基于多特征信息的低秩表示高光谱影像异常探测

摘要

高光谱遥感影像具有丰富的空间与光谱信息，利用高光谱遥感影像进行异常探测成为目标探测领域的研究重点。为提升高光谱影像异常探测精度，论文对基于低秩表示的高光谱异常探测模型和特征提取进行研究和改进。现有基于低秩表示的高光谱异常探测模型存在不足，一方面仅利用光谱信息，并没有考虑像素空间邻域信息；另一方面字典对探测结果的稳定性造成影响。因此，论文主要在空-谱信息结合、字典构造方向进行研究；同时对隐式低秩表示特征提取算法进行改进，并将其应用到高光谱影像异常探测中。论文通过研究高光谱遥感影像的空间约束构建、字典学习及特征提取等三个方面，并利用合成数据与真实实验数据验证算法在高光谱影像异常探测中的有效性。论文的主要研究内容如下：
　　（1）在基于低秩表示的高光谱遥感影像异常探测模型中构建单局部窗口，建立中心测试像素低秩表示系数与邻域像素表示系数的空间约束关系。鉴于单局部窗口的局限性，将其扩展为多局部窗口，减少局部窗口邻域中出现异常像素的概率，提升异常探测精度。
　　（2）基于高光谱影像数据的全局低秩性特点，在稀疏字典模型基础上，添加字典低秩约束项，建立低秩字典学习模型，增强字典对低秩表示高光谱影像异常探测的稳定性。
　　（3）在高光谱影像特征提取研究中引入隐式低秩表示方法，通过对表示系数添加稀疏约束项对其改进，构建新的特征空间，并在该特征空间中采用经典探测算法，提升异常探测精度。

目录

声明

致谢

变量注释表

1 绪论

1.1 研究背景与意义(Research Background and Significance)

1.2 相关领域的研究进展(Research Status)

1.3 研究内容与技术路线(Research Contents and Technical Route)

1.4 论文的组织结构(Organizational Structure)

2 高光谱影像异常探测中矩阵低秩分解理论与方法

2.1 矩阵低秩分解模型(Low-Rank Decomposition)

2.2 遥感影像数据介绍(Data Set Description)

2.3 实验与结果分析(Experiment and Analysis)

2.4 本章小结(Chapter Summary)

3 基于局部窗口的低秩表示高光谱影像异常探测

3.1 基于局部窗口的低秩表示异常探测相关研究(Related Work of Hyperspectral Anomaly Detection Based on Low-Rank Representation and Local Window)

3.2 基于局部窗口的低秩表示异常探测算法(Anomaly Detection Method Based on Low-Rank Representation and Local Window)

3.3 基于小波分解的低秩字典学习(Low-Rank Dictionay Studying Based on Wavelet Decomposition)

3.4 实验与结果分析(Experiment and Analysis)

3.5 本章小结(Chapter Summary)

4 基于隐式低秩稀疏表示的高光谱影像异常探测

4.1 隐式低秩表示模型(Latent Low-Rank Representation Model)

4.2 基于隐式低秩稀疏表示的高光谱异常探测算法(Hyperspectral Anomaly Detection Method Based on Latent Low-Rank and Sparse Representation)

4.3 实验与结果分析(Experiment and Analysis)

4.4本章小结(Chapter Summary)

5 高光谱影像目标探测系统

5.1 系统概述(System Overview)

5.2 主要模块(Main Modules)

5.3 系统应用-以 MLW_LRRSTO 探测方法为例(System Application:The Examples of MLW_LRRSTO)

5.4 本章小结(Chapter Summary)

6 总结与展望

6.1 总结(Summary)

6.2 展望(Outlook)

参考文献

作者简历

学位论文数据集