高光谱图像的异常目标检测及亚像元定位研究

合集下载

高光谱图像的异常目标检测及亚像元定位研究

硕士学位论文高光谱图像的异常目标检测及亚像元定位研究RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRALIMAGERY朱凤阳哈尔滨工业大学2009年6月国内图书分类号：TN911.73 学校代码：10213 国际图书分类号：621.3 密级：公开硕士学位论文高光谱图像的异常目标检测及亚像元定位研究硕士研究生：朱凤阳导师：张钧萍教授申请学位：工学硕士学科：信息与通信工程所在单位：电子与信息工程学院答辩日期：2009年6月授予学位单位：哈尔滨工业大学Classified Index: TN911.73U.D.C.: 621.3Dissertation for the Master Degree in EngineeringRESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRALIMAGERYCandidate:Zhu FengyangSupervisor:Prof. Zhang JunpingAcademic Degree Applied for:Master of EngineeringSpecialty:Information and CommunicationEngineeringAffiliation: School of Electronics andInformation EngineeringDate of Defence: June, 2009Degree-Conferring-Institution:Harbin Institute of Technology哈尔滨工业大学工学硕士学位论文摘要遥感平台具有覆盖范围广、作用距离远、执行效率高等方面的优点，有着重要的军事意义和民用价值。

随着遥感平台的发展，一些对遥感平台所获图像的处理技术也得到了大力的发展。

高光谱图像异常检测算法研究进展

Ａｂｓｔｒａｃｔ：Ａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｄｏｎｏｔｒｅｑｕｉｒｅｐｉｒｏｉｒｋｎｏｗｌｅｄｇｅｏｆｓｐｅｃｔｒｕｍ，ａｎｄｃａｎｄｉｒｅｃｔｌｙｄｅｔｅｃｔｔｈｅｌｏｃａ — ｔｉｏｎｗｈｅｒｅｔｈｅｓｉｇｎａｌｓｐｅｃｔｕｍｒｉｓｄｉｓｔｉｎｃｔｆｒｏｍｔｈａｔｏｆｔｈｅｂａｃｋｇｒｏｕｎｄ．Ａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎｈａｓｂｅｅｎａｎｉｍｐｏｔａｒｎｔｒｅ — ｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｉｎｔｈｅｉｆｅｌｄｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇａｐｐｌｉｃａｔｉｏｎｓ．Ｔｈｅｒｅａｒｅｉｍｐｏｒｔａｎｔｔｈｅｏｒｅｔｉｃａｌｖａｌｕｅｓａｎｄｐｒｏｓｐｅｃｔｓｂｏｔｈｉｎｃｉｖｉｌｉａｎａｎｄｍｉｌｉｔａｒｙａｐｐｌｉｃａｔｉｏｎｓ．Ｔｈｅｃｕｒｒｅｎｔｍａｉｎａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｒｅａｄｅｅｐｌｙａｎａ — ｌｙｚｅｄ，ａｎｄｔｈｅａｄｖａｎｔａｇｅｓａｎｄｌｉｍｉｔａｔｉｏｎｓｏｆｅａｃｈａｌｇｏｒｉｔｈｍａｒｅａｌｓｏｄｉｓｃｕｓｓｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅｄｉｒｅｃｔｉｏｎｏｆｆｕｔｕｒｅｒｅｓｅａｒｃｈｉｎｔｈｉｓｉｆｅｌｄｉｓｐｏｉｎｔｅｄｏｕｔ．

高光谱图像异常检测(PCA,K-SVD,OMP)

高光谱图像异常检测
刚做的一个题目，免费分享给同道们
对一个待检测像元，首先利用主成分分析提取高光谱数据的主特征，建立目标主成分空间，在主成分空间内构造基于K-SVD 算法的训练字典;采用正交匹配算法OMP重构主成分分量，利用主成分分析逆变换得到待检测像元重构光谱，增强了高光谱图像的局部异常特性;最后，基于重构误差异常特性实现高光谱图像异常检测。

并根据目标光谱重构误差的局部异常特性进行阈值分割；最后，遍历整个图像即可得到异常检测结果。

图像数据
sub_anomaly_image.mat和gt_100_100.mat分别是两张图片的高光谱图
程序+图像数据文件下载链接
https:///s/1kBfb6uj16RGfhjAw2ZC0Rg 提取码：92xy
完整代码：（要对所有高光谱图做分析，写个循环遍历即可）。

高光谱遥感图像目标检测与分类技术研究

高光谱遥感图像目标检测与分类技术研究遥感技术的发展已经成为目前科技领域的重要研究方向，而高光谱遥感技术则是其中具有广泛应用前景和较为成熟的技术之一。

高光谱遥感图像能够获取目标的高维特征信息，从而提高了目标识别和分类的精度。

本文将从高光谱遥感图像的获取、处理，以及目标检测和分类等方面，阐述高光谱遥感图像目标检测与分类技术的研究现状和未来发展。

一、高光谱遥感图像的获取高光谱遥感图像是在多个空间波段和多个光谱带宽下采集的遥感图像。

与普通的遥感图像相比，高光谱遥感图像包含了更丰富的光学特征信息，因此能够更准确地反映观测场景的物质成分和空间结构。

高光谱遥感图像的获取主要有两个途径，一是通过卫星对地面进行观测，二是通过载机进行近距离观测。

卫星遥感图像能够覆盖广阔的地域范围，但分辨率相对低；而载机遥感图像则分辨率更高，但受限于载机航空高度和观测时间等因素。

二、高光谱遥感图像的处理高光谱遥感图像的处理是高光谱遥感技术的一个关键环节。

由于光谱信息的维数很高，提取有效特征信息需要对图像进行高效的处理和分析。

高光谱遥感图像处理的方法主要包括谱带选择、特征提取、无监督分类、监督分类等。

谱带选择是对原始光谱数据进行降维的一种方法，通过选择具有代表性、区分度高的波段对数据进行处理。

特征提取是将光谱数据转化为对目标识别和分类有用的“形状”、“颜色”、“纹理”等信息，从而简化数据。

无监督分类是将高光谱图像中的像素按照它们的相似程度或者像素灰度，进行分类分组。

监督分类则是根据事先定义的训练数据进行分类，是一种更加准确的分类方法。

三、高光谱遥感图像的目标检测与分类高光谱遥感图像的目标检测与分类是对图像中的特定目标进行识别和分类的过程。

高光谱遥感图像中的目标可以是地表物体、植被等等。

在目标检测与分类过程中，我们主要需要解决两个问题，一是目标的提取问题，二是目标的分类问题。

目标的提取问题主要是将高光谱遥感图像中的目标从数据中提取出来。

面向高光谱图像的目标检测研究

第44卷第6期航天返回与遥感2023年12月SPACECRAFT RECOVERY & REMOTE SENSING45面向高光谱图像的目标检测研究高大化贺昱董宇波*刘丹华李浩勇石光明（西安电子科技大学，西安710071）摘要现有的高光谱目标检测方法是通过逐像素分类而实现，导致了检测速度缓慢。

物体级目标检测的发展为高光谱图像实时目标检测带来了希望。

为了实现实时高光谱图像目标检测，文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。

首先，该算法提出了用多尺度光谱注意力网络（Res2NetSE）来提取空谱特征，能够提升多尺度目标检测效果并能更有效地提取关键波段信息；其次，该算法提出了一个空间增强的特征金字塔模块（Spatial Enhanced FPN，SFPN）用于特征融合，提升了神经网络的感受野和多尺度性能；最后，该算法设计了FIOU（Fantastic IoU）损失函数，提升了预测框定位精度。

实验结果表明，所提出的算法能够有效提取空间域和光谱域信息特征，分别在平均准确率上提升了14.19%、8.01%和5.38%，与现有方法相比表现出更出色的性能。

文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案，有望推动高光谱图像分析领域的进一步发展。

关键词光谱注意力特征金字塔高光谱目标检测物体级目标检测高光谱图像处理中图分类号: TP753文献标志码: A 文章编号: 1009-8518(2023)06-0045-12DOI: 10.3969/j.issn.1009-8518.2023.06.005Object Detection for Hyperspectral ImagesGAO Dahua HE Yu DONG Yubo*LIU Danhua LI Haoyong SHI Guangming（Xidian University, Xiʹan 710071, China）Abstract Existing hyperspectral image (HSI) target detection methods rely on pixel-wise classification, resulting in slow detection speed. The development of object detection offers hope for real-time HSI target detection. To achieve real-time HSI target detection, this paper proposes a Convolutional Neural Network (CNN) algorithm based on YOLO. Firstly, the algorithm introduces a multi-scale spectral attention network (Res2NetSE) to extract spectral features, thereby improving multi-scale target detection and effectively capturing critical spectral information. Secondly, the algorithm presents a Spatial Enhanced Feature Pyramid Module (SFPN) for feature fusion, further enhancing the neural network's receptive field and multi-scale performance.Finally, the algorithm designs a Fantastic IoU (FIOU) loss function to enhance the precision of predicted bounding boxes. Experimental results demonstrate that the proposed algorithm can effectively extract spatial and spectral features, achieving performance improvements of 14.19%, 8.01%, and 5.38% in terms of mean average precision (mAP) when compared to existing methods. The proposed algorithm offers an effective solution for real-time object detection in HSIs, with the potential to advance the analysis of HSI further.收稿日期：2023-06-30基金项目：国家重点研发计划项目（2019YFA0706604）；国家自然科学基金（61976169，62293483，62205260）引用格式：高大化, 贺昱, 董宇波, 等. 面向高光谱图像的目标检测研究[J]. 航天返回与遥感, 2023, 44(6): 45-56.GAO Dahua, HE Yu, DONG Yubo, et al. Object Detection for Hyperspectral Images[J]. Spacecraft Recovery &Remote Sensing, 2023, 44(6): 45-56. (in Chinese)46航天返回与遥感2023年第44卷Keywords spectral attention; feature pyramid networks; HSI target detection; object detection; HSI processing0 引言高光谱成像技术是利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。

高光谱图像目标检测技术研究

2 高光谱图像目标检测研究进展
2.1 国外进展由于巨大的军事应用价值，自上世纪八十年代以
来，高光谱图像弱小目标检测算法一直是国内外的研究热点。近年来己有多次涉及该内容的国际会议召开，包括国际光学工程学会(SPIE)的“自动目标识别”、“小目标的信号和数据处理”、“信号处理、传感器融合和目标识别”和美国军方红外信息分析中心 (IRIA)的“伪装、隐藏和欺骗技术专家论坛”等会议，特别是 SPIE 每年都在美国召开主题为“多光谱、高光谱及超光谱的算法和技术”的国际会议，至 2008 年，己连续召开了十四届，该会议论文中包含了大量高光谱图像目标检测方而的内容。另外，美国电气电子工程师学会(IEEE)的各种学报及一些国际知名期刊也己出现了较多这方面的文章。美国麻省理工学院的 Lincoln 实验室期刊在 2003 年也出版了关于高光谱图像处理的专辑，其中有 2 篇专门讨论高光谱图像目标检测问题[4,5]。 2.2 国内进展
分类原则按目标信号先验信
息
按目标信号光谱混
合
按背景噪声信号关
系
按背景信号不确定性描述
表1 红外小目标检测算法
方法
特点
异常检测不需要目标物光谱的先验信息，将不符
合背景模型的异常光谱点判为目标
光谱匹配需要光谱信号的先验信息，可在有附加
检测
约束或无附加约束条件下实施
纯象素检指目标所在的象素位置为目标信号所
(2)军事侦察。军事侦察面临的主要难题之一就是如何揭露敌方目标的伪装、隐藏和欺骗。高光谱图像检测可以通过对观测场景中物质光谱特性的定量分析，实现对真假目标之间、目标和伪装物之间、覆盖物与周围正常环境之间的光谱特征微弱变化的检测，为揭露伪装、隐藏和欺骗提供可能。

高光谱图像目标检测技术研究

指导教师签名：签名日期：
摘要
摘要
近年来，随着光谱成像技术的快速发展，高光谱遥感技术得到了广泛的关注。基于高光谱图像的目标检测不仅可以利用高光谱图像数据的光谱信息，也可利用其空间信息，在目标检测领域较于空间遥感图像目标检测具有很强的优势，在国防侦查、搜索救援等方面具有重要的应用价值。本文在深入研究高光谱图像目标检测理论的基础上，针对异常样本对背景统计信息的干扰、复杂背景模型构建偏差以及背景信号对亚像元目标检测的影响等问题进行深入研究，完成的主要工作包括：首先，对高光谱数据特性进行研究，研究了光谱信号的可变性模型。重点研究了基于统计检测理论的高光谱图像目标检测算法的设计，分析了多元统计信号的检测理论和估计理论。介绍了高光谱图像目标检测算法的评价方式。其次，针对高光谱数据中异常点对背景参数估计的影响，提出了一种稳健协方差估计的 ACE 目标检测算法。背景参数估计中常用的极大似然估计方法对数据中的异常点比较敏感，可能受异常点影响导致背景模型存在较大偏差。本文使用稳健 Fast-MCD 参数估计方法，从而克服异常点对背景参数估计的影响，提升背景模型构建的准确性和稳定性。通过实验验证，相较于原有 ACE 等检测算法，该方法的检测效果更优。最后，针对复杂背景情况背景模型构建不准确的问题，提出了一种局部背景模型的 ACE 亚像元目标检测算法。在统计检测算法中，背景模型构建的准确性直接影响着亚像元目标的检测效果。ACE 目标检测算法使用单一多元正态分布模型来描述背景分布情况，这种描述方式在背景地物分布情况比较复杂时不能很好的描述背景的实际分布情况。本文利用背景分解来描述复杂背景，使用多个多元正态分布模型构建背景分布模型，每个模型对应着一类地物，从而降低背景模型的光谱可变性。此外针对亚像元目标检测中背景信号的影响，利用最小二乘分解得到具有实际意义的目标和背景的组分信息，结合 ACE 检测算法可以最大程度的抑制背景信号的影响。实验表明，该方法较传统 ACE 算法和局部滑动窗口 ACE 检测算法在亚像元目标检测上具有更好的检测性能。

高光谱图像异常目标检测算法研究进展

电光与控制Electronics Optics&Control Vol.28No.5 May2021第28卷第5期2021年5月引用格式:成宝芝，赵春晖,张丽丽•高光谱图像异常目标检测算法研究进展[J].电光与控制,2021,28(5)：56-59,65.CHENG B Z,ZHAO C H,ZHANG L L.Research advances of anomaly target detection algorithms for hyperspectral imagery[J].Electronics Optics&Control,2021,28(5)：56-59,65.高光谱图像异常目标检测算法研究进展成宝芝I,赵春晖2,张丽丽I(1.大庆师范学院机电工程学院，黑龙江大庆163712；2.哈尔滨工程大学信息与通信工程学院,哈尔滨150001)摘要：高光谱图像在国防军事和民用领域都有大量的应用，特别是异常目标检测不需要任何先验信息,使其成为高光谱图像处理和信息提取的关键技术和研究热点之一。

通过系统的梳理、分析和研究，对现有的异常目标检测算法进行了深入的归纳和总结，并对高光谱图像异常目标检测涉及到的关键问题、未来的技术发展方向(如稀疏表示、张量分解和深度学习等)以及算法存在的问题进行了分析评价，提出了一些具有创新性的观点并预测了未来的研究趋势。

关键词：高光谱图像；异常目标检测；稀疏表示；张量分解中图分类号：TP751文献标志码：A doi:10.3969/j.issn.1671-637X.2021.05.013Research Advances of Anomaly Target DetectionAlgorithms for Hyperspectral ImageryCHENG Baozhi1,ZHAO Chunhui2,ZHANG Lili1(1.College of Mechanical and Electrical Engineering,Daqing Normal University,Daqing163712,China；2.College of Information and Communications,Harbin Engineering University,Harbin150001,China)Abstract:Hyperspectral imagery has a lot of applications in the national defense and civil fields・Especially, the anomaly target detection does not need any prior information and thus has become one of the key technologies and research hotspots in hyperspectral image processing and infonnation extraction.Through systematic research and analysis,this paper summarizes the existing anomaly target detection algorithms in detail,analyzes and evaluates the key problems involved in anomaly target detection,gives the future development direction of the technology,such as sparse representation,tensor decomposition,and deep learning etc.,and presents the existing problems of the algorithms.Some innovative ideas and future research trends are also proposed・Key words:hyperspectral imagery；anomaly target detection；sparse representation；tensor decomposition0引言高光谱图像(Hyperspectral Imagery,HSI)是利用成像技术和光谱技术结合形成的“图谱合一”的三维图像,包括二维空间信息和一维光谱信息,含有几十至上百个分辨率连续的、窄波段图像数据，这些图像数据记录了地物电磁波信号或能量，借此构建数理模型可描述地物特征⑴。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

随着遥感平台的发展，一些对遥感平台所获图像的处理技术也得到了大力的发展。

目标检测技术就是其中一种重点技术，对于图像的解译与后续目标识别有着重要的意义。

高光谱图像具有光谱分辨率高、波段宽度窄、信息量大的特点，能够以较高的光谱诊断能力区分和检测地物目标，因此用高光谱图像进行目标检测的研究受到了广泛的重视。

然而，由于高光谱图像空间分辨率较低、混合像元普遍存在，异常检测得到的异常目标像素通常是目标成分和背景成分的混合。

通常情况下，异常目标的准确空间位置具有很大的利用价值。

因此有必要对高光谱图像的异常目标进行检测与亚像元定位研究，这也符合遥感信息定量化的发展趋势。

在这样的背景下，本课题进行了以下几个方面的研究。

首先，对高光谱图像的特性和异常检测方法进行了研究。

在分析了高光谱图像的谱间相关性和空间相关性后，采用特征提取和特征选择技术以及经典的RX检测算法对高光谱图像进行了异常检测，论文中研究了四种基于特征提取的异常检测算法。

然后，分析了高光谱图像中混合像素的存在原因，并研究了针对混合像素的两项关键技术：光谱解混和亚像元定位。

光谱解混技术方面，主要研究了线性光谱混合模型及其在全约束条件下的最小二乘法解法；亚像元定位技术方面，主要分析了高光谱图像的空间相关性，并利用该性质实现了亚像元定位。

最后，对高光谱图像的异常目标检测与亚像元定位方法进行了总体实现。

首先，对高光谱图像进行异常检测，提取异常目标区域，然后利用局部目标端元提取和局部光谱解混方法获得目标的解混分量图。

最后，利用解混分量图对异常目标进行亚像元定位。

实验结果表明，此系统不仅可以检测出高光谱图像中的异常目标信息，而且还可以获得目标的亚像元空间分布信息。

关键词：高光谱图像；异常检测；光谱解混；亚像元定位哈尔滨工业大学工学硕士学位论文AbstractRemote sensing platform has the advantage of broad coverage, long operating distance and high efficiency. Therefore, it has important military significance and civil value. With the development of remote sensing, some technologies about the processing of images obtained by the platforms develop quickly. And target detection technology is one of them. It has important significance to image interpretation and target identification. Due to the high spectral resolution, narrow bandwidth and large amount of information, hyperspectral imagery can be used to distinguish and detect ground targets with quite high diagnostic ability, so the research on target detection over hyperspectral imagery becomes a focus. However, because of the low spatial resolution, there are a large number of mixed pixels exsiting in hyperspectral imagery. The abnormal pixels obtained from anomaly detection are often mixed with background. Usually, accurate spatial information of anomaly targets is of great value. Thus, it’s necessary to research on anomaly target detection and subpixel mapping, which is also consistent with the development trend of remote sensing information rationalization. In this case, following aspects are researched in the thesis.Firstly, the characteristic of hyperspectral imagery and anomaly detection methods are studied. After analyzing the characteristic of spectral correlation and spatial correlation, we take use of feature extraction, feature selection and classical RX algorithm to carry on anomaly detection in hyperspectral imagery. There are four methods based on feature extraction studied in this thesis.Then, the reason why mixed pixels exist in hyperspectral imagery is analyzed. And two key technologies: spectral unmixing and subpixel mapping are studied. For spectral unmixing, the linear spectral mixing model and the solution using the method of least squares under the full constrained conditions are studied. For subpixel mapping, spatial correlation is analyzed. And subpixel mapping is carried out using this characteristic.Lastly, the process of detection and subpixel mapping for anomaly targets in hyperspetral imagery is implemented. First, anomaly detection is carried out and the anomaly targets area is extracted. Second, local target endmember extraction and local linear unmixing is carried out to obtain the unmixed result of targets. Third, subpixel mapping for anomaly targets is carried out on the basis of unmixed result. Thus, we can not only detect the anomaly targets in hyperspectral imagery, but also obtain the subpixel spatial information of anomaly targets.哈尔滨工业大学工学硕士学位论文Keywords: hyperspectral image, anomaly detection, spectral unmixing, subpixel mapping哈尔滨工业大学工学硕士学位论文目录摘要 (I)Abstract (II)第1章绪论 (1)1.1课题背景及研究意义 (1)1.2高光谱遥感技术的发展 (2)1.2.1 成像光谱仪的发展 (2)1.2.2 高光谱遥感技术的应用发展 (3)1.3高光谱图像中的目标检测技术 (5)1.3.1 目标检测技术分类 (5)1.3.2 异常检测技术 (6)1.4亚像元定位技术 (8)1.5论文的研究内容与结构安排 (9)第2章高光谱图像的异常目标检测算法研究 (10)2.1高光谱图像的特性分析 (10)2.1.1 谱间相关性分析 (11)2.1.2 空间相关性分析 (12)2.2特征提取 (13)2.2.1 主成分分析 (14)2.2.2 核主成分分析 (16)2.2.3 独立分量分析 (17)2.2.4 实验结果比较和分析 (19)2.3基于局部奇异性的特征选择 (20)2.4高光谱图像的异常检测算法 (22)2.4.1 RX异常检测算法 (22)2.4.2 基于特征提取的异常检测算法 (24)2.5本章小结 (27)第3章高光谱图像中的混合像元处理技术研究 (28)3.1端元提取技术 (28)3.2光谱解混 (29)3.2.1 线性光谱混合模型 (30)3.2.2 线性光谱混合模型求解 (31)哈尔滨工业大学工学硕士学位论文3.2.3 算法性能评价 (32)3.3亚像元定位 (35)3.3.1 空间相关性 (36)3.3.2 亚像元定位方法 (36)3.3.3 实验及结果分析 (37)3.4本章小结 (39)第4章异常目标检测与亚像元定位的总体实现 (40)4.1总体流程图 (40)4.2总体实现及实验结果 (41)4.2.1 异常检测 (41)4.2.2 异常目标区域的确定 (44)4.2.3 异常目标区域的端元提取及光谱解混 (45)4.2.4 异常目标的亚像元定位 (46)4.3本章小结 (47)结论 (48)参考文献 (50)攻读学位期间发表的学术论文 (54)哈尔滨工业大学硕士学位论文原创性声明 (55)哈尔滨工业大学硕士学位论文使用授权书 (55)致谢 (56)哈尔滨工业大学工学硕士学位论文第1章绪论1.1 课题背景及研究意义遥感(remote sensing)一词自1960年正式出现在美国一项军事科研计划中，并于1962年密执安大学等单位举办的第一届环境遥感学术讨论会上正式采用以来，已经成为全球广泛传播的高科技名词术语之一。