基于稀疏性的高光譜圖像亞像元目標(biāo)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(zhì)的診斷性光譜信息，結(jié)合該光譜信息可提高對目標(biāo)和背景進(jìn)行定量分析的能力，因此高光譜目標(biāo)檢測技術(shù)在目標(biāo)檢測領(lǐng)域具有獨(dú)特的優(yōu)勢。由于地物分布情況復(fù)雜和成像光譜儀空間分辨率的較低等原因，待檢測的目標(biāo)通常與其他地物共同組成混合像元，此時(shí)目標(biāo)以亞像元形式存在。高光譜亞像元目標(biāo)檢測是目標(biāo)檢測研究的前沿和難點(diǎn)，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(biāo)檢測技術(shù)

2、進(jìn)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(xì)的介紹了多元信號估計(jì)和信號檢測理論，推導(dǎo)了四種經(jīng)典的亞像元目標(biāo)檢測算法——約束能量最小化方法(CEM)、基于加權(quán)樣本自相關(guān)矩陣的CEM、正交子空間投影算法(OSP)、適應(yīng)匹配子空間檢測算法(AMSD)，并在第四章用實(shí)驗(yàn)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(dǎo)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(quán)L1正則化的SUNSAL算法，給出了這四種算法的具體實(shí)現(xiàn)步驟，并提出了基于L1/2正則化的稀疏性解混方法。實(shí)驗(yàn)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(jìn)行目標(biāo)檢測。本文將稀疏性分解算法和自適應(yīng)匹配子空間檢測算法相結(jié)合提出了SU-AMSD算法，并介紹了