改进协同表示的高光谱图像异常检测研究

摘要

在高光谱图像异常检测中，协同表示检测（collaborative-representation-based detector,CRD）算法通过求解l2范数的最小化问题实现对异常目标的检测，由于不需要假设背景的分布而有着广泛的应用。但CRD算法在待检测像元是异常像元且其空间邻域内存在与待检测像元同类的异常像元时，存在异常目标处输出较小而难以被检测到的问题。针对这个问题，提出一种改进协同表示的高光谱图像异常检测算法。改进CRD算法通过空间邻域内像元的线性组合协同表示待检测像元，同时对像元权重加上“和为1”约束，从而增加解的稳定性。用空间邻域内像元与其均值的欧式距离作为衡量异常程度的标准，使用异常程度加权正则化矩阵来调整每个像元的权重，从而降低空间邻域内异常像元的影响，使得在出现上述情况时，异常像元处输出增大，异常目标更容易被检测到。实验使用三组高光谱图像数据对算法进行验证，通过受试者工作特征曲线及其下的面积和算法的检测时间来对算法进行定量评价。通过实验可知，在双窗口滑动的过程中，空间邻域中出现与待检测像元相同的异常目标时，本文算法可获得比原算法更高的检测精度；而在其他情况下，本文算法的检测精度与原算法基本一致。同时，使用改进CRD算法进行异常检测没有额外地增加时间消耗，保证了算法的运行效率。实验结果表明，改进CRD算法能够有效地抑制空间邻域中的异常像元，提高了异常检测的精度。

目录

第一个书签之前

摘 要

目 录

图清单

表清单

变量注释表

1 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 论文研究内容及意义

1.4 论文结构安排

2 高光谱图像异常检测理论基础

2.1 高光谱图像异常检测概述

2.2.1 RX算法

2.2.2 稀疏表示的异常检测算法

2.2.3 协同表示的异常检测算法

2.3 高光谱图像异常检测存在的问题

2.4 本章小结

3 改进协同表示的高光谱图像异常检测

3.1 异常程度判断标准

3.2 正则化对角矩阵优化

3.3.1 算法描述

3.3.2 不同情况下输出分析

3.4 改进协同表示算法设计

3.5 本章小结

4实验及结果分析

4.1 实验平台

4.2 实验数据集

4.3 实验评价指标

4.4 实验结果与分析

4.4.1 不同情况下算法输出分析实验

4.4.2 算法的检测精度对比实验

4.4.3 参数和窗口尺寸变化对检测精度影响实验

4.4.4 算法的检测时间实验

4.5 本章小结

5 结论与展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集