论文部分内容阅读
高光谱遥感图像是一种将地物光谱信息和空间信息融为一体的新型遥感数据,体现了图谱合一的特点和优势。相对全色或多光谱图像而言,高光谱遥感图像提供了精细的地物光谱诊断特征,在遥感对地观测系统中发挥着越来越重要的作用,被广泛应用于地物分类、高光谱解混和异常检测等领域。近年来,异常检测是高光谱图像信息处理领域的一个研究热点。
高光谱异常检测是指未知待检测目标光谱等先验知识,根据目标与图像背景存在的光谱特性差异,将异常目标从背景中识别出来。由于不需要任何先验知识,异常检测在军事侦察、环境监测和矿物勘探具有很高的实际应用价值。近年来,遥感成像技术日益成熟,这为异常检测带来了新的机遇,同时也带来一系列新的难题和挑战:图像数据量大、维度高;光谱波段间冗余性高;光谱与空间结构复杂等问题。因此,如何在海量的、高维的高光谱图像数据里充分提取图像的光谱特征和空间特征,研究出精度高、速度快的异常检测算法成为了异常检测领域研究人员的主要目标。本文详细介绍了高光谱图像的理论基础和异常检测技术,深入分析了异常目标在图像中的分布特点,有效地利用高光谱图像中的光谱信息和空间结构,提出了两种高光谱异常检测方法。论文的研究内容和成果概况如下:
(1)针对同一个场景中具有不同尺寸的异常目标,本文提出了一种多尺度属性滤波的异常检测算法。首先,利用多尺度属性滤波器对异常目标进行检测,然后通过支持向量机进行概率优化,最后用边缘保持滤波器进一步提高检测精度。该方法使用了多尺度异常检测框架,将多尺度属性滤波与支持向量机分类器结合起来。与其他异常检测算法进行实验比较,结果表明,本文方法可以有效提升异常目标的检测能力,降低了虚警率,达到高精度异常目标检测。
(2)针对高光谱图像数据量大、维度高,信息冗余和噪声干扰等问题,提出了一种基于孤立森林的异常检测算法。首先利用核主成分分析将原始数据映射到核空间中,再构建全局孤立森林进行异常目标检测,最后结合局部空间信息,通过局部孤立森林进行优化。该算法在真实的高光谱数据上验证,实验表明本方法充分考虑了异常目标在高维特征空间的独特分布特性,有效地抑制了数据维度、波段间的冗余性及背景信息对检测精度的影响,实现了异常目标精准探测。
(3)利用我国高分五号遥感卫星数据,进行高光谱异常检测的应用实例。说明了本文方法的实际应用价值,体现了高光谱异常检测在环境监测等领域的作用。
高光谱异常检测是指未知待检测目标光谱等先验知识,根据目标与图像背景存在的光谱特性差异,将异常目标从背景中识别出来。由于不需要任何先验知识,异常检测在军事侦察、环境监测和矿物勘探具有很高的实际应用价值。近年来,遥感成像技术日益成熟,这为异常检测带来了新的机遇,同时也带来一系列新的难题和挑战:图像数据量大、维度高;光谱波段间冗余性高;光谱与空间结构复杂等问题。因此,如何在海量的、高维的高光谱图像数据里充分提取图像的光谱特征和空间特征,研究出精度高、速度快的异常检测算法成为了异常检测领域研究人员的主要目标。本文详细介绍了高光谱图像的理论基础和异常检测技术,深入分析了异常目标在图像中的分布特点,有效地利用高光谱图像中的光谱信息和空间结构,提出了两种高光谱异常检测方法。论文的研究内容和成果概况如下:
(1)针对同一个场景中具有不同尺寸的异常目标,本文提出了一种多尺度属性滤波的异常检测算法。首先,利用多尺度属性滤波器对异常目标进行检测,然后通过支持向量机进行概率优化,最后用边缘保持滤波器进一步提高检测精度。该方法使用了多尺度异常检测框架,将多尺度属性滤波与支持向量机分类器结合起来。与其他异常检测算法进行实验比较,结果表明,本文方法可以有效提升异常目标的检测能力,降低了虚警率,达到高精度异常目标检测。
(2)针对高光谱图像数据量大、维度高,信息冗余和噪声干扰等问题,提出了一种基于孤立森林的异常检测算法。首先利用核主成分分析将原始数据映射到核空间中,再构建全局孤立森林进行异常目标检测,最后结合局部空间信息,通过局部孤立森林进行优化。该算法在真实的高光谱数据上验证,实验表明本方法充分考虑了异常目标在高维特征空间的独特分布特性,有效地抑制了数据维度、波段间的冗余性及背景信息对检测精度的影响,实现了异常目标精准探测。
(3)利用我国高分五号遥感卫星数据,进行高光谱异常检测的应用实例。说明了本文方法的实际应用价值,体现了高光谱异常检测在环境监测等领域的作用。