CN107038436A - 一种基于张量光谱匹配滤波的高光谱图像目标检测方法 - Google Patents
一种基于张量光谱匹配滤波的高光谱图像目标检测方法 Download PDFInfo
- Publication number
- CN107038436A CN107038436A CN201710374790.3A CN201710374790A CN107038436A CN 107038436 A CN107038436 A CN 107038436A CN 201710374790 A CN201710374790 A CN 201710374790A CN 107038436 A CN107038436 A CN 107038436A
- Authority
- CN
- China
- Prior art keywords
- tensor
- spectrum
- empty
- detected
- hyperspectral image
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000003595 spectral effect Effects 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于张量光谱匹配滤波的高光谱图像目标检测方法，本发明涉及高光谱图像的目标检测。本发明的目的是为了解决现有高光谱图像目标检测方法中不能从三维数据整体进行信息挖掘，检测精度低的问题。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：基通过给定的窗口大小，将待检测的高光谱图像转换成三阶张量的形式，建立基于局部邻域的空X‑空Y‑光谱‑样本四阶张量4D；三：求取4D的空X、空Y、光谱三个方向的协方差矩阵；四：得到映射后的新的三阶张量；五：分别计算目标光谱张量和空X‑空Y‑光谱三阶张量与映射后的新的三阶张量的内积，判定待检测高光谱图像的像元是否为检测目标。本发明用于数字图像处理领域。
Description
技术领域
本发明涉及高光谱图像的目标检测。
背景技术
高光谱传感器通过上百个光谱通道获取地物的反射辐射信息，其波段范围覆盖了从可见光到近红外乃至长波红外区域，高光谱图像同时包含了地物的空间信息、反射或辐射信息以及光谱信息，其特性通常被称为“图谱合一”。而且，高光谱图像数据提供了近乎连续的光谱采样信息，可以记录地物在光谱上很小的反射差异。这个特性被称作地物的诊断特性，可以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)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，检测精度低。
张量(tensor)，即多维数组，更正式地说，一个N阶张量就是N个向量的张量积的结果。一个向量是一阶张量，一个矩阵是二阶张量，三阶或更高阶张量称为高阶张量。利用张量模型对图像进行表示，可以有效地利用图像的内在几何结构信息，大幅提升了遥感图像分类等的性能。目前基于张量表示的遥感图像处理方法已经成功应用到高光谱图像的分类和目标检测当中，并取得了更好的分类和检测结果。
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方法中不能从三维数据整体进行信息挖掘，检测精度低的问题，而提出一种基于张量光谱匹配滤波的高光谱图像目标检测方法。
一种基于张量光谱匹配滤波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和背景的信号表示模型；
步骤二：基于步骤一得到的模型，通过给定的窗口大小，将待检测的高光谱图像转换成三阶张量的形式，得到待检测数据局部邻域的空X-空Y-光谱三阶张量，建立基于局部邻域的空X-空Y-光谱-样本四阶张量
步骤三：求取步骤二得到的基于局部邻域的空X-空Y-光谱-样本四阶张量的空X、空Y、光谱三个方向的协方差矩阵；
步骤四：对步骤三得到的三个方向上的协方差矩阵进行求逆，得到逆矩阵，利用得到的逆矩阵对待检测数据局部邻域的空X-空Y-光谱三阶张量进行张量子空间投影，得到映射后的新的三阶张量；
步骤五：分别计算目标光谱张量和待检测数据局部邻域的空X-空Y-光谱三阶张量与映射后的新的三阶张量的内积，利用张量形式下的广义似然比检测模型和给定的阈值，判定待检测高光谱图像的像元是否为检测目标。
本发明的有益效果为：
本发明方法将高光谱数据转换成张量形式进行处理，从多维数据整体信息进行挖掘，提高了检测精度，相比于现有目标检测单独利用光谱匹配特性，以及目前提出一般的空间-光谱联合方法，解决了不能从三维数据整体进行信息挖掘，检测精度低的问题。
为了验证本发明的性能，针对一组机载可见光/红外成像光谱仪(AirborneVisible Infrared Imaging Spectrometer，AVIRIS)采集的一组机场数据进行了实验，从图2b和图2c的检测结果图和图3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，在虚警率为0.05时，现有SMF方法检测概率为0.05，本发明Tensor SMF方法检测概率为0.4，在虚警率为0.1时，现有SMF方法检测概率为0.12，本发明Tensor SMF方法检测概率为0.42，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，验证了本发明提出的基于张量光谱匹配滤波的高光谱图像目标检测算法的有效性。
附图说明
图1为本发明流程图；
图2a为原始数据第4波段图像图；
图2b为基于张量光谱匹配滤波的高光谱图像目标检测结果图；
图2c为高光谱图像光谱匹配滤波检测结果图；
图3为SMF方法和Tensor SMF方法的接收机工作特性曲线对比图，SMF为现有光谱匹配滤波，Tensor SMF为本发明基于张量光谱匹配滤波的高光谱图像目标检测方法。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于张量光谱匹配滤波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和背景的信号表示模型；
步骤二：基于步骤一得到的模型，通过给定的窗口大小，将待检测的高光谱图像转换成三阶张量的形式，得到待检测数据局部邻域的空X-空Y-光谱三阶张量，建立基于局部邻域的空X-空Y-光谱-样本四阶张量
步骤三：依据本专利提出的张量光谱匹配滤波算法，求取步骤二得到的基于局部邻域的空X-空Y-光谱-样本四阶张量的空X、空Y、光谱三个方向的协方差矩阵；
步骤四：对步骤三得到的三个方向上的协方差矩阵进行求逆，得到逆矩阵，利用得到的逆矩阵对待检测数据局部邻域的空X-空Y-光谱三阶张量进行张量子空间投影，得到映射后的新的三阶张量；
步骤五：分别计算目标光谱张量和待检测数据局部邻域的空X-空Y-光谱三阶张量与映射后的新的三阶张量的内积，利用张量形式下的广义似然比检测模型和给定的阈值，判定待检测高光谱图像的像元是否为检测目标。
具体实施方式二：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和背景的信号表示模型；具体过程为：
张量表示下的目标H1和背景H0的信号表示模型为：
其中，为一个高光谱数据的三阶张量表示，表示目标光谱及邻域形成的三阶张量子空间，α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：所述步骤二中基于步骤一得到的模型，通过给定的窗口大小，将待检测的高光谱图像转换成三阶张量的形式，得到待检测数据局部邻域的空X-空Y-光谱三阶张量，建立基于局部邻域的空X-空Y-光谱-样本四阶张量具体过程为：
基于步骤一得到的模型，给定一个3×3或5×5的窗口，将待检测的高光谱图像转换成三阶张量的形式，然后将所有的三阶张量形式的待检测的高光谱图像数据建立成基于局部邻域的空X-空Y-光谱-样本四阶张量
所述局部邻域的大小为窗口大小。
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：所述步骤三中依据本专利提出的张量光谱匹配滤波算法，求取步骤二得到的基于局部邻域的空X-空Y-光谱-样本四阶张量的空X、空Y、光谱三个方向的协方差矩阵；具体过程为：
待检测的高光谱图像中目标H1和背景H0在张量表示模型下的空X-空Y-光谱三个方向协方差矩阵计算公式如下：
其中，U1为待检测的高光谱图像中目标H1和背景H0的信号在张量表示模型下的空X方向协方差矩阵，U2为待检测的高光谱图像中目标H1和背景H0的信号在张量表示模型下的空Y方向协方差矩阵，U3为待检测的高光谱图像中目标H1和背景H0的信号在张量表示模型下的光谱方向协方差矩阵，表示张量和张量在[2,3,4]维的内积运算，表示张量和张量在[1,3,4]维的内积运算，表示张量和张量在[1,2,4]维的内积运算，为空间，I1为窗口在空-X方向的大小，I2为窗口在空-Y方向的大小，I3为待检测的高光谱图像的光谱维度。
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：所述步骤四中对步骤三得到的三个方向上的协方差矩阵进行求逆，得到逆矩阵，利用得到的逆矩阵对空X-空Y-光谱三阶张量进行张量子空间投影，得到映射后的新的三阶张量；具体过程为：
步骤四一：对于给定的待检测的高光谱图像的像元，以该像元为窗口中心，形成待检测数据局部邻域的空X-空Y-光谱三阶张量；
步骤四二：对步骤三得到的三个方向上的协方差矩阵进行求逆，得到逆矩阵，逆矩阵将形成的待检测数据局部邻域的空X-空Y-光谱三阶张量映射到新的张量子空间中，计算方法如下：
其中，表示数据映射到张量子空间中得到的新的张量数据，为待检测数据局部邻域的空X-空Y-光谱三阶张量，为待检测数据局部邻域的空X-空Y-光谱三阶张量映射后的新的三阶张量。
其它步骤及参数与具体实施方式一至四之一相同。
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目标光谱张量和待检测数据局部邻域的空X-空Y-光谱三阶张量与映射后的新的三阶张量的内积，利用张量形式下的广义似然比检测模型和给定的阈值，判定待检测高光谱图像的像元是否为检测目标；具体过程为：
所述目标光谱张量是从光谱库中选取的；待检测高光谱图像的像元为待检测数据局部邻域的空X-空Y-光谱三阶张量中心；
步骤五一：计算步骤四得到的映射后的新的三阶张量与待检测数据局部邻域的空X-空Y-光谱三阶张量的内积；
步骤五二：计算步骤四得到的映射后的新的三阶张量与目标光谱张量的内积；
步骤五三：通过张量表达下的广义似然比检测模型计算得到待检测高光谱图像的像元的检测结果；
张量表达下的广义似然比检测模型如下：
其中，表示待检测高光谱图像中像元的检测结果，η表示设定的阈值，T表示转置；为中间变量；
如果则将待检测高光谱图像中像元确定为目标，否则认为待检测高光谱图像中像元是背景。
其它步骤及参数与具体实施方式一至五之一相同。
采用以下实施例验证本发明的有益效果：
实施例一：
本实施例一种基于张量光谱匹配滤波的高光谱图像目标检测方法具体是按照以下步骤制备的：
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2a为原始数据第4波段图像，图2b为基于张量光谱匹配滤波的高光谱图像目标检测结果图，图2c为高光谱图像光谱匹配滤波检测结果图，用来作为对比实验，图3为两种方法的接收机工作特性曲线。从图2b和图2c的检测结果图和图3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，在虚警率为0.05时，现有SMF方法检测概率为0.05，本发明Tensor SMF方法检测概率为0.4，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。
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)
1.一种基于张量光谱匹配滤波的高光谱图像目标检测方法，其特征在于：所述方法具体过程为：
步骤一：建立张量表示下的目标和背景的信号表示模型；
步骤二：基于步骤一得到的模型，通过给定的窗口大小，将待检测的高光谱图像转换成三阶张量的形式，得到待检测数据局部邻域的空X-空Y-光谱三阶张量，建立基于局部邻域的空X-空Y-光谱-样本四阶张量
步骤三：求取步骤二得到的基于局部邻域的空X-空Y-光谱-样本四阶张量的空X、空Y、光谱三个方向的协方差矩阵；
步骤四：对步骤三得到的三个方向上的协方差矩阵进行求逆，得到逆矩阵，利用得到的逆矩阵对待检测数据局部邻域的空X-空Y-光谱三阶张量进行张量子空间投影，得到映射后的新的三阶张量；
步骤五：分别计算目标光谱张量和待检测数据局部邻域的空X-空Y-光谱三阶张量与映射后的新的三阶张量的内积，利用张量形式下的广义似然比检测模型和给定的阈值，判定待检测高光谱图像的像元是否为检测目标。
2.根据权利要求1所述一种基于张量光谱匹配滤波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和背景的信号表示模型；具体过程为：
张量表示下的目标H1和背景H0的信号表示模型为：
H0:
H1:
其中，为一个高光谱数据的三阶张量表示，表示目标光谱及邻域形成的三阶张量子空间，α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所述一种基于张量光谱匹配滤波的高光谱图像目标检测方法，其特征在于：所述步骤二中基于步骤一得到的模型，通过给定的窗口大小，将待检测的高光谱图像转换成三阶张量的形式，得到待检测数据局部邻域的空X-空Y-光谱三阶张量，建立基于局部邻域的空X-空Y-光谱-样本四阶张量具体过程为：
基于步骤一得到的模型，给定一个3×3或5×5的窗口，将待检测的高光谱图像转换成三阶张量的形式，然后将所有的三阶张量形式的待检测的高光谱图像数据建立成基于局部邻域的空X-空Y-光谱-样本四阶张量
所述局部邻域的大小为窗口大小。
4.根据权利要求3所述一种基于张量光谱匹配滤波的高光谱图像目标检测方法，其特征在于：所述步骤三中求取步骤二得到的基于局部邻域的空X-空Y-光谱-样本四阶张量的空X、空Y、光谱三个方向的协方差矩阵；具体过程为：
待检测的高光谱图像中目标H1和背景H0在张量表示模型下的空X-空Y-光谱三个方向协方差矩阵计算公式如下：
其中，U1为待检测的高光谱图像中目标H1和背景H0的信号在张量表示模型下的空X方向协方差矩阵，U2为待检测的高光谱图像中目标H1和背景H0的信号在张量表示模型下的空Y方向协方差矩阵，U3为待检测的高光谱图像中目标H1和背景H0的信号在张量表示模型下的光谱方向协方差矩阵，表示张量和张量在[2,3,4]维的内积运算，表示张量和张量在[1,3,4]维的内积运算，表示张量和张量在[1,2,4]维的内积运算，为空间，I1为窗口在空-X方向的大小，I2为窗口在空-Y方向的大小，I3为待检测的高光谱图像的光谱维度。
5.根据权利要求4所述一种基于张量光谱匹配滤波的高光谱图像目标检测方法，其特征在于：所述步骤四中对步骤三得到的三个方向上的协方差矩阵进行求逆，得到逆矩阵，利用得到的逆矩阵对空X-空Y-光谱三阶张量进行张量子空间投影，得到映射后的新的三阶张量；具体过程为：
步骤四一：对于给定的待检测的高光谱图像的像元，以该像元为窗口中心，形成待检测数据局部邻域的空X-空Y-光谱三阶张量；
步骤四二：对步骤三得到的三个方向上的协方差矩阵进行求逆，得到逆矩阵，逆矩阵将形成的待检测数据局部邻域的空X-空Y-光谱三阶张量映射到新的张量子空间中，计算方法如下：
其中，表示数据映射到张量子空间中得到的新的张量数据，为待检测数据局部邻域的空X-空Y-光谱三阶张量，为待检测数据局部邻域的空X-空Y-光谱三阶张量映射后的新的三阶张量。
6.根据权利要求5所述一种基于张量光谱匹配滤波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目标光谱张量和待检测数据局部邻域的空X-空Y-光谱三阶张量与映射后的新的三阶张量的内积，利用张量形式下的广义似然比检测模型和给定的阈值，判定待检测高光谱图像的像元是否为检测目标；具体过程为：
所述目标光谱张量是从光谱库中选取的；待检测高光谱图像的像元为待检测数据局部邻域的空X-空Y-光谱三阶张量中心；
步骤五一：计算步骤四得到的映射后的新的三阶张量与待检测数据局部邻域的空X-空Y-光谱三阶张量的内积；
步骤五二：计算步骤四得到的映射后的新的三阶张量与目标光谱张量的内积；
步骤五三：通过张量表达下的广义似然比检测模型计算得到待检测高光谱图像的像元的检测结果；
张量表达下的广义似然比检测模型如下：
其中，表示待检测高光谱图像中像元的检测结果，η表示设定的阈值，T表示转置；为中间变量；
如果则将待检测高光谱图像中像元确定为目标，否则认为待检测高光谱图像中像元是背景。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710374790.3A CN107038436B (zh) | 2017-05-24 | 2017-05-24 | 一种基于张量光谱匹配滤波的高光谱图像目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710374790.3A CN107038436B (zh) | 2017-05-24 | 2017-05-24 | 一种基于张量光谱匹配滤波的高光谱图像目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107038436A true CN107038436A (zh) | 2017-08-11 |
| CN107038436B CN107038436B (zh) | 2020-08-25 |
Family
ID=59539732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710374790.3A Active CN107038436B (zh) | 2017-05-24 | 2017-05-24 | 一种基于张量光谱匹配滤波的高光谱图像目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107038436B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146890A (zh) * | 2018-07-16 | 2019-01-04 | 西安电子科技大学 | 基于滤波器的高光谱图像的异常目标检测方法 |
| CN109447073A (zh) * | 2018-11-08 | 2019-03-08 | 电子科技大学 | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 |
| CN109508489A (zh) * | 2018-11-07 | 2019-03-22 | 山东大学 | 一种各向异性多孔结构的建模方法及系统 |
| CN109934815A (zh) * | 2019-03-18 | 2019-06-25 | 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 |
| CN110175581A (zh) * | 2019-05-29 | 2019-08-27 | 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 |
| CN112305548A (zh) * | 2020-10-28 | 2021-02-02 | 西北工业大学 | 一种主动声呐回波图中运动小目标的实时检测方法 |
| CN113365275A (zh) * | 2021-06-15 | 2021-09-07 | 哈尔滨工业大学 | 基于红外通信的身份认证系统和方法 |
| CN113450413A (zh) * | 2021-07-19 | 2021-09-28 | 哈尔滨工业大学 | 基于gf4单帧图像的舰船目标检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010132135A1 (en) * | 2009-05-14 | 2010-11-18 | Raytheon Company | Adaptive spatial-spectral processing (assp) |
| CN103870807A (zh) * | 2014-02-25 | 2014-06-18 | 杭州电子科技大学 | 一种高光谱混合核rx异常检测方法 |
| CN105913448A (zh) * | 2016-05-25 | 2016-08-31 | 哈尔滨工业大学 | 基于张量匹配子空间的高光谱图像目标检测方法 |
| CN106097321A (zh) * | 2016-06-06 | 2016-11-09 | 哈尔滨工业大学 | 一种基于张量表示的偏振高光谱图像目标检测方法 |
-
2017
- 2017-05-24 CN CN201710374790.3A patent/CN107038436B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010132135A1 (en) * | 2009-05-14 | 2010-11-18 | Raytheon Company | Adaptive spatial-spectral processing (assp) |
| CN103870807A (zh) * | 2014-02-25 | 2014-06-18 | 杭州电子科技大学 | 一种高光谱混合核rx异常检测方法 |
| CN105913448A (zh) * | 2016-05-25 | 2016-08-31 | 哈尔滨工业大学 | 基于张量匹配子空间的高光谱图像目标检测方法 |
| CN106097321A (zh) * | 2016-06-06 | 2016-11-09 | 哈尔滨工业大学 | 一种基于张量表示的偏振高光谱图像目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| XING ZHANG等: "A Tensor Decomposition-Based Anomaly Detection", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
| 谷延锋等: "高分辨率航空遥感高光谱图像稀疏张量目标检测", 《测绘通报》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146890B (zh) * | 2018-07-16 | 2020-07-31 | 西安电子科技大学 | 基于滤波器的高光谱图像的异常目标检测方法 |
| CN109146890A (zh) * | 2018-07-16 | 2019-01-04 | 西安电子科技大学 | 基于滤波器的高光谱图像的异常目标检测方法 |
| CN109508489A (zh) * | 2018-11-07 | 2019-03-22 | 山东大学 | 一种各向异性多孔结构的建模方法及系统 |
| CN109447073A (zh) * | 2018-11-08 | 2019-03-08 | 电子科技大学 | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 |
| CN109447073B (zh) * | 2018-11-08 | 2021-11-02 | 电子科技大学 | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 |
| CN109934815A (zh) * | 2019-03-18 | 2019-06-25 | 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 |
| 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 |
| CN110175581A (zh) * | 2019-05-29 | 2019-08-27 | 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 |
| CN112305548A (zh) * | 2020-10-28 | 2021-02-02 | 西北工业大学 | 一种主动声呐回波图中运动小目标的实时检测方法 |
| CN112305548B (zh) * | 2020-10-28 | 2022-08-19 | 西北工业大学 | 一种主动声呐回波图中运动小目标的实时检测方法 |
| CN113365275A (zh) * | 2021-06-15 | 2021-09-07 | 哈尔滨工业大学 | 基于红外通信的身份认证系统和方法 |
| CN113365275B (zh) * | 2021-06-15 | 2022-05-13 | 哈尔滨工业大学 | 基于红外通信的身份认证系统和方法 |
| CN113450413A (zh) * | 2021-07-19 | 2021-09-28 | 哈尔滨工业大学 | 基于gf4单帧图像的舰船目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107038436B (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107038436B (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 | |
| 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 | |
| CN105913448B (zh) | 基于张量匹配子空间的高光谱图像目标检测方法 | |
| 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 | |
| Stocker | Multi-dimensional signal processing for electro-optical target detection | |
| CN107992891B (zh) | 基于光谱矢量分析多光谱遥感图像变化检测方法 | |
| CN109754384B (zh) | 一种非制冷红外分焦平面阵列的红外偏振图像融合方法 | |
| CN111046800B (zh) | 一种基于低秩与稀疏分解的高光谱图像异常目标检测方法 | |
| CN104182978B (zh) | 一种基于空谱核稀疏表示的高光谱图像目标检测方法 | |
| 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 | |
| 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 | |
| US8189860B2 (en) | Systems and methods of using spatial/spectral/temporal imaging for hidden or buried explosive detection | |
| Baghbidi et al. | Improvement of anomoly detection algorithms in hyperspectral images using discrete wavelet transform | |
| Li et al. | DIM moving target detection using spatio-temporal anomaly detection for hyperspectral image sequences | |
| CN115144357A (zh) | 一种基于矿区机载中红外高光谱遥感数据的矿物识别方法 | |
| Zhang et al. | Feature-band-based unsupervised hyperspectral underwater target detection near the coastline | |
| 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 | |
| WO2015017009A1 (en) | Detection of a material of interest in a compressed hyperspectral scene | |
| CN105761273B (zh) | 一种基于图构造的高光谱遥感影像异常目标探测方法 | |
| Kwon et al. | Dual-window-based anomaly detection for hyperspectral imagery | |
| Kwon et al. | Optimal kernel bandwidth estimation for hyperspectral kernel-based anomaly detection | |
| Rosario | Highly effective logistic regression model for signal (anomaly) detection | |
| Liu et al. | Hyperspectral Real-Time Local Anomaly Detection Based on Finite Markov via Line-by-Line Processing | |
| Wang et al. | Anomaly detection using subspace band section based RX algorithm | |
| CN112614065A (zh) | 一种用于对图像数据进行滤波的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |