基于空谱联合特性的高光谱图像异常目标检测算法研究

《基于空谱联合特性的高光谱图像异常目标检测算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：______密级：______UDC：______编号：______工学博士学位论文基于空谱联合特性的高光谱图像异常目标检测算法研究博士研究生：张丽丽指导教师：赵春晖教授学科、专业：信息与通信工程哈尔滨工程大学2018年6月分类号：______密级：______UDC：______编号：______工学博士学位论文基于空谱联合特性的高光谱图像异常目标检测算法研究博士研究生：张丽丽指导教师：赵春晖教授学位级别：工学博士学科、专业：信息与通信工程所在单位：信息与通信工程学院论文提交日期：2018年3月论文答辩日期：2018年6月学位授予单位：哈尔滨工

2、程大学ClassifiedIndex:U.D.C:ADissertationfortheDegreeofD.EngResearchonSpectral-spatialCharacteristics-basedAnomalyTargetDetectionAlgorithmsforHyperspectralImagesCandidate:LiliZhangSupervisor:Prof.ChunhuiZhaoAcademicDegreeAppliedfor:DoctorofEngineeringSpecialty:InformationandCommunic

3、ationEngineeringDateofSubmission:Mar.2018DateofOralExamination:Jun.2018University:HarbinEngineeringUniversity哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结

4、果由本人承担。作者（签字）：日期：年月日哈尔滨工程大学学位论文授权使用声明本人完全了解学校保护知识产权的有关规定，即研究生在校攻读学位期间论文工作的知识产权属于哈尔滨工程大学。哈尔滨工程大学有权保留并向国家有关部门或机构送交论文的复印件。本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进行检索，可采用影印、缩印或扫描等复制手段保存和汇编本学位论文，可以公布论文的全部内容。同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一署名单位为哈尔滨工程大学。涉密学位论文待解密后适用本声明。本论文（□在授予学位后即可□在授予学位12个月后□解

5、密后）由哈尔滨工程大学送交有关部门进行保存、汇编等。作者（签字）：导师（签字）：日期：年月日年月日基于空谱联合特性的高光谱图像异常目标检测算法研究摘要高光谱图像目标检测是图像理解和解译领域重要研究课题之一。根据是否可获得地物目标的光谱先验信息，目标检测分为有监督和无监督两类。异常目标检测为无监督的一类，不需要提供地物目标光谱的先验信息，因为一般情况下，很难获得地物目标真实的光谱信息，所以异常目标检测更具实用性。高光谱图像的光谱和空间分辨率都随着遥感技术的发展不断地提高，但这也给高光谱异常目标检测带来了新的挑战。主要面临的问题有：(1)高光谱图像光谱维度高

6、，数据冗余大；(2)高光谱数据呈现复杂的非线性特性；(3)异常目标通常为低概率小目标；(4)“同谱异物”和“同物异谱”现象仍然存在。其中“同谱异物”和“同物异谱”现象使得基于光谱信息的异常目标检测算法精度很低，而高维度容易遭遇“维数灾难”现象，所以如何充分挖掘高光谱遥感图像的光谱特征和空间特征，如何开发出更有效的异常目标检测算法提高其检测精度是本论文的研究重点。论文的主要研究内容如下：1.高维度和非线性是高光谱遥感图像的固有属性，基于稀疏理论的各种高光谱异常目标检测算法不需要假设背景模型分布，核协同表示(KernelCollaborativeRepres

7、entation-basedDetector,KCRD)算法将高光谱图像映射到核空间并结合稀疏理论；然而，这些算法仅考虑高光谱异常目标的光谱稀疏特性，实际上，异常目标在空间域上同样具有稀疏特性，忽略了其空间稀疏特性会导致检测精度不够高。针对此问题，提出了基于局部线性嵌入的稀疏差异指数(SparsityDivergenceIndexbasedonLocallyLinearEmbedding,SDI-LLE)的异常目标检测算法，首先利用局部线性嵌入(LLE)的重构权值矩阵核协同表示求出高光谱数据的光谱稀疏差异指数，空间稀疏差异指数由经过LLE降维的数据进行计

8、算，最后采用空谱联合稀疏差异指数求出异常目标，SDI-LLE获得了比KCRD更好