基于多光谱与显著性的红外弱小目标融合检测

基于多光谱与显著性,提出一种红外弱小目标融合检测算法。该算法旨在将从多光谱探测器获得的同一场景的多光谱图像信息组合到一起,利用它们在时空上的相关性及信息上的互补性,提高系统的检测性能。采用一种新的基于人类视觉注意机制的显著性方法,该方法能够快速准确找到图像中的显著性区域;将目标看作一类,背景和干扰点看作另一类,选取离差平方和准则,使类内距离最小,类间距离最大;训练出融合参数,得到融合后的显著性图像。通过设定的门限值二值化,可以看出该融合方法能很好地将目标与背景分开,从而检测出目标。

基于流形学习的多光谱优化波段选择算法研究

为从多光谱图像特征提取的角度进行优化波段选择,在充分描述数据结构特征的同时使提取选择的特征有明确的物理意义,对基于流形学习算法的优化波段选择算法进行了研究。用判别局部排列(DLA)算法对多光谱数据进行预处理,选取正负样本,利用样本信息,以目标分类为目的进行特征提取。利用特征提取的结果,从特征提取的角度分析当前各谱段对所提取的主特征贡献的总信息量和贡献率,给出了基于权值和基于贡献率的两种优化波段选择算法,分别基于权值和贡献率进行特征选择。用正负样本的可分性可快速高效降维,同时又能保留多光谱图像原物理特性。实测数据验证了优化降维后的5个谱段能保留原数据的物理特性,目标识别概率提高约2%,计算复杂度降低约50%。优化选择的谱段有助于新一代多光谱探测器的研制和应用。