联合盲分解与稀疏表达的高光谱图像异常目标检测
Joint Blind Unmixing and Sparse Representation for Anomaly Detection in Hyperspectral Image作者机构：西安科技大学测绘科学与技术学院陕西西安710054 武汉大学测绘遥感信息工程国家重点实验室湖北武汉430079
出 版 物：《武汉大学学报（信息科学版）》 (Geomatics and Information Science of Wuhan University)
年 卷 期：2015年第40卷第9期
页 面：1144-1150页
核心收录：
学科分类：081802[工学-地球探测与信息技术] 0709[理学-地质学] 08[工学] 0810[工学-信息与通信工程] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 0708[理学-地球物理学] 0818[工学-地质资源与地质工程] 0705[理学-地理学] 0815[工学-水利工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 081002[工学-信号与信息处理] 0812[工学-计算机科学与技术（可授工学、理学学位）]
基 金：国家自然科学基金资助项目(61102112) 陕西省教育厅科研计划资助项目(2013JK0946) 测绘遥感信息工程国家重点实验室开放基金资助项目(12R04) 对地观测技术国家测绘地理信息局重点实验室开放基金资助项目(K201304) 西安科技大学培育基金资助项目(201205)~~
摘 要：应用高光谱图像进行异常目标检测是高光谱遥感最重要的应用之一,而异常目标检测算法最为关键的是对背景的描述。RX等经典算法受制于对背景分布的高斯假设,因而在复杂背景条件下不能有效地提取出感兴趣的异常目标。本文提出了一种新的异常目标检测算法,不仅能够有效地检测出亚像元的异常目标,同时以新的方式描述背景。算法首先针对异常检测先验信息不足的问题,采用盲分解方法建立描述背景的冗余字典,该字典是根据像元的纯净性定义估计的背景类端元束构成;然后采用稀疏回归计算每个像元的重建误差,以误差特征作为异常指数,误差越大越可能是异常;为了增强对可能异常目标的描述能力,应用了局部近邻分析来增强目标在图像邻域的离群表达,从而获得最终的异常检测特征。算法将字典构造的全局性与地物的局部连续性结合,提高了异常目标检测的可靠性。采用不同混合比例模拟的亚像元数据和两幅真实数据进行实验,结果表明,算法不仅仅获得了比RX等经典算法更高的精度,同时在不同信噪比条件下表现稳健且抗噪能力强。
维普期刊数据库