稀疏與低秩先驗下的高光譜分類與檢測方法.pdf

1、高光譜遙感是以遙感影像與光譜的合一為特征的新型遙感技術(shù)，其光譜分辨率可高達納米級，是20世紀80年代以來地球觀測技術(shù)所取得的重大技術(shù)突破之一，在現(xiàn)代軍事、礦物勘測、精確農(nóng)業(yè)以及環(huán)境監(jiān)控等領域有著廣泛的應用。因此，研究高光譜數(shù)據(jù)的高效處理與解譯具有重要的理論意義和實際應用價值。
　　高光譜分類與目標檢測是高光譜數(shù)據(jù)處理的主要內(nèi)容。高光譜數(shù)據(jù)提供了豐富的光譜信息，為人們研究地表物體的特性、進行地物識別創(chuàng)造了條件。但是，這些海量的信息和

2、特殊的數(shù)據(jù)結(jié)構(gòu)又給人們在圖像處理、信息分析、分類和檢測等方面提出了嚴峻的挑戰(zhàn)，也就要求人們從多個方面去理解和揭示其物理特征及其變化。本論文在總結(jié)高光譜分類與目標檢測現(xiàn)狀的基礎上，通過對高光譜數(shù)據(jù)自身特性的深入分析，挖掘高光譜數(shù)據(jù)的稀疏與低秩先驗知識，研究了聯(lián)合空譜信息的高光譜分類與目標檢測技術(shù)，并設計了相應的高效算法。論文的主要工作和研究成果如下:
　　(1)針對高光譜分類問題，提出了一種基于自適應上下文信息的聯(lián)合稀疏表示分類方法

3、。高光譜圖像不僅具有豐富的光譜信息，而且圖像中的每個像元還含有其自身的空間結(jié)構(gòu)。為了充分利用這種空間結(jié)構(gòu)信息，本文利用高階steering核函數(shù)來刻畫各個像元的局部空間結(jié)構(gòu)，并將所得到的空間結(jié)構(gòu)與聯(lián)合稀疏表示模型融合得到最終的分類結(jié)果。結(jié)果表明，基于自適應上下文信息的聯(lián)合稀疏表示分類方法可以有效描述地物的空間上下文信息，提高分類精度。
　　(2)通過充分挖掘高光譜圖像的全局和局部空間信息，提出了一種基于低秩矩陣分解的高光譜圖像分類

4、方法。首先采用一種基于圖的分割算法，將高光譜圖像分成多個勻質(zhì)區(qū)域。由同一勻質(zhì)區(qū)域內(nèi)的像元組成的矩陣（矩陣的列向量對應像元的光譜向量）具有很強的列相關性，因此可將該二維矩陣分解成低秩矩陣和稀疏矩陣之和。然后以低秩矩陣中的列向量作為相應像元的特征，利用概率支持向量機(Probabilistic supportvector machine，PSVM)進行分類。同時為了精細化分類結(jié)果，在PSVM中引入馬爾科夫隨機場正則化，保證高光譜圖像中的全局

5、空間信息、局部空間信息和光譜信息有效結(jié)合。實驗結(jié)果表明，該方法的分類結(jié)果優(yōu)于其他主流分類方法。
　　(3)針對高光譜圖像異常檢測問題，提出了一種基于低秩和稀疏表示的高光譜異常檢測方法。該方法將高光譜圖像分解為背景和異常兩部分進行分別建模，對于異常部分，根據(jù)異常像元在整個圖像中只占極少部分，本文將異常部分建模為一個列稀疏矩陣，并采用l2,1范數(shù)來刻畫。對于背景部分，由于高光譜圖像中的背景像元可認為是位于多個子空間，采用低秩表示模型進

6、行建模，在背景字典下搜尋數(shù)據(jù)的最低秩表示，從而有效刻畫背景的全局結(jié)構(gòu)。為了能夠準確表示每個像元光譜，刻畫像元的局部光譜信息，對其表示系數(shù)進行稀疏約束。同時，由于背景字典中的原子須要覆蓋所有背景地物種類且不能為異常像元，本文提出了一種新的背景字典構(gòu)造方法。針對所提模型，設計一個有效算法求解。在模擬和真實高光譜圖像上的實驗表明，本文所提出的異常檢測方法能夠抑制背景像元突出異常像元，達到了較高的檢測準確率。
　　(4)針對高光譜視頻序列

7、氣體檢測問題，提出了一種基于時空TV(Total Variation)正則化的目標檢測方法。根據(jù)高光譜視頻序列中的氣體在空間維和時間維都具有連續(xù)性，在RPCA(Robust principal component analysis)模型中引入時空TV正則項刻畫氣體的空間連續(xù)性和時間連續(xù)性。同時為了充分利用高光譜視頻的光譜信息，采用主成分分析方法抽取每幀圖像中的主要特征，設計了一種多特征融合的氣體檢測方法。實驗結(jié)果表明本文所提出的時空TV