CN111899226A - 一种基于多任务稀疏学习的高光谱影像目标先验优化方法 - Google Patents

一种基于多任务稀疏学习的高光谱影像目标先验优化方法 Download PDF

Info

Publication number
CN111899226A
CN111899226A CN202010626303.XA CN202010626303A CN111899226A CN 111899226 A CN111899226 A CN 111899226A CN 202010626303 A CN202010626303 A CN 202010626303A CN 111899226 A CN111899226 A CN 111899226A
Authority
CN
China
Prior art keywords
target
sparse
multitask
hyperspectral image
method based
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
Application number
CN202010626303.XA
Other languages
English (en)
Other versions
CN111899226B (zh
Inventor
张玉香
李晨
董燕妮
陈涛
吴柯
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010626303.XA priority Critical patent/CN111899226B/zh
Publication of CN111899226A publication Critical patent/CN111899226A/zh
Application granted granted Critical
Publication of CN111899226B publication Critical patent/CN111899226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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

Abstract

本发明提供了一种基于多任务稀疏学习的高光谱影像目标先验优化方法，通过预探测和集合运算，获取过完备的目标字典和待重构目标像元，建立多任务稀疏表达模型，利用目标像元的光谱相似性对不同的目标像元的稀疏表达模型进行互补学习，将目标原子的平均稀疏系数作为目标原子对最优目标先验光谱的重构权重，提高目标先验优化效果。本发明的有益效果是：能够避免背景像元参与目标先验优化过程，充分利用目标像元的光谱相似性，提高目标先验的优化效果。

Description

一种基于多任务稀疏学习的高光谱影像目标先验优化方法
技术领域
本发明涉及高光谱影像领域，具体涉及属于高光谱影像处理技术领域，尤其涉及一种基于多任务稀疏学习的高光谱影像目标先验优化方法。
背景技术
目标探测是指将感兴趣目标地物与非目标的背景地物分离的过程。高光谱影像具有光谱分辨率高、图谱合一的特点，可以提供用于区分不同物质的诊断性光谱特征信息，因此，高光谱影像在目标探测中具有独特的优势。目前高光谱影像目标探测已经应用于地形地貌勘察、自然资源探测、海上搜索营救、伪装目标识别等领域。
针对高光谱遥感影像目标探测，国内外学者提出了很多算法，经典的算法包括约束能量最小化方法、正交子空间投影算法、自适应余弦估计探测器、匹配子空间探测器等。这些目标探测算法依赖目标先验光谱对感兴趣目标进行光谱定义，目标先验光谱一般可以从光谱库或者高光谱影像中获得。然而，光谱库中的光谱与实际高光谱影像的成像环境、光谱波段范围并不一致。此外，由于传感器空间分辨率的制约，纯净的目标像元可能并不存在于高光谱影像中，从影像中获得的目标先验光谱与真实纯净的目标光谱存在差异，不能很好地表征目标地物的光谱特性。因此，目标探测的精度高度受制于目标先验光谱的质量，如何提高目标先验光谱的质量是高光谱影像目标探测的关键。
针对目标先验光谱的质量优化问题，国内外学者提出了较多方法，包括迭代自适应定权方法、基于自完成背景字典的权重学习方法、基于匹配滤波的可靠性分析方法等。其中，研究最为深入的是迭代自适应定权方法，该方法认为高光谱影像中的每一个像元与最优目标光谱有关，通过自适应余弦估计算法赋予像元对应的权重，将所有像元光谱及其权重之和的均值作为新的目标先验光谱，多次迭代定权直到学习到的目标先验光谱变化较小时即获得最优目标先验光谱。这种方法将背景像元考虑在内，获得的目标先验光谱可以看作是目标光谱与背景光谱的一种线性混合，并不是目标地物的纯净目标光谱，此外，该方法没有考虑到目标地物的不同像元间的光谱相似性，无法充分利用高光谱影像中的目标信息。因此，需要研究一种有效的高光谱影像目标先验优化方法，来避免背景像元参与目标先验优化过程，并充分挖掘目标地物的光谱相似性，提高目标先验优化效果。
发明内容
为了解决上述问题，本发明提供了一种基于多任务稀疏学习的高光谱影像目标先验优化方法，将获取的原始目标先验光谱dm,m＝1,2,…,M分别输入到约束能量最小化方法中，获得高光谱影像
Figure BDA0002566633190000021
的预探测结果Ym；其中，M表示原始目标先验光谱的总数，B和N分别表示高光谱影像的波段总数和像元总数；针对所述预探测结果Ym，进行如下处理：
S1：根据所述预探测结果Ym和预设的分割阈值，获取每一个原始目标先验光谱探测出来的目标像元集合Dm；
S2：根据所述预探测结果Ym的简单集合运算，构建过完备目标字典
Figure BDA0002566633190000022
和选取待重构目标像元xk,k＝1,2,…,K；其中，Q表示过完备目标字典中目标原子总数，K表示待重构目标像元的总数，Q和K均小于N；
S3：根据待重构目标像元xk，构建稀疏表示模型；
S4：将所有的建稀疏表示模型进行组合形成多任务稀疏表示模型，求解所述多任务稀疏表示模型的稀疏系数；
S5：利用过完备目标字典及其对应的稀疏系数，获得所述过完备目标字典中每一个目标原子对应的平均权重，目标原子及其平均权重乘积之和即为获得的优化的目标先验光谱。
进一步地，所述过完备目标字典
Figure BDA0002566633190000023
是所有目标像元集合Dm的并集。
进一步地，选取在目标像元集合Dm中出现
Figure BDA0002566633190000024
以上次数的各个像元组成所述待重构目标像元xk,k＝1,2,…,K。
进一步地，求得所述稀疏表示模型的公式为：xk＝Awk+ek，其中，ek为随机噪声，wk为过完备目标字典A对应的稀疏系数。
进一步地，利用如下所示公式将K个稀疏表示模型组合形成多任务稀疏表示模型：
Figure BDA0002566633190000031
其中，W为稀疏系数wk叠加得到的矩阵，W的不同列对应不同的稀疏表示任务中的稀疏系数，
Figure BDA0002566633190000032
为数据保真项，||W||1为目标像元间的本质相似性，λ为正则化系数，1>λ>0。
进一步地，采用加速近端梯度法求解所述多任务稀疏表示模型的稀疏系数，包含更新矩阵序列
Figure BDA0002566633190000033
和集结矩阵序列
Figure BDA0002566633190000034
t为迭代次数，i＝1,2,…,Q，k＝1,2,…,K，矩阵序列
Figure BDA0002566633190000035
对应的更新公式为：
Figure BDA0002566633190000036
其中，A为所述的过完备目标字典，ρ为稀疏度控制参数，ηt＝1/2t为迭代步长，
Figure BDA0002566633190000037
为集结矩阵序列
Figure BDA0002566633190000038
的第k个列向量，
Figure BDA0002566633190000039
为矩阵序列
Figure BDA00025666331900000310
的第k个列向量，
Figure BDA00025666331900000311
为矩阵序列
Figure BDA00025666331900000312
的第k列第i行的取值；
集结矩阵序列
Figure BDA00025666331900000313
通过线性组合
Figure BDA00025666331900000314
和
Figure BDA00025666331900000315
进行更新，具体更新公式为：
Figure BDA00025666331900000316
其中，
Figure BDA00025666331900000317
为迭代系数。
进一步地，获得每一个目标原子对应的平均权重和优化的目标先验光谱的公式分别如下：
Figure BDA00025666331900000318
Figure BDA00025666331900000319
其中，ζi为任一字典原子ai对应的平均权重，i＝1,2,...,Q，
Figure BDA00025666331900000320
为优化的目标先验光谱。
本发明提供的技术方案带来的有益效果是：
1.通过集合运算，获取过完备的目标字典和待重构的目标像元，避免背景像元参与目标先验优化过程。
2.通过多任务稀疏表示，利用目标像元的光谱相似性，对目标像元的稀疏表达模型进行互补学习，将目标原子的平均稀疏系数作为目标原子对最优目标先验光谱的重构权重，提高目标先验优化效果。
3.具有模型简单、优化精度高的特点，适合高光谱遥感影像的数据特点，适用于高光谱遥感影像目标探测。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于多任务稀疏学习的高光谱影像目标先验优化方法的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于多任务稀疏学习的高光谱影像目标先验优化方法，用来避免传统方法中背景像元参与目标先验优化过程的问题，同时充分考虑高光谱影像中目标像元的光谱相似性，提高目标先验光谱优化效果。
请参考图1，图1是本发明实施例中一种基于多任务稀疏学习的高光谱影像目标先验优化方法的流程图，将获取的原始目标先验光谱dm,m＝1,2,…,M分别输入到约束能量最小化方法(constrained energy minimization，CEM)中，获得高光谱影像
Figure BDA0002566633190000041
的预探测结果Ym，其中，M表示原始目标先验光谱的总数，B和N分别表示高光谱影像的波段总数和像元总数；这部分对应图1中的CEM预探测步骤；基于高光谱影像X和目标先验光谱dm进行高光谱影像目标先验优化的具体步骤如下：
S1：根据所述预探测结果Ym和预设的分割阈值，获取每一个原始目标先验光谱探测出来的目标像元集合Dm；依据目标地物在高光谱遥感影像中的像素占比来设置分割阈值，即通过专家经验估算出的目标地物在高光谱遥感影像中的像素占比即为预设的分割阈值。
S2：根据所述预探测结果Ym的简单集合运算，构建过完备目标字典
Figure BDA0002566633190000051
和选取待重构目标像元xk,k＝1,2,…,K；所述过完备目标字典
Figure BDA0002566633190000052
是所有目标像元集合Dm的并集；选取在目标像元集合Dm中出现
Figure BDA0002566633190000053
以上次数的各个像元组成所述待重构目标像元xk,k＝1,2,…,K；其中，Q表示过完备目标字典中目标原子总数，K表示待重构目标像元的总数，Q和K均小于N；
S3：根据待重构目标像元xk，构建如下所示的稀疏表示模型：
xk＝Awk+ek (1)
其中，ek为随机噪声，wk为过完备目标字典A对应的稀疏系数；
步骤S3就是利用待重构目标像元xk和过完备目标字典A来构建未知的ek和wk。
S4：组合所有的建稀疏表示模型，形成多任务稀疏表示模型，求解所述多任务稀疏表示模型的稀疏系数；步骤S4对应图1中的模型系数优化求解步骤；
将得到的K个稀疏表示模型根据公式(2)进行组合，形成多任务稀疏表示模型：
Figure BDA0002566633190000054
其中，W为稀疏系数wk叠加得到的矩阵，W的不同列对应不同的稀疏表示任务中的稀疏系数，
Figure BDA0002566633190000055
为数据保真项，||W||1为将不同的任务联系起来，同时鼓励不同列之间存在稀疏共性时，深入挖掘的目标像元光谱间的本质相似性；λ为正则化系数，，1>λ>0，用来平衡数据保真项和正则化项；
采用加速近端梯度法求解所述多任务稀疏表示模型的稀疏系数，包含更新矩阵序列
Figure BDA0002566633190000056
和集结矩阵序列
Figure BDA0002566633190000057
t为迭代次数，i＝1,2,…,Q，k＝1,2,…,K，矩阵序列
Figure BDA0002566633190000058
对应的更新公式为：
Figure BDA0002566633190000061
Figure BDA0002566633190000062
其中，A为所述的过完备目标字典，ρ为稀疏度控制参数，ηt＝1/2t为迭代步长，
Figure BDA0002566633190000063
为集结矩阵序列
Figure BDA0002566633190000064
的第k个列向量，
Figure BDA0002566633190000065
为矩阵序列
Figure BDA0002566633190000066
的第k个列向量，
Figure BDA0002566633190000067
为矩阵序列
Figure BDA0002566633190000068
的第k列第i行的取值；
集结矩阵序列
Figure BDA0002566633190000069
通过线性组合
Figure BDA00025666331900000610
和
Figure BDA00025666331900000611
进行更新，具体更新公式为：
Figure BDA00025666331900000612
其中，
Figure BDA00025666331900000613
为迭代系数，
Figure BDA00025666331900000614
为第t+1次迭代时的矩阵序列，
Figure BDA00025666331900000615
为第t+1次迭代时的集结矩阵序列。
S5：利用过完备目标字典及其对应的稀疏系数，获得所述过完备目标字典中每一个目标原子对应的平均权重，目标原子及其平均权重乘积之和即为获得的优化的目标先验光谱。步骤S5对应图1中的目标先验稀疏重构和目标先验优化结结果步骤。
获得每一个目标原子对应的平均权重和优化的目标先验光谱的公式分别如下：
Figure BDA00025666331900000616
Figure BDA00025666331900000617
其中，ζi为任一字典原子ai对应的平均权重，i＝1,2,...,Q，
Figure BDA00025666331900000618
为优化的目标先验光谱。
本实施例中采用Airborne Visible/Infrared Imaging Spectrometer(AVIRIS)传感器获得的高光谱影像数据，去掉水吸收波段、低信噪比波段和坏波段，剩余182个波段，影像大小为190×250像素，感兴趣目标为矿物。将经典的迭代自适应定权方法rACE、基于匹配滤波的可靠性分析MultiRely和本发明方法进行高光谱影像目标先验优化试验。
目标先验优化评价方法：将各方法优化的目标先验输入到基础目标探测方法中，并将原始目标先验输入到基础的约束能力最小化方法CEM和自适应余弦估计方法ACE方法中，通过探测评价指标AUC来评价5种情况下的目标探测效果。AUC值越大越接近于1，则探测效果越好，即目标先验优化效果越好。实验结果见表1。
表1对比实验结果
CEM ACE rACE MultiRely 本发明方法
AUC 0.94616 0.77995 0.45194 0.95507 0.98774
从表1可见，本发明方法能获得更高的AUC值，本发明方法和基于匹配滤波的可靠性分析MultiRely的目标探测效果要优于使用原始目标先验的情况，而迭代自适应定权方法rACE的目标探测效果反而要低于使用原始目标先验的情况。由此可得出结论，与传统目标先验优化方法相比，本发明方法具有更强的目标先验优化能力。本发明方法避免了背景像元参与目标先验优化过程，充分利用目标地物的光谱相似性，提高高光谱影像目标先验优化效果。
本发明的有益效果是：
1.通过集合运算，获取过完备的目标字典和待重构的目标像元，避免背景像元参与目标先验优化过程。
2.通过多任务稀疏表示，利用目标像元的光谱相似性，对目标像元的稀疏表达模型进行互补学习，将目标原子的平均稀疏系数作为目标原子对最优目标先验光谱的重构权重，提高目标先验优化效果。
3.具有模型简单、优化精度高的特点，适合高光谱遥感影像的数据特点，适用于高光谱遥感影像目标探测。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多任务稀疏学习的高光谱影像目标先验优化方法，将获取的原始目标先验光谱dm,m＝1,2,…,M分别输入到约束能量最小化方法中，获得高光谱影像
Figure FDA0002566633180000011
的预探测结果Ym；其中，M表示原始目标先验光谱的总数，B和N分别表示高光谱影像的波段总数和像元总数；特征在于：包括以下步骤：
S1：根据所述预探测结果Ym和预设的分割阈值，获取每一个原始目标先验光谱探测出来的目标像元集合Dm；
S2：根据所述预探测结果Ym的简单集合运算，构建过完备目标字典
Figure FDA0002566633180000012
和选取待重构目标像元xk,k＝1,2,…,K；其中，Q表示过完备目标字典中目标原子总数，K表示待重构目标像元的总数，Q和K均小于N；
S3：根据待重构目标像元xk，构建稀疏表示模型；
S4：将所有的建稀疏表示模型进行组合形成多任务稀疏表示模型，求解所述多任务稀疏表示模型的稀疏系数；
S5：利用过完备目标字典及其对应的稀疏系数，获得所述过完备目标字典中每一个目标原子对应的平均权重，目标原子及其平均权重乘积之和即为获得的优化的目标先验光谱。
2.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S1中，依据目标地物在高光谱遥感影像中的像素占比来得到所述预设的分割阈值。
3.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S2中，所述过完备目标字典
Figure FDA0002566633180000013
是所有目标像元集合Dm的并集。
4.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S2中，选取在目标像元集合Dm中出现
Figure FDA0002566633180000014
以上次数的各个像元组成所述待重构目标像元xk,k＝1,2,…,K。
5.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S3中，求得所述稀疏表示模型的公式为：xk＝Awk+ek，其中，ek为随机噪声，wk为过完备目标字典A对应的稀疏系数。
6.如权利要求5所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S4中，利用如下所示公式将K个稀疏表示模型进行组合形成多任务稀疏表示模型：
Figure FDA0002566633180000021
其中，W为稀疏系数wk叠加得到的矩阵，W的不同列对应不同的稀疏表示任务中的稀疏系数，
Figure FDA00025666331800000218
为数据保真项，||W||1为目标像元间的本质相似性，λ为正则化系数，1>λ>0。
7.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S4中，采用加速近端梯度法求解所述多任务稀疏表示模型的稀疏系数，包含更新矩阵序列
Figure FDA0002566633180000022
和集结矩阵序列
Figure FDA0002566633180000023
t为迭代次数，i＝1,2,…,Q，k＝1,2,…,K，矩阵序列
Figure FDA0002566633180000024
对应的更新公式为：
Figure FDA0002566633180000025
Figure FDA0002566633180000026
其中，A为所述的过完备目标字典，ρ为稀疏度控制参数，ηt＝1/2t为迭代步长，
Figure FDA0002566633180000027
为集结矩阵序列
Figure FDA0002566633180000028
的第k个列向量，
Figure FDA0002566633180000029
为矩阵序列的第k个列向量，
Figure FDA00025666331800000211
为矩阵序列
Figure FDA00025666331800000212
的第k列第i行的取值；
集结矩阵序列
Figure FDA00025666331800000213
通过线性组合
Figure FDA00025666331800000214
和
Figure FDA00025666331800000215
进行更新，具体更新公式为：
Figure FDA00025666331800000216
其中，
Figure FDA00025666331800000217
为迭代系数。
8.如权利要求1所述的一种基于多任务稀疏学习的高光谱影像目标先验优化方法，其特征在于：步骤S5中，获得每一个目标原子对应的平均权重和优化的目标先验光谱的公式分别如下：
Figure FDA0002566633180000031
Figure FDA0002566633180000032
其中，ζi为任一字典原子ai对应的平均权重，i＝1,2,...,Q，
Figure FDA0002566633180000033
为优化的目标先验光谱。
CN202010626303.XA 2020-07-02 2020-07-02 一种基于多任务稀疏学习的高光谱影像目标先验优化方法 Active CN111899226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010626303.XA CN111899226B (zh) 2020-07-02 2020-07-02 一种基于多任务稀疏学习的高光谱影像目标先验优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010626303.XA CN111899226B (zh) 2020-07-02 2020-07-02 一种基于多任务稀疏学习的高光谱影像目标先验优化方法

Publications (2)

Publication Number Publication Date
CN111899226A true CN111899226A (zh) 2020-11-06
CN111899226B CN111899226B (zh) 2022-06-21

Family

ID=73192868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010626303.XA Active CN111899226B (zh) 2020-07-02 2020-07-02 一种基于多任务稀疏学习的高光谱影像目标先验优化方法

Country Status (1)

Country Link
CN (1) CN111899226B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733865A (zh) * 2021-01-25 2021-04-30 清华大学 一种基于稀疏表示与固定原子迭代的光谱目标检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760857A (zh) * 2016-03-18 2016-07-13 武汉大学 一种高光谱遥感影像目标探测方法
US9466122B1 (en) * 2014-08-25 2016-10-11 Raytheon Company Independent covariance estimation and decontamination
CN106326926A (zh) * 2016-08-23 2017-01-11 复旦大学 一种高光谱图像目标光谱学习方法
CN107194936A (zh) * 2017-05-24 2017-09-22 哈尔滨工业大学 基于超像素联合稀疏表示的高光谱图像目标检测方法
CN108108719A (zh) * 2018-01-05 2018-06-01 重庆邮电大学 一种加权核稀疏和协同表示系数的高光谱影像分类方法
CN109671019A (zh) * 2018-12-14 2019-04-23 武汉大学 一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9466122B1 (en) * 2014-08-25 2016-10-11 Raytheon Company Independent covariance estimation and decontamination
CN105760857A (zh) * 2016-03-18 2016-07-13 武汉大学 一种高光谱遥感影像目标探测方法
CN106326926A (zh) * 2016-08-23 2017-01-11 复旦大学 一种高光谱图像目标光谱学习方法
CN107194936A (zh) * 2017-05-24 2017-09-22 哈尔滨工业大学 基于超像素联合稀疏表示的高光谱图像目标检测方法
CN108108719A (zh) * 2018-01-05 2018-06-01 重庆邮电大学 一种加权核稀疏和协同表示系数的高光谱影像分类方法
CN109671019A (zh) * 2018-12-14 2019-04-23 武汉大学 一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张玉香: "基于高光谱遥感影像稀疏性的小目标探测研究", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733865A (zh) * 2021-01-25 2021-04-30 清华大学 一种基于稀疏表示与固定原子迭代的光谱目标检测方法
CN112733865B (zh) * 2021-01-25 2022-09-06 清华大学 一种基于稀疏表示与固定原子迭代的光谱目标检测方法

Also Published As

Publication number Publication date
CN111899226B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN110363215B (zh) 基于生成式对抗网络的sar图像转化为光学图像的方法
CN108389188B (zh) 一种稀疏高光谱异常目标检测方法
CN109902715B (zh) 一种基于上下文聚合网络的红外弱小目标检测方法
CN104408705B (zh) 一种高光谱图像的异常检测方法
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
Nasrabadi Regularized spectral matched filter for target recognition in hyperspectral imagery
CN108734199B (zh) 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
CN110619263B (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
CN110751087B (zh) 一种基于eof的无人机信号识别系统和方法
CN108182449A (zh) 一种高光谱图像分类方法
CN112016529B (zh) 基于鲁棒光谱协方差距离的高光谱异常目标智能检测方法
CN110276746B (zh) 一种鲁棒性遥感图像变化检测方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
Zhang et al. Regularization framework for target detection in hyperspectral imagery
CN116402825B (zh) 轴承故障红外诊断方法、系统、电子设备及存储介质
CN111783555A (zh) 一种使用统一样本的深度学习卫星数据云检测算法
Shi et al. Linear spatial spectral mixture model
CN112633202A (zh) 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法
CN116051896A (zh) 一种轻量化混合张量神经网络的高光谱图像分类方法
Yang et al. Constrained nonnegative matrix factorization based on particle swarm optimization for hyperspectral unmixing
CN113421198B (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
CN111899226B (zh) 一种基于多任务稀疏学习的高光谱影像目标先验优化方法
Wu et al. Hyperspectral image target detection via integrated background suppression with adaptive weight selection
CN112784747B (zh) 高光谱遥感图像多尺度本征分解方法
CN112819769B (zh) 基于核函数和联合字典的非线性高光谱图像异常探测算法

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