基于稀疏性的高光譜圖像亞像元目標檢測研究.pdf

1、高光譜圖像光譜分辨率高，具有圖譜合一的特性，能夠提供區(qū)分不同物質的診斷性光譜信息，結合該光譜信息可提高對目標和背景進行定量分析的能力，因此高光譜目標檢測技術在目標檢測領域具有獨特的優(yōu)勢。由于地物分布情況復雜和成像光譜儀空間分辨率的較低等原因，待檢測的目標通常與其他地物共同組成混合像元，此時目標以亞像元形式存在。高光譜亞像元目標檢測是目標檢測研究的前沿和難點，本文著眼于如何利用高光譜數(shù)據(jù)的稀疏性提高檢測效果，對高光譜圖像亞像元目標檢測技術

2、進行了研究，主要工作和成果如下:
　　1.研究了高光譜遙感圖像的光譜混合模型，詳細的介紹了多元信號估計和信號檢測理論，推導了四種經(jīng)典的亞像元目標檢測算法——約束能量最小化方法(CEM)、基于加權樣本自相關矩陣的CEM、正交子空間投影算法(OSP)、適應匹配子空間檢測算法(AMSD)，并在第四章用實驗證明了這些算法的可行性。
　　2.給出了基于稀疏約束的線性混合光譜分解模型，推導了四種經(jīng)典的稀疏性解混算法——正交匹配追蹤算法(

3、OMP)、迭代光譜混合分析算法(ISMA)、變量分離的增廣拉格朗日算法(SUNSAL)、基于加權L1正則化的SUNSAL算法，給出了這四種算法的具體實現(xiàn)步驟，并提出了基于L1/2正則化的稀疏性解混方法。實驗證明基于L1/2正則化的稀疏性解混方法在圖像信噪比較小的情況下性能比其他四種算法好而且更加穩(wěn)定。
　　3.利用高光譜數(shù)據(jù)的稀疏性進行目標檢測。本文將稀疏性分解算法和自適應匹配子空間檢測算法相結合提出了SU-AMSD算法，并介紹了