基于稀疏表示的高光谱图像目标检测资料下载.pdf
- 文档编号:5972076
- 上传时间:2023-05-05
- 格式:PDF
- 页数:73
- 大小:2.19MB
基于稀疏表示的高光谱图像目标检测资料下载.pdf
《基于稀疏表示的高光谱图像目标检测资料下载.pdf》由会员分享,可在线阅读,更多相关《基于稀疏表示的高光谱图像目标检测资料下载.pdf(73页珍藏版)》请在冰点文库上搜索。
Prof.GuYanfengAcademicDegreeAppliedfor:
MasterofEngineeringSpeciality:
ElectronicsandCommunicationEngineeringAffiliation:
SchoolofElectronicsandInformationEngineeringDateofDefence:
July,2014Degree-Conferring-Institution:
HarbinInstituteofTechnology万方数据哈尔滨工业大学工程硕士学位论文-I-摘要高光谱图像目标检测在军事和民事都有很多的应用需求。
典型的例子包括特殊地形特征、植被、用于资源管理的矿物或土壤类型检测等;
材料、物体表面或油漆等特性检测;
在自然背景中检测人造材料,用于搜寻和营救工作;
检测特定植物种类,用于缉毒工作;
检测军事车辆,用于防御和情报工作等。
本文的目的是从高光谱图像的特点出发,结合稀疏表示理论与传统检测方法,并深度挖掘数据内在的空谱信息,研究具有更高检测性能的检测方法,促进高光谱遥感的应用和发展。
本文工作主要是以研究信号的稀疏表示理论为基础的高光谱图像目标检测方法,包括以下三个方面:
首先,本文从信号的稀疏表示模型出发,分别研究了稀疏表示中字典设计问题和系数求解问题。
接着,针对高光谱图像的特点,研究了高光谱图像的稀疏表示模型。
考虑高光谱图像的空谱信息,研究了高光谱图像空谱约束模型,其中包括联合稀疏模型、拉普拉斯模型以及三维小波变换模型。
然后,研究了传统目标检测中的匹配子空间检测模型。
在此基础上研究了稀疏表示目标检测方法。
在考虑匹配子空间检测模型与稀疏表示目标检测方法的内在联系的基础上,提出了稀疏匹配子空间检测方法。
并结合空谱约束模型得到相应的检测方法。
通过高光谱图像的目标检测实验,证明了稀疏匹配子空间检测方法具有更好的检测性能。
最后,为了解决高光谱图像数据本身的非线性特性,本文引入核映射的思想,首先研究了核稀疏表示模型的系数求解问题。
然后研究了核稀疏表示目标检测方法。
接着,针对本文提出的稀疏匹配子空间检测方法,研究了核稀疏匹配子空间检测方法。
关键词:
稀疏表示;
高光谱图像;
目标检测;
匹配子空间检测;
核方法;
空谱约束万方数据哈尔滨工业大学工程硕士学位论文-II-AbstractHyperspectraltargetdetectionhasmanyapplicationsinthecivilandmilitaryarea.Typicalexamplesincludethedetectionofspecificterrainfeaturesandvegetation,mineral,orsoiltypesforresourcemanagement;
detectingandcharacterizingmaterials,surfaces,orpaints;
thedetectionofman-madematerialsinnaturalbackgroundsforthepurposeofsearchandrescue;
thedetectionofspecificplantspeciesforthepurposesofcounternarcotics;
andthedetectionofmilitaryvehiclesforthepurposeofdefenseandintelligence.Thepurposeofthisarticleistoproposeanewalgorithmfortargetdetectioninhyperspectralimagery(HSI),whichtakingintoaccountofthespecialtyofhyperspectralimagery.Anditcanpromotethedevelopmentofhyperspectralremotesensing.Theobjectiveofthisarticleistostudythehyperspectraltargetdetectionalgorithmbasedonthesparserepresentationincludingthefollowingthreeaspects:
Firstofall,thequestionsbasedonthesparsitymodelabouthowtodesignadictionaryandhowtoobtainthecoefficienthavebeenstudied.Thenconsideringthecharacteristicsofhyperspectralimagery,thesparsitymodelforhyperspectralimageryhasbeenstudied.Consideringthespatialandspectralcharacteristicsofhyperspectralimagery,thespatial-spectralconstraintmodelincludingthejointsparseconstraintmodelandtheLaplacianconstraintmodelandthe3D-DWT-ICAconstraintmodel.Andthentheconventionallymatchedsubspacedetector(MSD)algorithmhasbeenstudied.Afterthatthenewtargetdetectionalgorithmbasedonthesparserepresentationhasbeenstudied.SubstitutingSRfortheconventionalsubspacemethod,asparsematchedsubspacedetector(SMSD)isdeveloped.Moreover,thespatial-spectralconstraintmodelisexploitedtoextractthespatialandspectraldistributioninthehyperspectralimageryandcapturethejointspatial-spectralsparsitystructure.Experimentsareconductedonrealhyperspectraldata.Theexperimentalresultsshowthattheproposedalgorithmoutperformsthestate-of-the-artssparsedetectionalgorithm.Finally,inordertosolvethenonlinearcharacteristicofhyperspectralimagery,thekernelmethodshavebeenconsidered.Firstly,wehavestudiedthequestionabouthowtoobtainthecoefficientofkernelsparserepresentation.Thenthetargetdetectionalgorithmforhyperspectralimagerybasedonkernelsparserepresentationhasbeenstudied.Andatlastwepresentakernelrealizationofasparsematchedsubspacedetector(SMSD)thatisbasedonsparserepresentationmodeldefinedina万方数据哈尔滨工业大学工程硕士学位论文-III-high-dimensionalfeaturespaceassociatedwithakernelfunction.Keywords:
sparserepresentation,hyperspectralimagery,targetdetection,matchedsubspacedetector(MSD),kernelmethods,spatial-spectralconstraint万方数据哈尔滨工业大学工程硕士学位论文-IV-目录摘要.IABSTRACT.II第1章绪论.11.1课题的背景及来源.11.2课题研究的目的和意义.31.3国内外研究现状.41.3.1高光谱图像目标检测方法研究现状.41.3.2信号稀疏表示方法研究现状.71.3.3研究现状的总结.81.4本文的主要研究内容.9第2章高光谱图像的稀疏表示模型.112.1引言.112.2信号的稀疏表示.112.2.1字典设计.122.2.2稀疏表示的系数求解.152.3高光谱图像的稀疏表示.162.4空谱约束模型.172.4.1联合稀疏模型.172.4.2拉普拉斯模型.192.4.3三维小波变换模型.202.5本章小结.23第3章高光谱图像目标检测.243.1引言.243.2匹配子空间检测模型.243.3稀疏表示目标检测方法.253.4稀疏匹配子空间检测方法.273.5实验结果与分析.283.5.1实验数据介绍.293.5.2实验设置.303.5.3结果分析.31万方数据哈尔滨工业大学工程硕士学位论文-V-3.6本章小结.42第4章基于核稀疏表示的高光谱图像目标检测.434.1引言.434.2核稀疏表示系数求解.434.2.1核方法概述.434.2.2KOMP算法.444.3核稀疏表示目标检测.464.4核稀疏匹配子空间目标检测.474.5实验结果与分析.494.5.1实验设置.494.5.2结果分析.504.6本章小结.55结论.56参考文献.58攻读硕士学位期间发表的论文及其它成果.63哈尔滨工业大学学位论文原创性声明及使用权限.64致谢.65万方数据哈尔滨工业大学工程硕士学位论文-1-第1章绪论在过去的十年中,通过遥感系统获得的高光谱图像提供了场景中材料的有效光谱特征信息。
典型的高光谱分光仪可以提供上百个狭窄连续波段,其波段范围覆盖了很宽的电磁光谱。
高光谱传感器测量记录了电磁光谱从可见光到长波红外范围的物体的反射或辐射强度。
利用场景中材料的光谱特征,可以通过高光谱数据处理算法来检测和识别感兴趣目标。
目标检测可以看作是一种二类分类问题,旨在将图像中的像素标记为目标或背景。
然而,对于近年来发展的高光谱图像分类方法来说,有两个原因无法使其很好的应用在高光谱图像目标检测上。
第一,即便在场景中有目标,其数量也是很少的,训练样本中的目标类别还不足以有效的用于估计其统计特性;
第二,受限于传感器的空间分辨率,感兴趣的目标可能只出现在很少的一部分像素中,甚至是出现在一个单一像素的一部分(亚像素目标)。
然而本文将从经典的检测理论和信号模型的角度去研究行之有效的检测方法。
本章首先介绍课题的研究背景及来源。
然后从高光谱图像目标检测的特点和稀疏表示的优势入手,介绍了课题研究的目的和意义;
紧接着,对高光谱目标检测方法和信号的稀疏表示方法的研究现状进行了总结。
最后对论文各章的内容安排和结构关系进行了概括。
1.1课题的背景及来源遥感(remotesensing)可以定义为一种不需要直接接触来获取和测量环境(目标、材料、现象)属性信息的观测客观世界的手段。
这是一个相当宽泛的定义,例如,包括医疗技术如X射线和磁共振成像(MRI)。
在环境方面,遥感技术通常是指用于记录地球的陆地表面,海洋,大气中的区域或对象发出的电磁能量。
从本质上讲,发出的这些电磁能量,为区分不同地物提供了一种可行的方法。
由于这些特征的电磁属性通常由安装在飞机或地球轨道航天器上的遥感仪器收集得到,也使科学家有机会捕捉到对大的地理区域或场景的单一的观察。
而这种观察结果能够帮助我们对观测的物质进行描述、分析、识别等。
由此在火灾监控、冰川监测、海岸监测、农业生产、城市成长、臭氧浓度、环境安全等诸多领域中,遥感都得到了广泛的应用。
随着传感器的不断发展,上世纪80年代,高光谱图像在遥感领域的发展较为迅速,高光谱图像相比于多光谱图像具有更强的分析能力。
相比于多光谱万方数据哈尔滨工业大学工程硕士学位论文-2-传感器,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,光谱分辨率可以达到5-10nm1。
每个波段形成的图像都是一幅能够反映空间信息的图像,产生的这种高光谱图像数据即可以被称为“图像立方体”。
由传感器的成像原理可知,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”2。
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。
因此高光谱遥感处理技术成为了目前人们研究的热门问题3。
正是由于高光谱遥感具有上述特点和优势,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4。
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。
利用高光谱图像检测感兴趣的目标已经成为了高光谱图像的一个重要应用。
在实际高光谱目标检测中,我们很难只通过某一个特征空间就能得到较好的检测结果。
而高光谱遥感则可以提供多个特征空间,通过联合处理高光谱数据的光谱信息与空间信息,来提高目标检测的性能。
因此,联合考虑空间和光谱信息,是高光谱图像技术的一个重要发展方向5。
在高光谱图像利用方面还存在一个很困难的问题,即遥感环境对数据的影响。
例如,即便存在一个只包含单一材料的纯像素,它也会受到光照,视场角,材料非均质性,散射以及湿度等影响而发生变化。
一个最常用的表示高光谱图像的方法是线性混合模型。
即用一组基的线性组合来表示原高光谱图像。
而近年来发展起来的稀疏表示理论,以其较好的信号表示能力,在高光谱图像目标检测领域可以得到很好的应用。
稀疏表示理论近年来得到了很好的发展,其首先在人脸识别领域得到了较好地应用。
而随着研究的不断深入,将稀疏表示理论应用在高光谱图像数据上也取得了很好的效果。
高光谱图像沿着很宽的光谱波段对光强度变化进行空间映射,或者说,高光谱图像可以被认为是对于场景中每一个空间位置光传播或反射的测量。
因为不同物质具有各自独特的光谱特征,以一个很高的空间和光谱分辨率来观测光谱可以提供场景中材料的属性信息,这相比于传统的彩色图像就会有更高的正确率来判断地物。
本课题来源于国家自然科学基金项目“基于多核稀疏感知的高光谱图像分类模型选择与特征解译”。
该项目主要基于核机器学习框架研究高光谱图像地万方数据哈尔滨工业大学工程硕士学位论文-3-物分类和目标检测。
本课题是上述项目的一部分,主要研究如何将稀疏表示理论应用到目标检测中。
1.2课题研究的目的和意义高光谱遥感技术最关心的是从获得的地球表面的物体或场景的数据后,从中提取出有用信息。
高光谱图像具有光谱平滑和空间平滑的特性,在空间和光谱相近的邻域范围内,图像数据都具有很高的相关性,这个特性与自然图像中空间邻域具有很高的相关性是相同的。
利用高光谱的空谱特性,研究者提出了很多高光谱分析技术。
高光谱图像是在连续的光谱响应中紧密均匀采样的图像数据。
这种很高的光谱分辨率特性使得地物材料的特性具有可分性差别。
因此,目标检测是高光谱图像里面的一个重要应用。
它可以被视为是一种两类分类问题,即基于它们的光谱特性,它们被标记成目标或者背景。
最常见的一种模型是假定光谱可以由空间非重合的材料来表示。
这种模型可以叫做线性混合模型6。
许多统计假设检验技术已经被提出来用于高光谱图像目标检测。
在这些方法中,光谱匹配滤波、匹配子空间检测和自适应子空间检测等方法已经被广泛的应用在检测感兴趣目标方面7。
然而,尽管高光谱图像有很大的潜力,但是从获取到处理高光谱数据都面临着很明显的挑战。
第一,高光谱图像具有很高的光谱维度,在遥感应用中,,这种维数高的特点限制了快速并正确的进行推断的能力。
第二,高光谱图像的设计者们面临着诸多问题之间的利弊权衡,例如辐射探测效率、获得时间、动态范围、传感器尺寸、质量大小、耗能情况以及花费问题。
对于上述问题,近年来发展起来的稀疏表示理论可以应用在高光谱图像数据上,利用了稀疏表示模型的思想,即对于典型的高光谱图像,即便光谱维度很高,依然可以利用一组基或者一个字典中少量的原子的线性组合来表示。
稀疏表示模型能够计算高光谱图像丰富的结构特性。
所以,研究高光谱图像稀疏表示模型变得很有意义。
在自然界中,不同材料对电磁波的反射和辐射影响不同,导致不同地物的诊断性光谱特征一般是不同的,而且在一些波段上会有极其明显的差别。
对于高光谱图像,其丰富的光谱特性可以被用于进行目标检测应用。
通常认为场景分为两种情况,一种是有目标存在,一种是无目标存在即都是背景。
在有目标存在的情况下,我们可以认为场景中每个像素的光谱曲线都可以由一些基的线性组合来表示,这些基一般可以由光谱库提供相应的目标和背景的光谱曲线。
从这个特点可以看出,稀疏表示理论可以很好的应用在高光谱图像目标检测应万方数据哈尔滨工业大学工程硕士学位论文-4-用中,所以研究稀疏表示目标检测方法也就很有意义。
本论文从高光谱图像的特点出发,结合稀疏表示理论与传统检测方法,并深度挖掘高光谱图像的空谱信息,研究一种新颖的将二者结合起来的目标检测方法,进一步提高高光谱图像目标探测的性能。
1.3国内外研究现状高光谱图像目标检测是高光谱遥感的一个重要应用,高光谱图像目标检测方法也发展的较为迅速。
近年来,随着信号表示理论的重要突破,即信号的稀疏表示理论得到了很好的发展。
下面将分别从高光谱图像目标检测方法与信号的稀疏表示理论两方面介绍相应的研究现状。
1.3.1高光谱图像目标检测方法研究现状目标检测方法可以分为两类,一类是产生式模型,该模型是假设不同类别的样本满足不同的概率分布,根据样本属于不同类别的概率识别样本,如贝叶斯分类器,高斯混合模型等;
一类是鉴别式模型,该模型利用判别函数对特征空间进行划分,不同区域对应不同的类别,如线性分类器,神经网络分类器,支持向量机(SVM)等。
从目标样本的已知情况角度可以分为三类:
(1)异常检测,即识别出与背景有明显区别的像素;
(2)目标检测,即假设已知目标的光谱特征,目的是检测出与该光谱特征相匹配的像素;
(3)一类分类,即努力去发现一类,而拒绝其他类8。
下面分别从异常检测、目标检测、一类分类三方面介绍目标检测研究现状。
1.3.1.1异常检测研究现状高光谱图像异常检测因为其不需要知道先验信息并且充分利用了高光谱图像的光谱区别,在目标检测领域引起了人们极大的兴趣。
为了克服使用单一方法所存在的局限性,2010年,A.Huck等人提出了一种数据模型,这种模型将异常检测中两个重要方法,假设检验和投影追踪联合起来9。
KernelRX算法过去得到了很好的发展,这种算法的效能依赖于各自核的参数。
2010年H.Kwon基于核的异常检测技术,提出了一种确定GaussianRBFkernel的最优全对角带宽系数新方法。
该方法首先利用交叉验证技术去估计最优单一带宽系数。
然后利用高光谱图像的光谱波段方差从前面的单一系数估计出全对角系数10。
当前的异常检测方法容易受到处理窗口范围或图像范万方数据哈尔滨工业大学工程硕士学位论文-5-围的影响。
另外,就局部异常检测方法而言,很难确定适合处理背景统计的窗口大小。
对此,2011年杜博等人提出了基于背景像素随机选择的异常检测方法。
这种方法代表背景统计的像素是从图像中随机选择的11。
许多标准的多元检测算法,例如马氏距离、匹配滤波,依赖于逆协方差矩阵。
逆协方差矩阵有着明确的几何解释,即白化操作,也就是对原始坐标进行变换,使背景数据分布不相关且对于各个坐标轴具有相同的方差。
有时,对于一些特殊的数据,也可用逆相关矩阵代替逆协方差矩阵以提高性能。
然而就目前而言,还没有明确的理论或几何理由来解释用逆相关矩阵代替逆协方差矩阵,而且也没有理论能解释何时选择代替是更好的。
2011年C.E.Davidson研究了异常检测的性能在分别使用逆协方差矩阵和逆相关矩阵时的差别。
做法是分别把这两个矩阵当作一个有3个参数的函数,这3个参数分别为:
背景均值、目标向量以及二者的余弦角。
结果显示,仅仅在参数空间相对较小的想情况下,该方法才能提高性能,而且,只有在对参数空间有特殊约束的情况下,这种方法才是正确的12。
快速检测诸如亚像元目标这样的困难目标是一个异常检测问题中的基本挑战,为了解决这个问题,2012年S.Khazai等人提出一个新颖而简单的方法,这种方法选择一个单一的特征,它对应的异常值是最大值。
结果显示,该方法可以提高检测性能,并且有利于提高计算速度13。
1.3.1.2目标检测研究现状常用的高光谱图像目标检测模型一般有三种,欧式距离模型,概率统计模型与子空间模型。
(1)欧式距离模型由于地物固有的光谱不确定性,使得基于欧式距离模型的目标检测方法存在结果偏差很大的问题。
2011年华中科技大学的谭静考虑了上述问题,提出了一种基于光谱不确定性的目标检测算法。
将不确定度引入到光谱检测的算法中,提升了传统检测算法的性能14。
(2)子空间模型针对非线性混合下的亚像元目标检测问题,2011年赵辽英等人提出一种核函数的信号空间正交投影方法。
该方法是正交投影方法的非线性推广15。
针对非线性混合的高光谱图像目标检测问题,2011年赵辽英等人在核信号空间正交投影法的基础上,提出一种光谱和空间信息结合的组合核信号空间正交投影方法。
该方法在充分利用光谱信息的同时,合理利用了空间信息16。
正交子空
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 稀疏 表示 光谱 图像 目标 检测