高光谱亚像元图像仿真与异常检测应用

为满足高光谱异常检测研究所需的大量地物高光谱图像需求,提出利用待观测地物的高光谱特性仿真数据及背景特性数据生成高光谱图像的方法,开展了典型飞机流动与传热模型、红外辐射特性模型、高光谱图像仿真模型研究;以实验测定的飞机反射率为输入开展目标特性计算,结合实际观测的背景起伏图像,在特定遥感器光谱响应特性、遥感器相对定标误差、随机加性噪声等条件下,生成了不同像元丰度、不同信噪比的高光谱图像,并应用经典的RX算法、CEM算法检测了仿真图像的异常像元。研究结果表明:建立的模型可以根据遥感器的性能指标参数、目标丰度要求生成亚像元高光谱仿真图像。图像可以反映目标飞机像元丰度、信噪比对检测结果的影响,通过调节输入参数可以高效建立针对亚像元异常检测的高光谱仿真图像;应用仿真图像进行RX算法检测高光谱仿真图像时,噪声会对检测结果产生较大影响,当信噪比低至10 dB时,RX算法难以检测出丰度0.4以下的异常像元,采用光谱匹配检测的CEM算法可以在较低像元丰度和信噪比下检测异常,提高检测概率。

电动帆航天器谷神星探测任务轨迹优化

针对电动帆航天器谷神星探测任务轨迹优化问题,提出一种基于高斯伪谱法和遗传算法的混合优化算法。为了验证所提出的混合优化算法有效性,并考察任务起始时间和电动帆特征加速度对探测任务的影响,进行了一定数量的数值仿真。仿真结果表明:电动帆航天器自地球至谷神星的飞行时间随着起始时间的变化呈周期性波动,波动周期基本与地球和谷神星的会合周期一致;电动帆航天器的特征加速度越小,完成过渡所需要的飞行时间越长,且一个具有中等特征加速度的电动帆航天器便能在可接受的时间内完成自地球至谷神星的过渡;所提出的混合优化算法是有效的,能够在无任何初值猜测的情况下完成电动帆航天器飞行轨迹的优化。

面向运动目标捕获的低轨卫星视场幅宽研究

通常低轨卫星过顶时间较短,而目标运动随机,因此捕获运动目标是较为困难的,只能通过长期的时间累计来提升捕获概率。文章基于目标运动速度、出动频率、全球分布位置,卫星工作寿命、视场幅宽、轨道重访频次和时长等复杂因素,给出了卫星过顶遭遇目标的概率计算方法。然后根据概率计算结果,提出了实现0.99的遭遇概率要求卫星视场幅宽的下限。研究结果可为论证面向运动目标探测的低轨卫星视场幅宽需求提供借鉴。

基于投影空间重构的小信号波束形成

针对基于特征空间(Eigen Space-Based Algorithm)的自适应波束形成算法在小信号条件下会出现的主瓣偏移,波束畸变,输出性能急剧下降的现象,提出了一种投影子空间重构的方法。该方法利用噪声在时间上不相关的特性,对投影空间进行重构,在此过程中削弱噪声能量,从而有效维持信号、噪声子空间的正交性,改善了传统EBS算法在低信噪比下的性能。实际计算机仿真结果表明了本文算法的有效性和优越性。

一种基于协方差矩阵重构的鲁棒波束形成方法

针对鲁棒Capon波束形成算法中采用牛顿迭代求解对角加载因子时,运算量大且算法旁瓣增益高的问题,提出了一种改进的稳健波束形成算法。首先对干扰协方差矩阵进行重构,然后将重构的协方差矩阵投影到噪声子空间,使期望信号导向矢量在噪声子空间投影最优,最后精确求解对角加载因子。该方法的运算量低于RCB算法中牛顿迭代和最差性能最优(WCPO)算法中凸规划运算,并且提高了加载因子的计算精度。实际仿真结果表明,改进算法有效克服了信号方向估计误差,具有更低且稳定的旁瓣增益,输出信干噪比性能优于现有其他方法。

高光谱图像Pareto优化稀疏解混

高光谱解混是学术界的一个难题,稀疏高光谱解混指的是利用已知光谱库进行解混,旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元,并利用这些端元求解相应的端元丰度,这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混,但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法(Pareto SU),将稀疏解混问题转化为一个两目标优化问题,其中一个优化目标是建模误差,另一个目标是端元稀疏度。Pareto SU直接解决稀疏解混中的组合优化问题,不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。

基于高光谱图像解混的海洋绿藻检测算法

提出了一种基于线性混合模型的高光谱图像绿藻面积估计算法。利用端元提取算法,自动获取图像中绿藻端元的光谱曲线,根据得到的端元及原始图像,通过全约束最小二乘算法,求得绿藻端元的丰度图,丰度图作为绿藻面积的估计结果。算法能够有效克服由于高光谱图像分辨率不足造成的绿藻面积估计不准确的问题,实现亚像素水平的绿藻面积估计。利用2013年6月29日获取的GOCI传感器获取的8波段光谱图像展开实验,计算得到当日绿藻覆盖面积为321 km2,与HJ-1B卫星的实测结果高度接近,相比于NDVI等传统算法具有明显优势。方法为绿藻灾害预警和监测提供了一条新的解决思路和技术途径,具有较高的应用价值。

基于空间分布特性多层RX高光谱点目标检测

针对目前高光谱图像异常点目标检测过程中准确率低和虚警率高的问题,本文结合目标的空间分布特性,提出了一种多层级RX检测方法。通过计算被检测区域图像谱向相似性响应图,采用非线性抑制的方法,突出点目标并抑制背景。为进一步提高检测算法的表达能力和泛化性能,采用多级检测器级联的方式,逐层级增强异常点处的相对能量,削弱背景的影响,从而达到较高的检测性能。在外场挂飞试验数据集上进行验证,结果表明:该方法AUC值达到0.9881,明显优于CEM算法的0.9626和传统RX算法的0.9392。

非合作目标强跟踪容积卡尔曼滤波运动状态估计

针对飞机、卫星等空天非合作目标运动状态估计时,由于视觉系统检测的特征发生变化会导致系统估计误差增大甚至发散等问题,提出了一种强跟踪容积卡尔曼滤波算法(STCKF)。在利用CW方程描述卫星相对运动时,考虑视觉测量系统的偏心安装,在STCKF预测状态误差协方差阵中引入次优渐消因子,通过在线调整增益,保证残差序列相互正交,使得当系统状态发生突变时仍能保证对系统跟踪的可靠性和稳定性。仿真结果表明,与标准无迹卡尔漫滤波(UKF)和容积卡尔曼滤波(CKF)算法相比,STCKF能够适应目标特征时变的情况,明显改善了目标跟踪的精度和稳定度。