基于区域特征光谱的自组织特征映射神经网络高光谱图像主成分提取方法

非监督分类算法用于高光谱图像主成分提取时存在分类精度受数据分布状态和噪声影响大的缺点,导致提取效果差。论文提出基于空间信息的神经网络非监督分类主成分提取算法,该算法首先通过空间邻域自动聚类提取区域特征光谱替代像元光谱作为自组织特征映射神经网络的训练样本,经过训练神经网络自适应获取高光谱图像地物类别特征,最后通过对光谱矢量聚类完成主成分的统计和提取。论文提出采用区域特征光谱替代单象元光谱作为训练样本有效抑制了噪声对分类结果的影响,同时显著减少了神经网络的数据处理量,使主成分得到快速准确地提取。对深圳红树林自然保护区高光谱图像的仿真结果表明:神经网络训练样本数降低了约95%,更重要的是算法快速准确地提取了主成分,提取效果明显好于K-均值算法。     

基于增量学习的高光谱图像目标检测

高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。     

基于空间分布特性多层RX高光谱点目标检测

针对目前高光谱图像异常点目标检测过程中准确率低和虚警率高的问题,本文结合目标的空间分布特性,提出了一种多层级RX检测方法。通过计算被检测区域图像谱向相似性响应图,采用非线性抑制的方法,突出点目标并抑制背景。为进一步提高检测算法的表达能力和泛化性能,采用多级检测器级联的方式,逐层级增强异常点处的相对能量,削弱背景的影响,从而达到较高的检测性能。在外场挂飞试验数据集上进行验证,结果表明:该方法 AUC值达到0.988 1,明显优于CEM算法的0.962 6和传统RX算法的0.939 2。     

KDTGAN：基于Transformer-GAN和知识蒸馏的高光谱目标检测

高光谱目标检测在地球观测中至关重要,被广泛应用于军事和民用领域。然而,由于高光谱图像的背景复杂性和目标样本的有限性,该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之,引入了一种新的知识蒸馏模型,即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构,并结合多尺度数据融合的方法,能够准确地学习背景分布,进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战,特别是纯背景数据的稀缺性,本文提出了一种新的损失算法,以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担,本文引入知识蒸馏,并设计新的蒸馏损失对学生模型加以约束,使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优,具有更高的检测精度和鲁棒性。     

基于顶点成分分析的高光谱图像低概率异常检测方法研究

用低概率检测(LPD)方法对小概率异常进行检测时,由于在低频空间中选取正交向量作为背景光谱,使得小概率异常检测受噪声影响较大,存在漏检率较高的缺点。提出用顶点成分分析(VCA)算法提取端元光谱作为背景光谱,并将观测光谱向量投影到背景光谱张成空间的正交子空间中,从而有效抑制背景、突出目标进行异常检测。通过对高光谱原始数据的仿真分析,该检测方法降低了漏检率,提高了检测能力。     

复杂背景中红外多光谱目标检测算法研究

针对多光谱红外探测器,对复杂背景条件下红外弱小目标检测算法进行了研究。根据弱小目标缺乏纹理等相关信息的特点,给出了一种用于多光谱图像的弱小目标检测算法。对多光谱图像,构建数据立方体,对多光谱信息建立稳定的目标特征向量,用多光谱背景抑制滤波器以提升图像信噪比,将一种基于统计判别的低信噪比条件下红外序列图像弱小目标检测算法与传统多级假设检验跟踪(MHT)算法综合,形成了改进的连续帧目标检测跟踪算法,对波门内疑似目标点用引入多光谱信息建立的特征向量进行目标的非监督检测判决。实验结果证明:在低信噪比下该算法能有效检测跟踪弱小目标,在保证检测概率前提下可有效抑制虚警,极大地降低了后续跟踪算法的计算爆炸风险。     

地球同步轨道目标物深度学习检测方法

针对欧空局SpotGEO竞赛中地球同步轨道目标物的检测问题,提出面向低精度CCD空间图像的深度学习检测方法。在图像预处理环节,分别采用高斯过程回归和模板匹配实现前景/背景分割和多帧图像配准。根据地球同步轨道物体的运动特征,采用拓扑扫描提取候选目标物。在此基础上,提出一套基于深度学习的目标物筛选方法。该方法利用卷积神经网络,依次对拓扑扫描前后候选目标物进行筛选,显著减少噪声点数量,提高检测效率。仿真结果表明,该方法达到98%的目标检测准确率,适用于存在光污染、云层遮挡等干扰的复杂环境。     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

多波段红外目标的空谱关联检测算法

针对高速运动空中目标在远距离探测过程中能量微弱、信噪比低的问题,本文提出了多波段红外目标的空谱关联检测算法.首先利用目标的红外成像特性实现噪声滤除、目标增强与背景抑制,提升图像对比度,并利用连通域分割方法实现潜在目标区域提取.在此基础上,构建目标和背景的多波段光谱特征库,采用RX异常检测算法有效剔除单一波段的虚警,得到多波段红外图像的空谱关联目标检测结果.基于不同背景、不同光照条件场景下的多波段红外图像数据进行仿真实验.实验结果表明,多波段空谱关联检测结果优于任意单一波段的检测结果,目标检测准确率达到98.35％,而虚警率仅为7.5×10-7,验证了本文算法对于远距离目标检测的有效性.     

基于对比度和梯度分布的红外弱小目标检测

红外弱小目标检测技术是目标自动检测系统中的核心技术之一。在复杂背景以及强杂波存在的情形下,红外弱小目标检测往往会有高虚警率的问题。对于这一问题,提出了一种基于多尺度局部对比度与局部梯度分布的红外弱小目标检测算法,具有重要意义。相比于以前的算法,该方法利用多尺度局部对比度机制增强红外图像中的疑似红外弱小目标的区域,再利用红外图像的局部梯度分布信息对这些疑似红外弱小目标的区域进行判别,剔除其中的虚警区域,得到有低虚警率红外弱小目标检测结果。实验结果表明:该算法结果可靠,检测准确率高。可见,新算法可以有效地提高在复杂背景以及存在强杂波情形下红外图像中弱小目标的检测准确率。     

基于改进扩展分形特征的SAR图像目标检测方法

提出了一种新的纹理特征-改进扩展分形特征用于SAR图像目标检测.改进扩展分形特征通过度量SAR图像中物体表面四个方向的结构函数在双尺度上的增量水平,确定目标与杂波在特征空间的不同响应特性,实现目标的检测.采用模拟目标脉冲模型分析了改进扩展分形特征在不同信噪比条件下对不同尺寸目标的响应特性,分析结果表明改进扩展分形特征具有目标尺寸敏感性.利用SAR实测数据验证了改进扩展分形特征在强杂波和多目标环境下的优良检测性能与空间分辨率特性.     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

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。     

基于波段选择的RX改进算法

针对高光谱检测亚像元飞机的问题,提出基于大气吸收谱段的改进RX异常检测算法,实现亚像元检测能力和检测效率的提升.阐述了改进算法的基本原理,对比了10 km高度和地面大气吸收系数的曲线差异,建立了改进算法的检测模型,采用仿真的客用飞机可见-短波高光谱数据和海水背景高光谱数据,获得了信噪比10 dB的高光谱仿真图像.采用经...     

结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法

支持向量数据描述方法在高光谱图像小异常目标检测中具有较好的检测性能,但是待检异常的几何形状受到约束和背景的选择具有盲目性影响检测效果,且检测需要对整幅图像进行遍历导致计算量大。提出邻域聚类分割和支持向量数据描述相结合的异常检测方法,首先利用邻域聚类方法分割图像,将几何尺寸小的分割块作为潜在异常目标;其次选择与潜在异常的形状和大小相适应的背景窗进行背景像元收集;最后采用SVDD方法从潜在异常中快速且准确地检测出异常目标。对HYMAP图像的实验结果表明,该算法提高了复杂地物背景下异常的检测性能,降低了SVDD用于高光谱图像异常检测的计算量。     

基于分布式信源编码的高光谱图像无损压缩研究进展

有效的高光谱图像压缩技术已经成为航天高光谱遥感领域研究的焦点之一。对基于分布式信源编码（Distributed Source Coding,DSC）的高光谱图像压缩技术研究进展进行了综述。首先介绍了DSC的理论基础、实现方式及其在高光谱图像无损压缩应用中的优势;然后总结了基于DSC的高光谱图像无损压缩研究进展,在此基础上给出了一种基于多波段预测的高光谱图像分布式无损压缩算法,实验结果表明,该算法具有较低的编码复杂度,其无损压缩性能优于现有的分布式无损压缩算法;最后指出了DSC在高光谱图像压缩中需要进一步研究的问题。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

基于多尺度空谱特征提取的高光谱遥感图像重建

遥感高光谱图像(HSI)凭借其丰富的光谱信息被广泛地应用于军事、农业、地质等领域。然而,HSI成像因其成本高、传输难等问题限制了其应用规模。通过光谱超分辨(SSR)方法,可以实现输入高分辨率红绿蓝(RGB)图像生成相应的高光谱图像,有效地解决了HSI成本高与传输难的问题。但是,已有的SSR方法对于图像的空间特征提取与光谱之间的相关性关注仍有所不足。针对上述问题,本文提出了一种多尺度空谱特征提取方法,并在SSR领域引入组归一化(GN)方法,关注相邻光谱之间的相关性。同时,还借助条件生成对抗网络进一步优化网络的参数,提升生成图像的真实性,并在DFC2018 Houston数据集上进行实验。结果表明:本文提出的方法可以实现精准的高光谱图像重建,重建的高光谱图像相比当前先进的主流方法性能均明显提高,其中相比CanNet方法,均方根误差下降了48.3%,平均峰值信噪比上升了20.7%。     

高光谱图像全局异常检测RFS-SVDD算法

针对SVDD用于高光谱图像全局异常检测时存在虚警率高的问题,提出RFS-SVDD算 法。RFS-SVDD将空间相邻且光谱相似的像元分为同一区域,根据区域大小将图像在空间上分 成潜在异常区域与背景区域,用背景区域中所有子区域的平均光谱RFS作为SVDD训练样本求 取支持向量。RFS是每个子区域中像元光谱的统计结果且不包含奇异像元,可以避免奇异像 元光谱和图像随机噪声对背景建模的影响。对HYMAP和AVIRIS图像数据的仿真结果表明：RFS -SVDD算法能抑制异常目标像元光谱和图像随机噪声对背景建模的干扰,降低SVDD用于高光 谱图像全局异常检测的虚警率。
     

空间碎片目标在轨实时监测处理方法

针对现有地基空间碎片目标监测的实时性、有效性以及弱小目标探测能力等性能指标较低等问题,文章提出了一种空间碎片目标在轨实时监测处理方法。它是基于空间目标光学成像特性和高速信息处理技术为基础的碎片目标检测算法,建立计算精度误差模型,能有效降低硬件资源的同时,保障了空间碎片目标在轨检测和定位的实时性。在专用高速信息处理板上经卫星光学载荷数据验证了方法的可行性和有效性。该方法能够通过处理卫星载荷数据完成空间碎片目标的实时检测和定位,可为天基空间目标观测系统设计提供参考。