取，获取地面的图-谱特征，高光谱图像包含了地物的光谱特征，地物的空间特征，这种几乎连续的光谱采样信息，可以反映地物在光谱上很小的差异变化，因此这种特征常被称为诊断特征，作为对地物进行分类和检测的依据。研究高光谱图像目标检测新技术，具有重要的理论意义和应用价值。在军事方面，可以揭露敌方目标的伪装、隐藏和欺骗。在民用方面，公共安全、食品安全、质量监控、森林着火点检测、失事点搜寻与营救等方面已经有重要应用。
现有典型的目标检测方法有基于有限冲积响应滤波器的约束能量最小化方法(constrained energy minimization，CEM)，正交子空间目标检测方法(orthogonalsubspace projection，OSP)，匹配子空间检测方法(matched subspace detector，MSD)，自适应子空间检测方法(adaptive subspace detector，ASD)等经典方法以及近几年提出的稀疏表示检测方法(sparse representation，SR)等。
当前目标检测主要利用光谱匹配特性，通过光谱匹配程度判断单点光谱的属性，并未充分考虑在高分条件下空间约束增强的特性，即局部相关性增大的特性，空间-光谱联合检测方法可以提高光谱和空间的利用能力，但一般的空间-光谱联合方法仅仅从光谱或空间的简单组合操作进行分析，而不能从三维数据整体进行信息挖掘，导致高光谱图像目标检测精度低以及空间信息利用不足。
发明内容
本发明的目的是为了解决现有高光谱图像目标检测精度低以及空间信息利用率低的问题，而提出基于张量匹配子空间的高光谱图像目标检测方法。
具体过程为：
步骤一、建立张量表示下的目标样本H1和背景样本H0的信号表示模型；
步骤二、根据高光谱样本数据和窗口大小，分别建立目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵；
步骤三、依据张量匹配子空间投影算法，求取目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵中空间X、空间Y和光谱三个背景方向和三个目标方向的正交投影矩阵；
待检测信号在三个背景方向正交投影矩阵映射下的数据空间为背景样本投影子空间，待检测信号在三个目标方向正交投影矩阵映射下的数据空间为目标样本投影子空间；
步骤四、提取待检测信号的空间X、空间Y和光谱的三阶张量矩阵，分别利用步骤三得到的正交投影矩阵将待检测信号映射到步骤三得到的目标样本投影子空间和背景样本投影子空间中；
步骤五、分别计算待检测信号与步骤四得到的目标样本和背景样本投影子空间投影下的信号的误差，依据张量表达下的广义似然比检测模型和给定的阈值，判定待检测信号是否为检测目标，如果张量表达下的广义似然比检测模型值大于等于η时，为检测目标；否则为背景目标；其中η为阈值。
本发明的有益效果为：
由于本发明方法将高光谱数据转换成张量形式进行处理，能够对多维数据整体信息进行挖掘，相比于当前目标检测单独利用光谱匹配特性，以及一般的仅通过光谱和空间的简单组合操作的空间-光谱联合方法，克服了不能从三维数据整体进行信息挖掘的缺点。提高了空间信息利用率以及高光谱图像目标检测的精度。
为了验证本发明所提出的方法的性能，针对一组机载可见光/红外成像光谱仪(Airborne Visible Infrared Imaging Spectrometer，AVIRIS)采集的一组机场数据进行了实验，实验结果验证了本发明提出的基于张量匹配子空间的高光谱图像目标检测方法的有效性。当虚警概率为10-2时，本发明方法的检测精度达到89％，比传统方法检测精度提高了10％以上。
附图说明
图1是本发明的实现流程示意图；
图2a是信号张量表示条件下背景H0的表示模型图，为待检测信号，和为从背景库中选取的一些背景样本的张量原子，a1、a2和an分别为和相对应的权重系数；
图2b是信号张量表示条件下目标H1的表示模型图，和为从目标库中选取的一些目标样本的张量原子，b1、b2和bm为和相对应的权重系数；
图3a是飞机场真实高光谱数据的一个波段的灰度图；
图3b是飞机场数据基于张量匹配子空间的高光谱图像目标检测结果图；
图3c是飞机场数据高光谱图像匹配子空间检测结果图；
图4是飞机场数据上述两种方法检测结果的接收机工作ROC曲线图，Tensor MSD为本发明基于张量匹配子空间的高光谱图像目标检测方法，MSD为传统的高光谱图像目标检测方法，Detection power为检测精度，False alarm rate为虚警概率。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式的基于张量匹配子空间的高光谱图像目标检测方法，具体过称为：
步骤一、建立张量表示下的目标样本H1和背景样本H0的信号表示模型；
步骤二、根据高光谱样本数据和窗口大小，分别建立目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵；
步骤三、依据张量匹配子空间投影算法，求取目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵中空间X、空间Y和光谱三个背景方向和三个目标方向的正交投影矩阵；
待检测信号在三个背景方向正交投影矩阵映射下的数据空间为背景样本投影子空间，待检测信号在三个目标方向正交投影矩阵映射下的数据空间为目标样本投影子空间；
步骤四、提取待检测信号的空间X、空间Y和光谱的三阶张量矩阵，分别利用步骤三得到的正交投影矩阵将待检测信号映射到步骤三得到的目标样本投影子空间和背景样本投影子空间中；
步骤五、分别计算待检测信号与步骤四得到的目标样本和背景样本投影子空间投影下的信号的误差，依据张量表达下的广义似然比检测模型和给定的阈值，判定待检测信号是否为检测目标，如果张量表达下的广义似然比检测模型值大于等于η时，为检测目标；否则为背景目标；其中η为阈值。
具体实施方式二：结合图2a、图2b说明本实施方式，本实施方式与具体实施方式一不同的是：所述步骤一中建立张量表示下的目标样本H1和背景样本H0的信号表示模型；具体过程为：
其中，表示待检测信号的三阶张量表示；表示背景样本形成的四阶张量子空间；表示目标样本形成的四阶张量子空间；x4表示在张量的第四维进行加权求和运算；α、β表示相应的丰度系数，即相应的权重；为一个高斯随机噪声的三阶张量表示；
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中根据高光谱样本数据和窗口大小，分别建立目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵；具体过称为：
步骤二一、从高光谱样本数据库中随机选取高光谱样本数据及设定高光谱样本数据的窗口尺寸；
步骤二二、将每个选取的高光谱样本数据的背景样本转换成三阶张量的形式，然后将所有的三阶张量形式的背景样本组成四阶张量；
步骤二三、将每个选取的高光谱样本数据的目标样本转换成三阶张量的形式，然后将所有的三阶张量形式的目标样本组成四阶张量；
所述三阶张量为空间X、空间Y和光谱；四阶张量为空间X、空间Y、光谱和原子。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中依据张量匹配子空间投影算法，求取目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵中空间X、空间Y和光谱三个背景方向和三个目标方向的正交投影矩阵；
待检测信号在三个背景方向正交投影矩阵映射下的数据空间就是背景样本投影子空间，待检测信号在三个目标方向正交投影矩阵映射下的数据空间就是目标样本投影子空间；投影矩阵的具体过程为：
其中，Ui表示四阶背景字典相关的正交投影矩阵，i＝1,2,3,4；Vi表示四阶目标背景字典相关的正交投影矩阵，i＝1,2,3,4；表示两个张量在i,j,k维的内积运算，i,j,k为信号维度，i,j,k取值为1,2,3,4，为正交投影矩阵大小，I1、I2为空间尺寸，I3为光谱维数；表示目标-背景样本形成的四阶张量子空间，表示背景样本形成的四阶张量子空间。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中提取待检测信号的空间X、空间Y和光谱的三阶张量矩阵，分别利用步骤三得到的正交投影矩阵将待检测信号映射到步骤三得到的目标样本投影子空间和背景样本投影子空间中；具体过程为：
其中，为待检测信号映射到步骤三得到的背景样本投影子空间中；
为待检测信号映射到步骤三得到的目标-背景样本投影子空间中。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤五中分别计算待检测信号与步骤四得到的目标样本和背景样本投影子空间投影下的信号的误差，依据张量表达下的广义似然比检测模型和给定的阈值，判定待检测信号是否为检测目标，如果张量表达下的广义似然比检测模型值大于等于η时，为检测目标；否则为背景目标；其中η为阈值；具体过程为：
其中，TD(·)表示待检测信号的检测结果，E(·)表示信号能量，表示Frobenius(弗罗贝尼乌斯范数)范数的平方，η表示设定的阈值。
采用以下实施例验证本发明的有益效果：
实施例一：
实验所用数据是AVIRIS传感器获得的美国圣地亚哥高光谱图像，数据包含224个光谱波段，波长范围为0.4～1.8μm，地面分辨率3.5m，灰度范围为0～10000，图像大小150×150。数据已经经过了大气、几何校正等预处理，并去除了低信噪比和水汽吸收波段，保留了126个波段。图3a为原始数据第4波段图像，图3b为基于张量匹配子空间的高光谱图像目标检测结果图，图3c为高光谱图像匹配子空间检测结果图，用来作为对比实验，图4为两种方法的接收机工作特性曲线。从图3b和图3c的检测结果图和图4所示的与之对应的接收机工作特性曲线可以看出：与对比试验相比，本发明方法能够在低虚警率的情况下达到更好的检测结果，证明了本发明方法的有效性；图4当虚警概率为10-2时，本发明方法的检测概率达到89％，比传统方法提高程度大于10％。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.基于张量匹配子空间的高光谱图像目标检测方法，其特征在于：基于张量匹配子空间的高光谱图像目标检测方法具体过称为：
步骤一、建立张量表示下的目标样本H1和背景样本H0的信号表示模型；
步骤二、根据高光谱样本数据和窗口大小，分别建立目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵；
步骤三、依据张量匹配子空间投影算法，求取目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵中空间X、空间Y和光谱三个背景方向和三个目标方向的正交投影矩阵；
待检测信号在三个背景方向正交投影矩阵映射下的数据空间为背景样本投影子空间，待检测信号在三个目标方向正交投影矩阵映射下的数据空间为目标样本投影子空间；
步骤四、提取待检测信号的空间X、空间Y和光谱的三阶张量矩阵，分别利用步骤三得到的正交投影矩阵将待检测信号映射到步骤三得到的目标样本投影子空间和背景样本投影子空间中；
步骤五、分别计算待检测信号与步骤四得到的目标样本和背景样本投影子空间投影下的信号的误差，依据张量表达下的广义似然比检测模型和给定的阈值，判定待检测信号是否为检测目标，如果张量表达下的广义似然比检测模型值大于等于η时，为检测目标；否则为背景目标；其中η为阈值。
2.根据权利要求1所述基于张量匹配子空间的高光谱图像目标检测方法，其特征在于：所述步骤一中建立张量表示下的目标样本H1和背景样本H0的信号表示模型；具体过程为：
其中，表示待检测信号的三阶张量表示；表示背景样本形成的四阶张量子空间；表示目标样本形成的四阶张量子空间；x4表示在张量的第四维进行加权求和运算；α、β表示相应的丰度系数，即相应的权重；为一个高斯随机噪声的三阶张量表示。
3.根据权利要求2所述基于张量匹配子空间的高光谱图像目标检测方法，其特征在于：所述步骤二中根据高光谱样本数据和窗口大小，分别建立目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵；具体过称为：
步骤二一、从高光谱样本数据库中随机选取高光谱样本数据及设定高光谱样本数据的窗口尺寸；
步骤二二、将每个选取的高光谱样本数据的背景样本转换成三阶张量的形式，然后将所有的三阶张量形式的背景样本组成四阶张量；
步骤二三、将每个选取的高光谱样本数据的目标样本转换成三阶张量的形式，然后将所有的三阶张量形式的目标样本组成四阶张量；
所述三阶张量为空间X、空间Y和光谱；四阶张量为空间X、空间Y、光谱和原子。
4.根据权利要求3所述基于张量匹配子空间的高光谱图像目标检测方法，其特征在于：所述步骤三中依据张量匹配子空间投影算法，求取目标样本H1和背景样本H0的空间X、空间Y、光谱和原子的四阶张量矩阵中空间X、空间Y和光谱三个背景方向和三个目标方向的正交投影矩阵；
待检测信号在三个背景方向正交投影矩阵映射下的数据空间就是背景样本投影子空间，待检测信号在三个目标方向正交投影矩阵映射下的数据空间就是目标样本投影子空间；投影矩阵的具体过程为：
其中，Ui表示四阶背景字典相关的正交投影矩阵，i＝1,2,3；Vi表示四阶目标背景字典相关的正交投影矩阵，i＝1,2,3；表示两个张量在i′,j,k维的内积运算，i′,j,k为信号维度，i′,j,k取值为1,2,3,4，为正交投影矩阵大小，I1、I2为空间尺寸，I3为光谱维数；表示目标-背景样本形成的四阶张量子空间，表示背景样本形成的四阶张量子空间。
5.根据权利要求4所述基于张量匹配子空间的高光谱图像目标检测方法，其特征在于：所述步骤四中提取待检测信号的空间X、空间Y和光谱的三阶张量矩阵，分别利用步骤三得到的正交投影矩阵将待检测信号映射到步骤三得到的目标样本投影子空间和背景样本投影子空间中；具体过程为：
其中，为待检测信号映射到步骤三得到的背景样本投影子空间中；
为待检测信号映射到步骤三得到的目标-背景样本投影子空间中。
6.根据权利要求5所述基于张量匹配子空间的高光谱图像目标检测方法，其特征在于：所述步骤五中分别计算待检测信号与步骤四得到的目标样本和背景样本投影子空间投影下的信号的误差，依据张量表达下的广义似然比检测模型和给定的阈值，判定待检测信号是否为检测目标，如果张量表达下的广义似然比检测模型值大于等于η时，为检测目标；否则为背景目标；其中η为阈值；具体过程为：
其中，TD(·)表示待检测信号的检测结果，E(·)表示信号能量，表示Frobenius范数的平方，Frobenius为弗罗贝尼乌斯范数，η表示设定的阈值。
CN201610356306.XA 2016-05-25 2016-05-25 基于张量匹配子空间的高光谱图像目标检测方法 Active CN105913448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610356306.XA CN105913448B (zh) 2016-05-25 2016-05-25 基于张量匹配子空间的高光谱图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610356306.XA CN105913448B (zh) 2016-05-25 2016-05-25 基于张量匹配子空间的高光谱图像目标检测方法

Publications (2)

Publication Number Publication Date
CN105913448A CN105913448A (zh) 2016-08-31
CN105913448B true CN105913448B (zh) 2018-09-07

Family

ID=56742373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610356306.XA Active CN105913448B (zh) 2016-05-25 2016-05-25 基于张量匹配子空间的高光谱图像目标检测方法

Country Status (1)

Country Link
CN (1) CN105913448B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491761A (zh) * 2017-08-23 2017-12-19 哈尔滨工业大学（威海） 一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038436B (zh) * 2017-05-24 2020-08-25 哈尔滨工业大学 一种基于张量光谱匹配滤波的高光谱图像目标检测方法
CN107316009B (zh) * 2017-06-09 2020-08-28 哈尔滨工业大学 基于张量线性判别分析降维的高光谱图像目标检测方法
CN107239768B (zh) * 2017-06-09 2020-10-20 哈尔滨工业大学 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
CN109934815B (zh) * 2019-03-18 2023-04-14 电子科技大学 一种结合atv约束的张量恢复红外弱小目标检测方法
CN110175581B (zh) * 2019-05-29 2021-02-02 哈尔滨工业大学 一种基于累积张量分解的高光谱视频图像气体检测方法
CN112307961B (zh) * 2020-10-30 2024-02-20 魏运 混合光纤入侵信号的处理方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807301A (zh) * 2010-03-17 2010-08-18 北京航空航天大学 一种基于高阶统计量的高光谱图像目标检测方法
CN103020955A (zh) * 2012-11-16 2013-04-03 哈尔滨工程大学 邻域空间窗口的高光谱图像稀疏表示目标检测方法
CN104182978A (zh) * 2014-08-22 2014-12-03 哈尔滨工程大学 一种基于空谱核稀疏表示的高光谱图像目标检测方法
CN104346812A (zh) * 2014-10-13 2015-02-11 西北工业大学 基于鲁棒背景估计方法的高光谱图像局部目标检测方法
CN104794457A (zh) * 2015-05-05 2015-07-22 哈尔滨工程大学 基于稀疏误差矩阵的高光谱图像目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9854221B2 (en) * 2014-09-26 2017-12-26 Xerox Corporation Hyperspectral imaging devices using hybrid vector and tensor processing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807301A (zh) * 2010-03-17 2010-08-18 北京航空航天大学 一种基于高阶统计量的高光谱图像目标检测方法
CN103020955A (zh) * 2012-11-16 2013-04-03 哈尔滨工程大学 邻域空间窗口的高光谱图像稀疏表示目标检测方法
CN104182978A (zh) * 2014-08-22 2014-12-03 哈尔滨工程大学 一种基于空谱核稀疏表示的高光谱图像目标检测方法
CN104346812A (zh) * 2014-10-13 2015-02-11 西北工业大学 基于鲁棒背景估计方法的高光谱图像局部目标检测方法
CN104794457A (zh) * 2015-05-05 2015-07-22 哈尔滨工程大学 基于稀疏误差矩阵的高光谱图像目标检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Sparse Transfer Manifold Embedding for Hyperspectral Target Detection;Lefei Zhang 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20140228;第52卷(第2期);第1030-1043页 *
有监督的高光谱图像伪装目标检测方法;刘志刚 等;《红外与激光工程》;20131125;第42卷(第11期);第3076-3081页 *
空间4-邻域稀疏表示的高光谱图像目标检测;赵春晖 等;《哈尔滨工程大学学报》;20130628;第34卷(第9期);第1171-1178页 *
高光谱图像异常目标检测研究进展;赵春晖 等;《电子测量与仪器学报》;20140815;第28卷(第8期);第803-811页 *
高光谱图像目标检测算法分析;孙林 等;《测绘科学》;20120220;第37卷(第1期);第131-132页 *
高分辨率航空遥感高光谱图像稀疏张量目标检测;谷延锋 等;《测绘通报》;20150125(第2015年第1期);第31-38页 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491761A (zh) * 2017-08-23 2017-12-19 哈尔滨工业大学（威海） 一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法
CN107491761B (zh) * 2017-08-23 2020-04-03 哈尔滨工业大学（威海） 一种基于深度学习特征和点到集合距离度量学习的目标跟踪方法

Also Published As

Publication number Publication date
CN105913448A (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN105913448B (zh) 基于张量匹配子空间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
Zhao et al. Hyperspectral anomaly detection via a sparsity score estimation framework
CN109636742B (zh) 基于对抗生成网络的sar图像和可见光图像的模式转换方法
Harsanyi Detection and classification of subpixel spectral signatures in hyperspectral image sequences
CN107038436A (zh) 一种基于张量光谱匹配滤波的高光谱图像目标检测方法
CN104408705B (zh) 一种高光谱图像的异常检测方法
Plaza et al. An improved N-FINDR algorithm in implementation
CN106886760B (zh) 一种基于空谱信息结合的高光谱舰船检测方法
Geng et al. CEM: more bands, better performance
CN110298235A (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
CN107194936B (zh) 基于超像素联合稀疏表示的高光谱图像目标检测方法
CN109901130B (zh) 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法
CN102540271B (zh) 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法
Bajorski et al. Comparison of basis-vector selection methods for target and background subspaces as applied to subpixel target detection
CN107239768A (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
CN107203750A (zh) 一种基于稀疏表达和判别分析相结合的高光谱目标检测方法
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
Li et al. Spectral-Spatial Depth-Based Framework for Hyperspectral Underwater Target Detection
CN105825512B (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
Zhang et al. Feature Bands Based Unsupervised Hyperspectral Underwater Target Detection Near the Coastline
Ientilucci et al. Target detection in a structured background environment using an infeasibility metric in an invariant space
CN109285148A (zh) 基于重加权低秩和增强稀疏的红外弱小目标检测方法
CN111552004B (zh) 一种遥感数据角度异常信息提取方法及系统
Flusche et al. Defining a process to fuse polarimetric and spectral data for target detection and explore the trade space via simulation

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: 20210108

Address after: Building 9, accelerator, 14955 Zhongyuan Avenue, Songbei District, Harbin City, Heilongjiang Province

Patentee after: INDUSTRIAL TECHNOLOGY Research Institute OF HEILONGJIANG PROVINCE

Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin

Patentee before: HARBIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230217

Address after: 150027 Room 412, Unit 1, No. 14955, Zhongyuan Avenue, Building 9, Innovation and Entrepreneurship Plaza, Science and Technology Innovation City, Harbin Hi tech Industrial Development Zone, Heilongjiang Province

Patentee after: Heilongjiang Industrial Technology Research Institute Asset Management Co.,Ltd.

Address before: Building 9, accelerator, 14955 Zhongyuan Avenue, Songbei District, Harbin City, Heilongjiang Province

Patentee before: INDUSTRIAL TECHNOLOGY Research Institute OF HEILONGJIANG PROVINCE