论文部分内容阅读
随着纳米级分辨率成像光谱仪的出现,高光谱图像中蕴含的丰富光谱信息为地物目标的探测技术提供了有力支撑。异常检测技术无需先验信息即可自动检测与周围环境光谱相异的地物,得到广泛研究。传统的基于线性模型的异常检测已被认识到存在诸多弊端,本文从面向异常检测的角度来研究图像数据集合在高维光谱空间的分布特性,分析了高光谱图像数据内蕴的非线性流形结构,并基于此开展了高光谱图像异常检测的算法研究。(1)从光谱传感器的成像机理入手,分析了造成波谱变化的原因以及影响波谱特性的物理因素。利用真实数据,呈现了图像光谱不确定性的表现;研究了目前较为成熟的非线性混合模型,并针对实际数据利用主成分分析和测地线距离分析了数据集在高维光谱空间的非线性流形结构特性,为确定基于非线性结构的异常检测算法提供原理性的指导。(2)根据高光谱图像数据在高维光谱空间中呈现出非线性流形的几何结构特性,提出一种基于光谱空间窗口的异常检测算法(Spectral Space Window Anomaly Detection,SSW-AD)。在光谱空间中,每一个像元的光谱曲线对应空间中的一个点。首先在光谱空间中建立滑动窗口,根据局部线性思想,窗口所覆盖的像素点应具有局部线性流形结构;然后在此基础上实现基于局部线性结构的异常检测算法,从而实现对全局非线性流形的有效处理。(3)针对高光谱图像的高维度特性研究了在样本点较少时进行降维的必要性。比较分析了传统的线性降维方法与非线性降维方法的区别。验证了非线性流形学习方法针对高光谱图像处理的有效性,并且针对传统流形学习方法中存在的邻域选择不确定性的问题提出了一种新的基于流形学习的异常检测算法。(4)针对高光谱图像的特点将光谱角和光谱梯度相结合提出一种新的光谱测度,新的测度可以避免光照变化和地形变化造成的测度不稳定性,并且可以提高传统测度的光谱分辨能力。(5)研究了基于核函数的异常检测算法,将背景端元提取算法与核RX算法相结合,改进了背景核矩阵的生成方式,在利用高光谱图像内蕴的非线性特性的同时有效的抑制了异常像素的影响以及核矩阵对内存的大量占用,改善了基于核RX算法的异常检测性能,提高了算法的适用性。