《高光谱图像目标检测技术研究-图像处理与模式识别硕士论文》由会员分享，可在线阅读，更多相关《高光谱图像目标检测技术研究-图像处理与模式识别硕士论文（67页珍藏版）》请在金锄头文库上搜索。
1、 学校代码： 10385 分类号： 研究生学号：1200214008 密 级： 高光谱图像目标检测技术研究 Resea rch on Ta rg et De tec tion in H y perspectral I ma g ery 作者姓名： 范金华 指导教师： 陈锻生教授 合作教师： 学 科： 计算机应用技术 研究方向： 图像处理、模式识别 所在学院： 计算机科学与技术学院 论文提交日期：二零一五年六月九日 学位论文独创性声明 本人声明兹呈交的学位论文是本人在导师指导下完成的研究成果。论文写作中不包含其他人已经发表或撰写过的研究内容，如参考他人或集体的科研成果，均在论文中以明确的方式说明
2、。本人依法享有和承担由此论文所产生的权利和责任。 论文作者签名： 签名日期： 学位论文版权使用授权声明 本人同意授权华侨大学有权保留并向国家机关或机构送交学位论文的复印件和电子版，允许学位论文被查阅和借阅。本人授权华侨大学可以将本学位论文的全部内容或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 论文作者签名： 指导教师签名： 签 名 日 期： 签 名 日 期： 摘要 I 摘要 近年来，随着光谱成像技术的快速发展，高光谱遥感技术得到了广泛的关注。基于高光谱图像的目标检测不仅可以利用高光谱图像数据的光谱信息，也可利用其空间信息，在目标检测领域较于空间遥感
3、图像目标检测具有很强的优势，在国防侦查、搜索救援等方面具有重要的应用价值。本文在深入研究高光谱图像目标检测理论的基础上，针对异常样本对背景统计信息的干扰、复杂背景模型构建偏差以及背景信号对亚像元目标检测的影响等问题进行深入研究，完成的主要工作包括： 首先，对高光谱数据特性进行研究，研究了光谱信号的可变性模型。重点研究了基于统计检测理论的高光谱图像目标检测算法的设计，分析了多元统计信号的检测理论和估计理论。介绍了高光谱图像目标检测算法的评价方式。 其次，针对高光谱数据中异常点对背景参数估计的影响，提出了一种稳健协方差估计的ACE目标检测算法。背景参数估计中常用的极大似然估计方法对数据中的异常点比
4、较敏感，可能受异常点影响导致背景模型存在较大偏差。本文使用稳健Fast - MC D参数估计方法，从而克服异常点对背景参数估计的影响，提升背景模型构建的准确性和稳定性。通过实验验证，相较于原有ACE等检测算法，该方法的检测效果更优。 最后，针对复杂背景情况背景模型构建不准确的问题，提出了一种局部背景模型的ACE亚像元目标检测算法。在统计检测算法中，背景模型构建的准确性直接影响着亚像元目标的检测效果。ACE目标检测算法使用单一多元正态分布模型来描述背景分布情况，这种描述方式在背景地物分布情况比较复杂时不能很好的描述背景的实际分布情况。本文利用背景分解来描述复杂背景，使用多个多元正态分布模型构建背
5、景分布模型，每个模型对应着一类地物，从而降低背景模型的光谱可变性。此外针对亚像元目标检测中背景信号的影响，利用最小二乘分解得到具有实际意义的目标和背景的组分信息，结合ACE检测算法可以最大程度的抑制背景信号的影响。实验表明，该方法较传统ACE算法和局部滑动窗口ACE检测算法在亚像元目标检测上具有更好的检测性能。 华侨大学硕士学位论文 II 关键字：高光谱图像 目标检测 Fast - MC D GMM聚类 局部背景模型 A bstra ct III Ab s tra ct R ecentl y, with the fast developm ent of h yper spectral im a
6、 ging, h ype r spectral r emot e sensing technol og y has b een widespr e ad con cern ed. Target d etecti on in h ype rspectr al im a ger y ca n use both spectr al and s pati al information which contained b y h ype rspect ral im a ge r y. It owns in compar able a dvanta ges ove r the tr adit ional
7、space remot e sens ing im a ges in target detecti on. H yp erspectr al target dete cti on can be uti li z ed in diverse appli c ati ons such as mi ne det e cti on, defens e and int ell igen ce. On the basis of anal ysis of t he structure and cha ract eristi c of h ypersp ectral i mage data, thi s pa
8、per fo cus on the i nterfer enc e of abno rmal sampl es to ba ck grou nd statis ti cs, the buil ding deviation of c ompl ex background mo del and the im pact of back ground signal on sub - pix el t arget detecti on. The main wo r k includes: Firstl y, we an al yz e the chara cterist ics o f t he h y
9、perspectr al im a ge dat a. Given a short int roduce to the models of spe ctral vari abil it y. This s ecti on f o c us es on the design flow of detecti on algorithm s based on statis ti cal detecti on theor y. The mul ti ple dim ension ali t y statis ti cal signal detecti on and esti mation theor y
10、 a re also r esear ched. This paper also d escribe s the ev aluation method s of h yp erspe ctral ta rget detecti on algorithm s. S econdl y, in the proble m of contamination of back ground pa ramete rs esti mation caused b y outl iers, thi s p aper propos e s an A C E al gorithm based on robust bac
11、k ground paramete rs esti mation. T he max im um li keli hood esti mation methods is mostl y used in esti mate the back gro und par ameters, but it is sensit ive to outl iers. Using th ese paramete rs model ing the back ground ma y hav e a big de viation due to ou tl iers. The robust Fast - MC D pa
12、ra meter esti mation method can enh ance th e ac cura cy and stabili t y of the const ru cted back ground model and reduc e the sensit ivi t y of the detecti on al gorithm to outl iers. W it h ex perimental result s on re al dat aset s, the superiorit y o f the al gorit hm i s demons trated. Finall
13、y , in the condit ion of the inac cura c y of modeling th e compl ex bac kground , 华侨大学硕士学位论文 IV t his paper propose s a n ACE sub - pix el target detecti on algo rithm based on local back ground models . In the statis ti cal detect ion algorithm s, the more a c curate the back ground model s desc r
14、ibes the real back groun d dist ributi o n , the more effecti ve the detector will be at sep ar ati ng the sub - pix el tar ge t from the back ground. The ACE target detecti on al gorithm appli es a single mul ti var iate Gaussi an dist ributi on model ing the back gro und. W hen the b ack ground ho
15、mo geneit y is high, the pe rforman ce may be satisfactory. But it cant describe the real background dist ributi on when the background is compl ex . In o rder to enhanc e the accur ac y o f the back ground model, we model the background a mul ti ple Gaussi an clust ers. Each model repr esents a clust er with th e sam e sur fac e f eatures, which c an d ecre ase the background models spec
