中值滤波均值快速算法在高光谱图像处理系统中的应用

文章提出了一种中值滤波均值快速算法,介绍了该算法的设计思路、算法流程、基本运算步骤、实验设计与效果及与经典算法的比较情况。该算法利用数据窗口中的位置关系并考虑了相邻的两个中值滤波窗口内信号数据的相关性,在运算过程中,保留前面窗口内数据的排序信息,作为下一个窗口内数据排序的参考依据。这样可将传统算法中相邻的两次中值滤波运算合并为一次进行,减少了中值滤波过程中比较运算的次数,该算法可将传统算法的复杂度O(n2)简化成O(n),同时将均值滤波与中值滤波有机结合起来,将两个独立的算法有机地融合成一种算法,从而有效提高运算速度,也减少噪声对图像的影响。

基于超像素块聚类与低秩特性的高光谱图像降噪

高光谱图像通常受到高斯噪声、脉冲噪声、死线和条纹等干扰,因此去噪必不可少。现有基于低秩特性的降噪方法通过引入空间信息改善了降噪效果,但由于其只利用了局部相似性或非局部自相似性,而对在光谱维度存在一定结构信息的稀疏噪声去除效果较差。本文提出了基于超像素块聚类与低秩特性的高光谱图像降噪方法,实现了分块的自适应划分与聚类,在较好地保留了局部细节的同时又充分利用了非局部空间自相似性,且实验表明聚类后的超像素块组成的同物分块具有良好的空-谱双重低秩属性。该方法首先对高光谱图像进行超像素分割,再对超像素块进行聚类,得到同物分块;然后对其建立低秩矩阵恢复模型并求解,最终得到降噪后图像。本文分别在模拟数据和真实数据上进行实验,并与其他基于低秩特性的方法进行比较,结果表明:本文方法对混合噪声,尤其是具有一定结构信息的稀疏噪声具有较好的降噪性能。

面向高光谱图像的目标检测研究

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。

高光谱图像预处理的Matlab并行化研究

在高光谱图像处理中,针对预处理过程中计算耗时的问题,根据数据特征,应用Linux集群Matlab分布式并行处理技术,搭建Linux集群环境下Matlab分布式并行计算环境,在该环境下对高光谱图像预处理过程进行并行优化。通过实例进行验证,针对不同高光谱数据量在不同worker个数的情况进行测试,实验结果表明,该算法可高效完成高光谱图像预处理过程,对其消耗时间、加速比以及并行效率进行分析。

基于波段子集特征融合的高光谱图像异常检测

高光谱图像分析中,对未知环境下伪装目标的检测识别具有较大难度,因为缺乏背景与目标的先验光谱信息.针对这一问题,提出一种高光谱图像异常检测算法.将高光谱图像分成波段子集进行特征提取,利用对图像中噪声程度及目标、背景之间可分性敏感的特征样本高阶统计量构造基本置信指派函数,通过DS证据推理实现特征层智能融合异常检测.理论分析及仿真实验结果表明了算法的有效性.

基于子空间投影的未知背景航拍高光谱图像恒虚警目标检测

针对航拍高光谱图像中未知背景地物特征条件下小目标的检测问题,给出一种检测算法。利用目标的低概率特性,通过模糊聚类获取高光谱图像中背景的光谱特性;然后将高光谱数据向背景光谱信号的正交子空间及目标信号子空间投影以抑制背景和噪声信号;最后在特征层利用广义似然比检验构造出具有恒虚警特性的检测器,完成融合检测过程。理论分析和实验结果表明了算法的有效性。

基于小波变换和多通道脉冲耦合神经网络的高光谱图像融合

针对高光谱多波段图像融合的问题,提出了一种基于小波变换和多通道脉冲耦合神经网络模型的新融合方法。该算法利用小波变换对图像进行多尺度分解,将得到的低频和高频系数分别采用多通道PCNN模型进行非线性融合处理,对低频子带直接利用其点火频率图得到融合结果,对各高频子带则利用点火频率图的直方图矢量重心及偏差计算自适应阈值并进行区域分割,对不同的区域采用不同的融合规则进行融合处理;最后进行小波重构得到融合图像。对OMIS高光谱图像的实验结果表明:所提方法能够有效地融合高光谱多个波段图像信息,且纹理细节信息突出。

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容.相关向量机由于不受梅西定理的限制、不需要设置惩罚因子等优势受到广泛关注.由于高光谱数据具有较高的维数,当训练样本较少时,高光谱数据的分类精度受到严重的影响.通常解决这种现象的办法是对原数据进行特征降维处理,然而多数基于filter模型的特征选择算法无法直接给出最优特征选择个数.为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维特征数,并与相关向量机结合,对降维后的数据进行分类.实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性.相比较原始未降维数据,降维后的高光谱图像分类精度有较大幅度的提高.

基于逐像素递归处理的高光谱实时亚像元目标检测

亚像元目标检测是高光谱图像应用的关键技术。由于高光谱数据的高维度增加了存储空间和数据处理的复杂度,实时处理成为了目标检测面临的重要问题。自适应匹配滤波算法(AMF)是一种有效的亚像元目标检测算法。在基于Woodbury引理实现以逐像素排列格式传输和存储的高光谱数据协方差矩阵实时求逆的基础上,以AMF为高光谱图像亚像元目标检测算法,推导出了基于逐像素递归处理的高光谱图像实时AMF目标检测流程。通过仿真数据和真实高光谱图像实验证明,相比于非实时AMF,实时AMF只需少量的存储空间便可得到同样甚至更高的检测精度。

高光谱遥感数据特征挖掘技术研究进展

从目标空间尺度和传感器空间分辨率的相对大小,把高光谱遥感图像目标检测、识别与分类中的特征挖掘问题划分为多像元、单像元和亚像元3个层次,因而更具自然特性也更适合特征挖掘和目标分类与识别技术的分析。把高光谱遥感图像特征挖掘方法归纳为以保留波段物理意义为主要目的的特征选择、以综合利用所有观测数据信息为主要特色的特征提取,和考虑亚像元多目标混合信息的特征混合3大类。重点且简明地从高光谱遥感数据光谱曲线与光谱特征、特征提取、特征选择以及特征混合分析几个方面综述高光谱遥感数据/图像的特征挖掘技术的研究进展并通过热点问题展望其未来的发展趋势。

基于局部核RX算法的高光谱实时检测

提出了一种基于LKRX检测器的实时异常检测算法.利用局部因果滑动阵列窗,使检测系统保持因果性.根据卡尔曼滤波器的递归思想,利用Hermitian矩阵分块求逆引理和Woodbury引理,将LKRX算法中核协方差矩阵以及其逆矩阵以递归方式更新,避免了数据的重复计算和逆矩阵的求解,大大降低了算法复杂度.通过真实数据进行实验,结果表明,与LKRX算法相比,实时LKRX算法在保持相同检测精度的同时,消耗更少的计算时间;而与实时RX算法相比,实时LKRX算法能够检测到更多的异常目标.

基于虚拟背景光谱Hausdorff距离的高光谱异常检测及GPU实现

提出了一种基于虚拟背景光谱Hausdorff距离的高光谱图像异常目标检测算法(VBS-HD).利用改进的部分Hausdorff测度计算待测像元与背景信息间各波段光谱的正反双向距离,并分别进行升序排列.为了避免数据成像过程中,由传感器、环境等因素产生的孤立噪声点对测试像元造成误判,算法选取前k个距离进行均值化,进行后续Hausdorff的度量.对于背景信息的选取,本算法根据待检测像元周围背景信息的特点,构造理想化虚拟背景光谱信息,从而有效减少背景信息掺杂噪声及异常点对检测性能的影响.为了进一步提高检测效率,在GPU/CUDA模型下,设计算法的并行系统架构,利用GPU的并行计算能力,获得较好的加速效果.通过模拟及真实数据的实验结果表明,VBS-HD异常检测算法具有较强的抗噪声干扰能力,在保证较高的检测精度的同时,显著提升了算法的执行效率.

高光谱图像稀疏信息处理综述与展望

高光谱成像技术具有光谱连续、图谱合一,能够以较高的光谱诊断能力对地物目标进行精细化解译,可以大幅增强地物信息的提取能力。充分利用高光谱遥感图像丰富的空间、谱信息,进行观测目标地物的精细化解译,成为近年来遥感领域的研究热点和前沿领域,并在多个相关领域具有巨大的应用价值和广阔的发展前景。本文结合高光谱图像成像特点,对基于稀疏表示理论的高光谱图像处理与分析方法进行综述,概括了高光谱图像处理与分析主要研究,并对各个研究领域与方向进行分析和评价,最后对各研究领域发展提出建议和展望。

一种基于单似然检验的高光谱图像小目标检测器

针对背景和目标的先验光谱特征未知的条件,给出一种基于单似然检验的高光谱图像小目标检测器。小目标相对于背景的低概率性使得高光谱图像数据对目标光谱信号的矩特征几乎不施加约束,可在最大熵条件下将广义似然比检验简化为对背景似然的单似然检验;利用全部数据样本建立无参估计模型以充分利用样本信息,从而得到基于单似然检验的高光谱图像小目标检测器。该检测器避免了统计模型误差和不明确物理含义特征对实际高光谱图像数据检测带来的影响。使用可见光/近红外波段机载I型实用型模块化成像光谱仪(OMIS-I)高光谱图像进行了实验,实验结果及相应理论分析表明该算法可有效检测高光谱图像中的空间低概率目标。

基于数学形态学的高光谱图像组合核目标检测

针对非线性混合的高光谱图像目标检测问题,在核信号空间正交投影法(KSSP)的基础上,提出了一种光谱和空间信息结合的组合核信号空间正交投影方法(CKSSP)。分别基于边缘序和像元距离为序尺度函数的导出序将灰度形态变换扩展到多值图像空间中的形态变换,利用多结构元素组合的扩展数学形态学方法提取高光谱图像的空间信息。根据核函数定义,结合光谱信息和空间信息构造出组合核函数并加以证明,通过组合核信号空间正交投影实现目标检测。该方法在充分利用光谱信息的同时,合理利用了空间信息。仿真数据实验结果表明CKSSP的均方根误差比KSSP小0.03,真实高光谱图像数据实验和ROC曲线均表明CKSSP目标检测结果优于KSSP。

使用量子优化算法进行高光谱遥感影像处理综述

高光谱遥感技术从20世纪80年代出现以来,已迅速成为对地观测的重要组成部分,其影像信息提取是地物信息提取的主要数据来源。高光谱遥感影像除提供地物的空间信息之外,其成百上千个波段携带的光谱信息所提供的光谱诊断能力可以对地物目标进行精细化解译,大大增强了对地物信息的提取能力。充分利用高光谱遥感影像丰富的光谱信息对地物目标进行精细化解译成为近年来遥感领域的研究热点。对基于量子优化算法的高光谱遥感影像处理方法进行阐述,介绍了量子优化算法的发展与技术,并概括了其在高光谱遥感影像中的应用,并对量子优化算法在高光谱遥感影像处理中的应用发展提出建议和展望。

高光谱目标探测的进展与前沿问题

针对高光谱目标探测问题的主要挑战,将高光谱目标探测的进展与前沿问题分为两个方面进行综述。基于信号检测理论的方法如结构化背景的约束能量最小化方法、非结构化背景的自适应一致性余弦评估器等,是高光谱目标的探测经典算法;随着统计模式识别与机器学习领域中新技术的出现,一些数据驱动的目标探测方法逐渐成为了高光谱目标探测的前沿问题,如核方法、稀疏表达方法等。概述了两类方法的特点,比较了各自的优势和不足,并展望了高光谱目标探测未来的发展趋势。

显著性权重RX高光谱异常点检测

高光谱图像异常点检测中,传统RX异常点检测算法忽略了空间相关性,背景估计不准确。本文提出了一种基于图像局部邻域光谱显著性分析的加权RX算法。该算法通过引入图像显著性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显著性权重图,重新定义RX算法中的均值向量和协方差矩阵,并给不同的目标赋予不同的权值,达到优化背景估计的目的。利用合成高光谱数据和真实高光谱数据进行异常点检测实验,结果表明,对于同一组数据,本文算法检测到的异常点数比传统算法多,虚警率较低,有效地提高了检测率。

结合局部全局一致性和支持向量机的半监督分类方法

半监督分类方法通过提取无标签样本的信息,结合有限的有标签样本,克服了高光谱图像准确地物标签样本不足的问题,有效提高了图像的分类精度。局部全局一致性算法是一种基于图的标签传递半监督分类方法,具有性能良好,易于求解以及能够有效反映所有样本间关系的优点,但是其分类结果极不稳定,不利于实际应用。支持向量机是高光谱图像的分类领域应用最广的监督分类方法,拥有较强的鲁棒性,但是由于高光谱图像中有标签的样本不一定能够代表该类地物的全部特征,其分类结果也有可能出现波动性较大的问题,分类精度不理想。因此本文提出了一种结合局部全局一致性和支持向量机的半监督分类算法,通过迭代不断提取两种算法中分类结果相同的部分扩充有标签样本集,然后通过支持向量机进行分类,大幅度提高了分类精度和稳定度。

正交矩阵的测度保持不变性

正交矩阵是线性代数的一个重要概念,文章较系统地梳理了正交矩阵的测度保持不变性,并结合压缩感知理论,介绍了正交矩阵测度保持不变性在高光谱图像处理中的应用.