高光谱遥感图像目标检测解决方案.pptVIP

* * * * AMSD：Adaptive Matched Subspace Detector ㈡低概率检测算法（LPD） 其缺点是： 由于光辐射强度是非负的，则图像互相关矩阵的第一特征向量一定是非负的。由于特征向量之间存在正交约束，因此其他特征向量一定包含负值，这样它们就不能有效代表地物光谱， 该算子对背景的抑制会没有针对性。如果使用较少特征向量会降低对背景的有效抑制，但如果使用过多的特征向量，由于图像能量较多集中在前几个特征向量，由此构成的投影算子会抑制目标，因此在构建LPD算子时需要仔细考虑使用特征向量的数目。 四 基于几何方式混合模型的目标检测 第五讲 高光谱图像目标检测 高光谱图像目标检测概述 基于纯点模型的目标检测 基于多元统计混合模型的目标检测 基于几何方式混合模型的目标检测 高光谱图像异常检测 ㈠高光谱图像异常检测 ㈡RX算法 接下来…… ㈠高光谱图像异常检测 在实际应用中，要想获取先验光谱信息较难。 从光谱数据库的角度来说，库存光谱曲线的标准性、适用性、完备性等都存在不足，且目前还没有通用的光谱数据库。 其次，地面真实测量在实际应用（例如战场侦察）中几乎不可实现。 因此图像异常检测技术成为军事遥感应用研究的重点。 五 高光谱图像异常检测 ㈠高光谱图像异常检测 异常检测算子能够在没有先验信息的条件下检测与周围环境存在光谱差异的目标（例如：在自然背景中的人造目标），具有较强的实用性。 高光谱异常检测在军事侦察应用具有现实意义： 异常检测可以为判读员对目标鉴别和识别提供初步结果，减少图像搜索的过程。 异常检测为多传感器相互协作的广域目标检测提供感兴趣区域（ROI）。 异常检测不需要背景或目标的先验光谱信息，具有较强的实用性。同时，减少了因不准确的反射率反演带来的误差，降低了标准光谱数据对真实观测数据的“污染”。 五 高光谱图像异常检测 ㈠高光谱图像异常检测 作为目标检测技术的一种特殊情况，异常检测与目标检测之间并没有本质的区别，因此，部分异常检测方法可以从目标检测方法中转化过来。 关键是提取后验光谱信息来估计先验信息。 异常检测也有包括纯点模型和混合点模型的检测方法。 其中由Reed和Xiaoli Yu提出的自适应多波段的CFAR检测器是纯点模型中主要的检测算法，在没有先验信息的情况下就演化成RX算法，RX算法是目前较为广泛使用的异常检测方法之一。 五 高光谱图像异常检测 ㈡RX算法 RX检测算法是一种基于目标替代模型的异常检测算子。 目标替代模型 经过简化后，RX算子表示为： 无目标 有目标 其中 为图像均值 为数据的互协方差矩阵 五 高光谱图像异常检测 ㈡RX算法 RX算子实际上是计算图像波谱与均值波谱的Mahalanobis距离，是一种能量检测算子。RX算法输出具有近似的CFAR特性，其结果在理论上趋近于开方分布。 算子公式中的互协方差矩阵还可以用数据的互相关矩阵代替，则RX算子进一步简化为： 在RX算法中，可以看到只需要数据的互相关矩阵或互协方差矩阵。 五 高光谱图像异常检测 ㈡RX算法 RX实际上是一种能量检测算子。如果用互相关矩阵的逆 的均方根分解带入算子： 则RX算子转化为： 五 高光谱图像异常检测 ㈡RX算法 变换 称之为白化或球化变换，因为它能使随机向量的的互相关矩阵成为单位矩阵，消除了波段之间的相关性。 五 高光谱图像异常检测 目标 波段1 波段2 目标 阈值 数据 的球化 RX算法 ㈡RX算法 RX算法结果 五 高光谱图像异常检测 RX算法滤波器输出结果 RX算法输出结果的直方图 ㈡RX算法 在RX算法中，只需要数据的相关矩阵，而不需要任何其他信息。因此，它的算子形式对于每个像素点都是不同的。由于没有使用任何波谱信息，RX算法的实用性较强。 在实际数据处理中，它是建立在多元正态分布的基础上，由于原始数据通常表现为多个正态分布的组合，因此RX更适合于用在局部范围里的异常检测。 此外，由于算子是能量检测算子，对于相对背景差异不明显的异常（弱异常），其检测效果不理想。 五 高光谱图像异常检测 第五讲 高光谱图像目标检测 小 结 基于纯点模型的目标检测 CEM 基于多元统计混合模型的目标检测 AMSD 基于空间投影的混合模型目标检测 OSP LPD 高光谱图像异常检测 RX END 第五讲 高光谱图像目标检测 上一讲回顾 高光谱图像目标检测概述 基于纯点模型的目标检测 纯点模型（目标替代模型、干扰模型）、基于纯点模型的似然比检验（基于目标替代模型和干扰模型的二元假设检验、CFAR等）、