高光譜圖像異常檢測(cè)算法研究.pdf

1、本文在深入分析高光譜圖像數(shù)據(jù)特點(diǎn)的基礎(chǔ)上，針對(duì)高光譜圖像異常檢測(cè)中面臨的高數(shù)據(jù)維、非線性信息提取、同物異譜、混合像元等問(wèn)題，做了以下幾方面的研究： 首先，在研究高光譜圖像數(shù)據(jù)降維技術(shù)的基礎(chǔ)上，提出了一種基于二代曲波變化和脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)的自適應(yīng)波段融合降維算法。該方法以高光譜圖像自適應(yīng)子空間分解后的各子空間為處理單元，通過(guò)對(duì)子空間內(nèi)各波段圖像二代曲波變換后的粗尺度系數(shù)的熵加權(quán)融合和細(xì)尺度系數(shù)的PCNN選取，實(shí)現(xiàn)子空間

2、內(nèi)圖像的融合。將融合后的圖像用于異常檢測(cè)，不僅極大地降低了高光譜圖像的數(shù)據(jù)量，而且能夠有效地提取圖像的細(xì)節(jié)信息。 其次，通過(guò)對(duì)核函數(shù)方法理論的研究，提出了一種基于核函數(shù)的特征空間加權(quán)RX異常檢測(cè)算法，以利用核函數(shù)性質(zhì)有效提取圖像波段間隱含的非線性信息。該算法在圖像的高維特征空間進(jìn)行目標(biāo)的異常檢測(cè)，并依據(jù)背景協(xié)方差矩陣中各光譜向量到質(zhì)心的距離對(duì)協(xié)方差矩陣進(jìn)行自適應(yīng)加權(quán)，削弱了協(xié)方差矩陣中異常數(shù)據(jù)的比重，從而使背景分布更加符合實(shí)際。

3、另外，在利用核函數(shù)性質(zhì)進(jìn)行特征空間的內(nèi)積運(yùn)算轉(zhuǎn)化時(shí)線性組合所構(gòu)造的光譜核函數(shù)和徑向基核函數(shù)，減弱了同物異譜現(xiàn)象引起的能量差異對(duì)檢測(cè)精度的影響。 最后，在分析線性混合模型理論的基礎(chǔ)上，提出了一種基于背景誤差數(shù)據(jù)的高光譜圖像非線性異常檢測(cè)算法。它通過(guò)分塊快速端元提取方法得到背景端元后，利用光譜解混技術(shù)將背景數(shù)據(jù)從高光譜圖像中分離出來(lái)，然后將包含豐富目標(biāo)信息的背景誤差數(shù)據(jù)映射到圖像的高維特征空間進(jìn)行異常檢測(cè)。該算法抑制了光譜混合現(xiàn)象帶