高光谱图像稀疏约束与自编码器特征提取相结合的异常检测方法

高光谱图像的异常检测在军事、农业、勘探、防火等领域具有重要的应用价值。传统的高光谱图像异常检测算法未能有效地挖掘图像光谱的深层特征,而深度学习方法具有良好的提取深层特征信息的能力。由于异常检测问题一般无法获取地物先验信息,因此无监督网络相比于监督网络要更为适用。而现有的基于自编码器的异常检测算法没有对局部信息进行有效利用,导致检测效果受限。针对这一问题,本文提出一种基于稀疏表示约束的自编码器深度特征提取方法。首先通过栈式自编码器得到深层次语义信息;然后利用稀疏表示作为约束与编码器进行有效结合,挖掘了潜在隐藏空间中的特征元素的局部表示特性;最后采用分数傅里叶变换,通过空间-频率表示获得原始光谱与其傅里叶变换的中间域中的特征,进一步增强了背景和异常的光谱区分度,且能有效去除噪声的影响。在Hymap、AVIRIS、ROSIS、HYDICE这4种光谱仪采集的5幅高光谱遥感影像上进行了性能验证,得到的曲线下覆盖面积(area under curve,AUC)分别为0.9905、0.9983、0.9990、0.9928和0.9110,相比于对比算法都有了不同程度的效果提升。结果表明本文方法具有更好的检测精度。

基于改进的剪切波变换和引导滤波的红外弱小目标背景抑制方法

由于传统的背景抑制方法没有充分利用信号的方向信息,使其不能有效区分背景边缘和红外弱小目标,从而造成背景抑制结果中有较多的背景泄露.针对上述问题,本文利用改进的剪切波变换和引导滤波,提出了一种新的背景抑制方法.首先,采用改进的剪切波变换对红外弱小目标图像进行多尺度和多方向分解,将图像分解得到不同的高频子带系数和低频子带系数;其次,利用目标信号与边缘在方向上的差异,采用自适应引导滤波对高频子带系数进行处理;再次,对分解后的低频子带系数和处理后的高频子带系数进行改进的剪切波逆变换,得到预测的背景图像;最后,将原图像与背景预测图像相减获得背景抑制且目标增强的红外图像.为了验证本文方法的有效性,采用多组实验对其进行验证,并与经典的Max-Median、TDLMS和Top-hat等方法作比较.多组实验结果均表明本文方法在主观视觉和客观评价指标方面均优于其它三种经典方法,可有效提高红外搜索跟踪系统对红外弱小目标的探测概率.

多尺度各向异性扩散方程的红外弱小目标检测算法

针对复杂背景下红外弱小目标检测效果不佳的问题,结合多尺度分析法和各向异性扩散方程,利用图像尺度和方向信息,提出一种新的红外弱小目标检测算法.首先,采用Surfacelet变换对图像进行多尺度、多方向分解,得到不同尺度下高频子带系数和低频子带系数;其次根据不同频带的特点,分别采用改进的各向异性扩散方程差分滤波和局部去均值滤波对高频子带系数和低频子带系数进行处理;最后,采用逆Surfacelet变换重构处理后的子带系数,并采用自适应阈值分割对重构的图像进行分割,以实现目标检测.采用多组红外图像进行试验,并与小波滤波以及各向异性扩散滤波进行比较,实验结果显示,该算法能有效抑制背景及其边缘,可以获得比另外两种算法更好的红外弱小目标检测效果.

基于引导滤波与时空上下文的红外弱小目标跟踪

由于传统的跟踪算法没有充分利用目标与其局部背景的时空相关性,使其不能有效地区分背景边缘和红外弱小目标,从而在跟踪过程中产生偏移现象.针对这一问题,本文在时空上下文学习跟踪的原理基础上,分析了跟踪偏移的原因,并引入图像引导滤波方法,提出了一种引导滤波结合时空上下文的红外弱小目标跟踪算法.该算法首先采用引导滤波对上下文区域进行处理,在保留上下文区域云层边缘的同时剔除目标及噪声,再将其与滤波结果作差.最后利用小目标的"置信图"检测出目标.为了验证该方法的有效性,采用五组红外小目标序列图像进行实验,并与经典时空滤波、改进的模板匹配和移动管道滤波等方法作比较.实验结果表明本文提出的方法在主观视觉和客观评价指标方面均优于其它三种经典方法,且具有更高的目标跟踪精度与较好的实时性.

基于曲率滤波和梯度变换的图像增强

针对基于梯度变换的图像增强算法抗噪声干扰能力差的问题,引入曲率滤波理论,提出了基于高斯曲率滤波和梯度变换的图像增强算法.该算法通过对图像梯度场进行非线性变换来增强图像对比度,通过构造能量泛函,采用梯度下降法从变换后的梯度场重构出增强后的图像,并利用高斯曲率滤波对梯度下降法迭代过程中的重构图像及其各阶偏微分进行平滑,有效解决了图像重构过程中的噪声非线性放大和扩散问题,同时保留了丰富的细节信息.采用多组边缘模糊图像进行仿真实验,实验结果表明该算法在增强图像边缘对比度的同时,能够有效抑制噪声.

基于加权引导滤波与时域高通滤波的非均匀性校正算法

为解决基于传统时域高通滤波红外图像非均匀性校正算法存在"鬼影"现象以及固定图案噪声去除不彻底的问题,提出了一种加权引导滤波和改进时域高通滤波相结合的非均匀性校正算法。首先,利用加权引导滤波准确分离红外图像中的空域高频成分;然后,计算红外图像中像素点灰度值变化幅度;最后,在进行时域高通滤波时对红外图像中的运动区域和静止区域使用不同时间常数进行校正。采用两组真实红外图像序列进行实验,并与经典的双边滤波时域高通,均值滤波时域高通非均匀性校正算法进行比较。实验结果表明:文中所提算法在主观视觉和客观评价指标方面优于其他两种算法,有效降低了红外图像的非均匀性,不会产生"鬼影",取得了较好的非均匀性校正效果。

基于卷积特征选择的红外目标跟踪

对红外图像中的目标跟踪时,复杂的背景信息以及目标像素数较少等因素增加了红外目标跟踪难度,目标区域的图像块缺乏特征信息使得普通跟踪算法较易产生跟踪偏移问题。为解决此问题,提出了一种基于粒子滤波框架下的卷积特征选择的红外目标跟踪算法。首先,在初始目标块上提取少量图像块作为滤波器,进而获得表征能力更强的卷积特征。然后,采用在线提升算法对该特征进行选择,增加跟踪算法的精度和执行效率。最后,将贝叶斯分类器的响应作为粒子权值估计出目标状态。实验结果验证了所提算法的跟踪性能优于其他几种传统算法。

基于引导滤波和核相关滤波的红外弱小目标跟踪

为了解决传统跟踪算法不能有效区分背景边缘和红外弱小目标的问题,基于图像引导滤波和核相关滤波,提出了一种改进型的红外弱小目标跟踪算法。将采用6组红外弱小目标图像序列得到的实验结果与采用经典跟踪算法得到的实验结果进行了比较。实验结果表明,所提算法在主观视觉和客观评价指标方面均优于传统算法,具有更高的目标跟踪精度与较好的实时性。