高光譜圖像分辨率增強及在小目標(biāo)檢測中的應(yīng)用研究.pdf

1、高光譜遙感是在測譜學(xué)基礎(chǔ)上逐漸發(fā)展起來的新型遙感技術(shù)，除了空間圖像信息外，其所具有的精細(xì)光譜信息，克服了寬波段遙感探測的局限，被廣泛應(yīng)用于多種領(lǐng)域，成為對地觀測最重要的信息源之一。但由于成像原理與制造技術(shù)等因素的限制，高光譜圖像的空間分辨率相對較低，給進(jìn)一步應(yīng)用，如特定目標(biāo)的檢測識別帶來一系列的問題。為此，論文分別從信息融合和混合像素分解角度研究了高光譜圖像的分辨率增強方法，旨在提高基于圖譜結(jié)合的高光譜圖像目標(biāo)檢測的性能。
　　論

2、文首先對遙感成像中涉及到的電磁波理論進(jìn)行簡單的介紹，分析了遙感圖像的空間分辨率與光譜分辨率間的關(guān)系，即隨著光譜分辨率的增加，在CCD等性能參數(shù)不變下，遙感圖像的空間分辨率下降的原理。并在介紹了高光譜圖像特性的基礎(chǔ)上，對PCA、MNF及LDA變換的降維算法的原理進(jìn)行了分析，研究其各種算法的特點及應(yīng)用范圍。降維算法是重要的高光譜圖像預(yù)處理技術(shù)，這一部分的工作為后文的開展打下一個基礎(chǔ)。
　　然后對常用的高光譜圖像目標(biāo)檢測算法進(jìn)行了介紹。

3、通過對支持向量數(shù)據(jù)描述的研究，分析并驗證了其單類分類的性能及其適用范圍；針對傳統(tǒng)純像素目標(biāo)檢測算法大部分無法解決目標(biāo)與背景樣本數(shù)量不平衡的問題，論文提出了基于SVDD的高光譜圖像目標(biāo)檢測算法，把目標(biāo)檢測問題轉(zhuǎn)化為單類分類問題。實驗結(jié)果表明，與經(jīng)典的光譜角度制圖和有約束能量最小化算法相比，該算法僅需要較少的目標(biāo)類訓(xùn)練樣本就可以得到與前兩者相近的檢測結(jié)果，當(dāng)增加背景樣本時，本文方法可以將目標(biāo)更容易的從背景中分離出來，為利用空間信息進(jìn)一步檢測

4、提高了便利，使最終的檢測結(jié)果優(yōu)于上述兩種算法。
　　針對空間分辨率的不足，論文借助于空間信息補償?shù)乃枷?，提出了基于相關(guān)向量機的增強高光譜圖像分辨率的數(shù)據(jù)融合算法。由于該方法需要利用其它圖像的信息，因此首先研究了多圖像間的配準(zhǔn)技術(shù)，并在對現(xiàn)有配準(zhǔn)算法進(jìn)行改進(jìn)的基礎(chǔ)上，提出了基于高斯擬合的配準(zhǔn)控制點提取算法，從而獲得了高精度的配準(zhǔn)結(jié)果。在此基礎(chǔ)上，研究了輔助信息補償分辨率的方法，提出了基于RVM的融合算法，在增強高光譜圖像空間信息的同

5、時，較好地保持了原光譜特征。將增強后圖像應(yīng)用于純像素小目標(biāo)檢測的實驗表明，論文算法可以解決由于高光譜圖像空間分辨率不足而導(dǎo)致的檢測效果不佳的問題，分辨率增強后圖像的檢測精度明顯優(yōu)于融合前各圖像的檢測結(jié)果。
　　最后，在缺少輔助信息的情況下，論文研究了通過光譜解混來改善高光譜圖像空間分辨能力、解決光譜混疊的問題；利用子像素制圖技術(shù)來實現(xiàn)高光譜圖像空間分辨率的增強。對光譜解混的兩個主要步驟：端元提取和混合像素分解分別進(jìn)行了系統(tǒng)的研究。

6、針對原始N-FINDR算法提取光譜端元時對噪聲影響敏感的問題，提出了基于無監(jiān)督聚類的端元提取算法。該算法利用K均值聚類方法從高光譜數(shù)據(jù)中選出光譜曲線代表集，再從代表集中找到光譜端元，實驗表明該算法具有較強的抗噪性。針對傳統(tǒng)算法在混合像素分解時，在含未知地物的像素處解混結(jié)果易出現(xiàn)較大偏差的問題，提出了一種基于SVDD的高光譜圖像混合像素分解算法。該算法首先利用SVDD將高光譜數(shù)據(jù)分成完全由已知地物數(shù)據(jù)混合的像素和包含未知地物的像素兩類，兩