高光谱和多光谱图像融合旨在获取同时具有高空间分辨率和高光谱分辨率的高质量图像。然而,针对光谱变化中的高光谱和多光谱图像融合问题,全变分正则化方法仅仅是在空间梯度域对图像局部特性信息进行建模,没有考虑高光谱图像光谱信息间...高光谱和多光谱图像融合旨在获取同时具有高空间分辨率和高光谱分辨率的高质量图像。然而,针对光谱变化中的高光谱和多光谱图像融合问题,全变分正则化方法仅仅是在空间梯度域对图像局部特性信息进行建模,没有考虑高光谱图像光谱信息间的高阶相关性。针对上述问题,通过引入Schatten-0正则项,实现对光谱信息高阶相关性的建模,提出基于Schatten-0范数正则化的高光谱和多光谱图像融合方法。采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解光谱变化中的融合问题。其中,Schatten-0正则项对应的子问题采用硬阈值迭代收缩算法求解。仿真实验验证了所提方法的可行性和有效性。可为更具有实际价值、更一般化的高光谱和多光谱图像融合应用提供理论与技术支撑。展开更多
高光谱异常变化检测能够从多时相高光谱遥感图像中寻找到数量稀少、与整体背景变化趋势不同、难以发现且令人感兴趣的异常变化。数据集规模较小、存在噪声干扰以及线性预测模型存在局限性等问题,极大地降低了传统高光谱异常变化检测方...高光谱异常变化检测能够从多时相高光谱遥感图像中寻找到数量稀少、与整体背景变化趋势不同、难以发现且令人感兴趣的异常变化。数据集规模较小、存在噪声干扰以及线性预测模型存在局限性等问题,极大地降低了传统高光谱异常变化检测方法的检测性能。目前,自编码器已被成功地应用于高光谱异常变化检测。然而,单个自编码器在处理多时相高光谱图像时,仅关注图像的重构质量,在获取瓶颈特征时往往忽略了图像中复杂的光谱变化信息。为了解决该问题,提出了一种基于双空间共轭自编码器的多时相高光谱异常变化检测(Multi-temporal Hyperspectral Anomaly Change Detection Based on Dual Space Conjugate Autoencoder,DSCAE)方法。所提方法包含两个共轭的自编码器,即它们从不同方向构造各自的潜在特征。在该方法的训练过程中,首先,两幅不同时刻的高光谱图像经过各自的编码器分别获得相应的潜在空间特征表示,再分别经过各自的解码器获得另一时刻的预测图像;其次,在样本空间和潜在空间中施加不同的约束条件,并在两个空间中最小化相应的损失函数;最后,两幅输入图像经过共轭自编码器后获得各自的异常损失图,对所得的两幅异常损失图采用取小运算得到最终的异常变化强度图,以便在减小输入图像间背景光谱差异的同时突出异常变化。在高光谱异常变化检测基准数据集上的实验结果表明,与10种相关方法相比,DSCAE展现了更优的检测性能。展开更多
文摘高光谱和多光谱图像融合旨在获取同时具有高空间分辨率和高光谱分辨率的高质量图像。然而,针对光谱变化中的高光谱和多光谱图像融合问题,全变分正则化方法仅仅是在空间梯度域对图像局部特性信息进行建模,没有考虑高光谱图像光谱信息间的高阶相关性。针对上述问题,通过引入Schatten-0正则项,实现对光谱信息高阶相关性的建模,提出基于Schatten-0范数正则化的高光谱和多光谱图像融合方法。采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)求解光谱变化中的融合问题。其中,Schatten-0正则项对应的子问题采用硬阈值迭代收缩算法求解。仿真实验验证了所提方法的可行性和有效性。可为更具有实际价值、更一般化的高光谱和多光谱图像融合应用提供理论与技术支撑。
基金Supported by National Natural Science Foundation of China under grant 60678055 , Program for New Century Excellent Talents in University of Henan Province and theNatural Science Foundation of Henan (200510482005)
文摘高光谱异常变化检测能够从多时相高光谱遥感图像中寻找到数量稀少、与整体背景变化趋势不同、难以发现且令人感兴趣的异常变化。数据集规模较小、存在噪声干扰以及线性预测模型存在局限性等问题,极大地降低了传统高光谱异常变化检测方法的检测性能。目前,自编码器已被成功地应用于高光谱异常变化检测。然而,单个自编码器在处理多时相高光谱图像时,仅关注图像的重构质量,在获取瓶颈特征时往往忽略了图像中复杂的光谱变化信息。为了解决该问题,提出了一种基于双空间共轭自编码器的多时相高光谱异常变化检测(Multi-temporal Hyperspectral Anomaly Change Detection Based on Dual Space Conjugate Autoencoder,DSCAE)方法。所提方法包含两个共轭的自编码器,即它们从不同方向构造各自的潜在特征。在该方法的训练过程中,首先,两幅不同时刻的高光谱图像经过各自的编码器分别获得相应的潜在空间特征表示,再分别经过各自的解码器获得另一时刻的预测图像;其次,在样本空间和潜在空间中施加不同的约束条件,并在两个空间中最小化相应的损失函数;最后,两幅输入图像经过共轭自编码器后获得各自的异常损失图,对所得的两幅异常损失图采用取小运算得到最终的异常变化强度图,以便在减小输入图像间背景光谱差异的同时突出异常变化。在高光谱异常变化检测基准数据集上的实验结果表明,与10种相关方法相比,DSCAE展现了更优的检测性能。
