检索结果-南通市图书馆

基于低概率检测的高光谱图像有损压缩方法研究

在线全文

学校读者我要写书评

暂无评论

弹箭与制导学报 2008年第1期28卷 307-310页

作者：张立燕谌德荣李世义曹旭平北京理工大学宇航科学技术学院北京100081

高光谱图像海量数据的不断增加迫切需要实现大比例的有损压缩,现有方法往往不能满足重要信息准确保留的要求。文中提出结合区域分割和低概率异常检测(LPD)算法的数据有损压缩方法,用空间聚类实现区域分割从而提取大块区域包含的背景光谱... 详细信息

高光谱图像海量数据的不断增加迫切需要实现大比例的有损压缩,现有方法往往不能满足重要信息准确保留的要求。文中提出结合区域分割和低概率异常检测(LPD)算法的数据有损压缩方法,用空间聚类实现区域分割从而提取大块区域包含的背景光谱,LPD算法用于检测场景中低概率出现的奇异目标,接着对背景光谱和奇异目标光谱进行无损压缩,最后对整个数据立方体进行大比例有损压缩。AVIRIS高光谱图像的仿真结果表明,压缩比得到大幅度提高,同时准确保留了重要和主要信息。

关键词：高光谱图像有损压缩低概率检测

在线全文

学校读者我要写书评

暂无评论

基于凸锥分析的低概率检测方法研究

电子学报 2001年第Z1期29卷 1856-1859页

作者：李智勇匡纲要郁文贤国防科技大学电子科学与工程学院湖南长沙410073

低概率检测 (LPD)方法利用图像互相关矩阵的特征向量 ,在已知目标先验信息的情况下检测图像中小概率目标 .但是 ,由于噪声的影响以及特征向量之间正交约束性 ,使其检测效果不理想 .本文提出了利用凸锥分析(CCA)来改善LPD的方法 ;它避免... 详细信息

低概率检测 (LPD)方法利用图像互相关矩阵的特征向量 ,在已知目标先验信息的情况下检测图像中小概率目标 .但是 ,由于噪声的影响以及特征向量之间正交约束性 ,使其检测效果不理想 .本文提出了利用凸锥分析(CCA)来改善LPD的方法 ;它避免由特征向量的正交性约束导致的虚警概率较高的不良结果 ,同时消除图像中的条带噪声的影响 .最后 ,结合OMIS数据分析了这种方法检测小目标的效果 .

关键词：超光谱低概率检测凸锥分析

在线全文

学校读者我要写书评

暂无评论

一种改进的LPD高光谱图像异常检测算法

光学技术 2015年第1期41卷 16-21页

作者：程凯李成金赵勋杰苏州大学物理科学与技术学院江苏苏州215006

在低概率检测(LPD)算法中,当选取的特征向量数目等于背景地物种类时,算法的检测效果比较理想,然而背景地物的种类数通常不知道,因此难以确定特征向量的数量。针对这一问题,对LPD算法进行了改进:首先用迭代误差分析(IEA)方法提取端元,然... 详细信息

在低概率检测(LPD)算法中,当选取的特征向量数目等于背景地物种类时,算法的检测效果比较理想,然而背景地物的种类数通常不知道,因此难以确定特征向量的数量。针对这一问题,对LPD算法进行了改进:首先用迭代误差分析(IEA)方法提取端元,然后在提取的端元中选择出与背景地物光谱相近的端元,并用它们构成背景矩阵,进而用该矩阵构造出正交投影算子,最后将该投影算子代入到LPD算法中进行目标检测。实验结果表明,该方法可以更有效地抑制背景,降低虚警率,提高检测性能。

关键词：高光谱图像异常检测低概率检测迭代误差分析

基于特征层融合的高光谱图像异常检测算法研究

在线全文

学校读者我要写书评

暂无评论

遥感学报 2003年第4期7卷 304-308页

作者：李智勇匡纲要邹焕新吴昊国防科技大学电子科学与工程学院一系湖南长沙410073

介绍了一种基于特征层融合的异常检测算法。目前 ,其他的目标检测算法都需要知道有确定类别标记的样本 ,而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖 ,但是其结果存在较大虚警。提... 详细信息

介绍了一种基于特征层融合的异常检测算法。目前 ,其他的目标检测算法都需要知道有确定类别标记的样本 ,而一般的异常检测则是利用统计特征差异分割出图像中不同于背景的点。此方法减少了对先验信息的依赖 ,但是其结果存在较大虚警。提出的异常检测算法是利用低概率检测算法对高光谱数据先进行特征层融合 ,再进行分割、提取异常点 ,其结果降低了虚警和漏警。用这一方法对OMIS系统产生的数据进行了处理 ,取得了较好的结果。

关键词：高光谱图像异常检测算法特征层融合低概率检测图像处理遥感图像 OMIS 实用性模块化成像光谱仪

在线全文

学校读者我要写书评

暂无评论

无先验信息的高光谱图像小目标检测算法研究

无先验信息的高光谱图像小目标检测算法研究

作者：程凯苏州大学

学位级别：硕士

因为高光谱遥感图像的数据比多光谱图像的数据丰富,所以高光谱遥感图像对地物的光谱分辨能力也比较强,人们越来越重视以高光谱信息为支撑的目标检测技术。然而在高光谱图像中,目标一般是小目标,在图像中占有面积小,会在背景地物中显示... 详细信息

因为高光谱遥感图像的数据比多光谱图像的数据丰富,所以高光谱遥感图像对地物的光谱分辨能力也比较强,人们越来越重视以高光谱信息为支撑的目标检测技术。然而在高光谱图像中,目标一般是小目标,在图像中占有面积小,会在背景地物中显示为一种“数据异常”,可以采用异常检测算法进行检测。目前,该类方法也是高光谱图像处理的研究热点之一。本文主要研究了高光谱图像中无先验信息的小目标检测领域的一些关键技术,主要工作如下:1.介绍了高光谱图像的相关理论知识及其特性,其中重点分析了谱间相关性和空间相关性。分析了异常检测算法的原理,介绍了RX,局部RX和PCA-RX三种异常检测算法,并在真实场景图上比较了这三种算法的检测性能。2.介绍了高光谱图像中的线性混合模型,研究了混合像元解混技术,其中重点分析了顶点成分分析法（VCA）和迭代误差分析法（IEA）,并在人工合成图上比较了两种端元提取算法的性能。3.深入研究了低概率检测（LPD）算法的原理,针对LPD算法的缺点,提出了本文改进算法,首先用IEA进行端元提取,在提取的端元中选择出与背景地物光谱相近的端元并用它们构成背景矩阵,进而利用该矩阵构造正交投影算子,最后将该投影算子代入到LPD算法中完成目标检测。为了便于结果的查看,对检测得到的灰度图像进行Otus阈值分割,并通过标注连接分量去除大的干扰目标。实验结果表明,本文方法可以有效抑制背景信息,降低虚警概率,检测效果要优于传统算法,体现了较好的检测性能。

关键词：高光谱图像异常检测低概率检测迭代误差分析正交投影算子