首页 > 论文 > 光学学报 > 35卷 > 9期(pp:928001--1)

基于自适应参数支持向量机的高光谱遥感图像小目标检测

Small Target Detection in Hyperspectral Remote Sensing Image Based on Adaptive Parameter SVM

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

针对高光谱遥感图像的小目标检测问题,提出了一种基于自适应参数支持向量机(SVM)的检测方法。采用主成分分析(PCA)法对高光谱遥感图像进行降维,降低数据冗余度;之后通过无监督检测方法对小目标进行快速、粗糙定位,并将该定位结果作为后验信息输入到SVM中;依据后验信息与核空间散度准则自适应确定SVM中核函数的参数,并使用SVM 在核空间中寻找分离目标和背景的最佳超平面;利用该超平面将像元重新分类为背景和目标,并且迭代上述操作,得到精确且稳定的目标检测结果。大量实验结果表明,与经典RX方法、核RX方法、支持向量数据描述(SVDD)方法相比,该方法可以更有效、精确地检测出高光谱遥感图像中的小目标。

Abstract

As for the problem of small target detection in hyperspectral remote sensing image, a detection method based on adaptive parameter support vector machine (SVM) is proposed. The low dimensional information of the hyperspectral image is obtained using the method of principal component analysis (PCA) and the redundancy of data is reduced. Then, small targets are positioned fast and roughly by an unsupervised detection method, and the posterior information of SVM is got by the position result. The kernel parameter of SVM is determined adaptively based on the posterior information and the criteria of divergence in the kernel space. The best hyperplane in the kernel space for the segmentation of targets and background is found by the SVM. Pixels are separated to targets and background by the best hyperplane. The accurate and stable target detection result is obtained by iteration. A large number of experimental results show that, compared to the existing methods such as RX method, kernel RX method and support vector data description (SVDD) method, the proposed method is more effective to detect small targets accurately in the hyperspectral remote sensing image.

Newport宣传-MKS新实验室计划
补充资料

中图分类号:TP751

DOI:10.3788/aos201535.0928001

所属栏目:遥感与传感器

基金项目:国家自然科学基金(60872065)、中国科学院光谱成像重点实验室开放基金项目(LSIT201401)、江苏高校优势学科建设工程

收稿日期:2015-04-14

修改稿日期:2015-05-28

网络出版日期:--

作者单位    点击查看

吴一全:南京航空航天大学电子信息工程学院,江苏 南京 210016中国科学院西安光学精密机械研究所中国科学院光谱成像技术重点实验室,陕西 西安 710000
周杨:南京航空航天大学电子信息工程学院,江苏 南京 210016
龙云淋:南京航空航天大学电子信息工程学院,江苏 南京 210016

联系人作者:吴一全(nuaaimage@163.com)

备注:吴一全(1963—),男,博士,教授,主要从事遥感图像处理与理解、红外目标检测与识别、视觉检测与图像测量、数字全息等方面的研究。

【1】Xue Qingsheng. Optical system design of multi-model hyperspectal imager for spaced-based atmospheric remote sensing[J]. Acta Optica Sinica, 2014, 34(8): 0822005.
薛庆生. 空间大气遥感高光谱成像仪光学系统设计[J]. 光学学报, 2014, 34(8): 0822005.

【2】Zhao Chunhui, Li Xiaohui, Wang Yulei. Research advance on anomaly detection for hyperspectral imagery[J]. Journal of Electronic Measurement and Instrumentation, 2014, 28(8): 803-811.
赵春晖, 李晓慧, 王玉磊. 高光谱图像异常目标检测研究进展[J]. 电子测量与仪器学报, 2014, 28(8): 803-811.

【3】Mei Feng, Zhao Chunhui, Wang Liguo, et al.. Support vector data description based on adaptive anomaly detection method in hyperspectral imagery[J]. Acta Photonica Sinica, 2009, 38(11): 2820-2825.
梅锋, 赵春晖, 王立国, 等. 基于支持向量描述的自适应高光谱异常检测算法[J]. 光子学报, 2009, 38(11): 2820-2825.

【4】Zhang L, Zhang L, Tao D, et al.. Hyperspectral remote sensing image subpixel target detection based on supervised metric learning [J]. Geoscience and Remote Sensing, IEEE Transactions on, 2014, 52(8): 4955-4965.

【5】Liu Xiaogang, Zhao Huijie, Li Na. Feature extraction based on multifractal spectrum for hyperspectral data[J]. Acta Optica Sinica, 2009, 29(3): 844-848.
刘小刚, 赵慧洁, 李娜. 基于多重分形谱的高光谱数据特征提取[J]. 光学学报, 2009, 29(3): 844-848.

【6】Han Qijin, Pan Zhiqiang, Zhang Xuewen, et al.. Tge cross_calibration of GF- 1 WFV and SJ- 9A PMS sensors based on homogeneous land surface targets[J]. Acta Optica Sinica, 2014, 34(11): 0628003.
韩启金, 潘志强, 张学文, 等. 基于均匀目标的GF-1WFV 与SJ-9A PMS相机交叉定标[J]. 光学学报, 2014, 34(11): 06281003.

【7】Huang Z, Shi Z, Yang S. Nonlocal similarity regularized sparsity model for hyperspectral target detection[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2013, 10(6): 1532-1536.

【8】Song Yigang, Wu Zebin, Sun Le, et al.. A novel spectral- spatial sparse method for hyperspectral target detection[J]. Acta Armementarii, 2014, 35(6): 834-841.
宋义刚, 吴泽彬, 孙乐, 等. 一种新的空谱联合稀疏高光谱目标检测方法[J]. 兵工学报, 2014, 35(6): 834-841.

【9】Reed I S, Yu L X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. Acoustics, Speech and Signal Processing, IEEE Transactions on, 1990, 38(10): 1760-1770.

【10】He Lin, Pan Quan, Di Wei, et al.. A small-target detector based on single likelihood test for hyperspectral imagery[J]. Acta Optica Sinica, 2007, 27(12): 2155-2162.
贺霖, 潘泉, 邸韡, 等. 一种基于单似然检验的高光谱图像小目标检测器[J]. 光学学报, 2007, 27(12): 2155-2162.

【11】Matteoli S, Diani M, Corsini G. A tutorial overview of anomaly detection in hyperspectral images[J]. Aerospace and Electronic Systems Magazine, IEEE, 2010, 25(7): 5-28.

【12】Kwon H, Nasrabadi N M. Kernel RX-algorithm: a nonlinear anomaly detector for hyperspectral imagery[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2005, 43(2): 388-397.

【13】Banerjee A, Burlina P, Diehl C. A support vector method for anomaly detection in hyperspectral imagery[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2006, 44(8): 2282-2291.

【14】Mei Feng, Zhao Chunhui, Wang Liguo, et al.. Support vector data description based on adaptive anomaly detection method in hyperspectral imagery[J]. Acta Photonica Sinica, 2009, 38(11): 2820-2825.
梅锋, 赵春晖, 王立国, 等. 基于支持向量描述的自适应高光谱异常检测算法[J]. 光子学报, 2009, 38(11): 2820-2825.

【15】Liu Nannan, Xu Shuyan, Hu Jun, et al.. Hyper accuracy star location algorithm based on nonsubsampled Contourlet transform and mapped least squares support vector machine[J]. Acta Optica Sinica, 2013, 33(5): 0512001.
刘南南, 徐抒岩, 胡君, 等. 基于非下采样Contourlet 变换和映射最小二乘支持向量机的高精度星点定位方法[J]. 光学学报, 2013, 33(5): 0512001.

【16】Song Fengxi, Zang Dapeng, Yang Jingyu, et al.. Adaptive classification algorithm based on maximum scatter difference discriminant criterion[J]. Acta Automatica Sinica, 2006, 32(4): 541-549.
宋枫溪, 张大鹏, 杨静宇, 等. 基于最大散度差鉴别准则的自适应分类算法[J]. 自动化学报, 2006, 32(4): 541-549.

【17】Zhang Jingjing, Zhou Xiaoyong, Liu Qi. Improved dimensionality reduction algorithm of large- scale hyperspectral scenes using manifold[J]. Acta Optica Sinica, 2013, 33(11): 1120001.
张晶晶, 周晓勇, 刘奇. 一种改进的大尺度高光谱流形降维算法[J]. 光学学报, 2013, 33(11): 1120001.

【18】Chen Yang, Zhang Taining, Guo Peng, et al.. Quantitative analysis for nonlinear fluorescent spectra based on principle component analysis[J]. Acta Optica Sinica, 2009, 29(5): 1285-1291.
陈扬, 张太宇, 郭澎, 等. 给予主成分分析的复杂光谱定量分析方法的研究[J]. 光学学报, 2009, 29(5)1285-1291.

【19】He Songhua, Liu Zhen, Chen Qiao. Research of spectral dimension reduction method based on matrix R ~ theory[J]. Acta Optica Sinica, 2014, 34(2): 0233001.
何颂华, 刘真, 陈桥. 基于矩阵R~理论的光谱降维方法研究[J]. 光学学报, 2014, 34(2): 0233001.

【20】Wu Chao, Wu Yiquan. Target detection in hyperspectral image using projection pursuit based on chaotic particle swarm optimization [J]. Acta Optica Sinica, 2011, 31(12): 1211003.
吴超, 吴一全. 基于混沌粒子群优化投影寻踪的高光谱图像目标检测[J]. 光学学报, 2011, 31(12): 1211003.

【21】Lu Wei, Yu Xuchu, Ma Yonggang, et al.. Research of sea fleet targets detection approach in hyperspectral image [J]. Hydrographic Surveying and Charting, 2005, 25(4): 8-12.
路威, 余旭初, 马永刚, 等. 高光谱遥感影像海上舰船目标检测方法的研究[J]. 海洋测绘, 2005, 25(4): 8-12.

引用该论文

Wu Yiquan,Zhou Yang,Long Yunlin. Small Target Detection in Hyperspectral Remote Sensing Image Based on Adaptive Parameter SVM[J]. Acta Optica Sinica, 2015, 35(9): 0928001

吴一全,周杨,龙云淋. 基于自适应参数支持向量机的高光谱遥感图像小目标检测[J]. 光学学报, 2015, 35(9): 0928001

被引情况

【1】赵春晖,尤伟,齐滨,王佳. 采用多项式递归核的高光谱遥感异常实时检测算法. 光学学报, 2016, 36(2): 228002--1

【2】张东,塔西甫拉提·特依拜,张飞,阿尔达克·克里木,夏楠. 分数阶微分算法对盐渍土高光谱数据的影响研究. 光学学报, 2016, 36(3): 330002--1

【3】胡婷,雷宏. 基于数字化X射线摄影图像的运动目标三维轨迹测量. 光学学报, 2016, 36(4): 412008--1

【4】刘斌,赵兴,胡春海,万欣. 面向颜色深度图像手脸近距遮挡的手势识别. 激光与光电子学进展, 2016, 53(6): 61001--1

【5】赵春晖,姚淅峰,张丽丽. 采用字典递归更新的目标检测稀疏算法及GPU实现. 光学学报, 2016, 36(8): 828002--1

【6】李铁,孙劲光,张新君,王星. 基于分层稀疏表示特征学习的高光谱图像分类研究. 激光与光电子学进展, 2016, 53(9): 91001--1

【7】李姝颖,杜山山,曾朝阳. 基于特征空间显著性的假目标光谱设计. 光学学报, 2017, 37(1): 128001--1

【8】张文涛,王思远,占平平,韩莹莹. 基于太赫兹时域光谱技术的红木检测方法. 光学学报, 2017, 37(2): 230006--1

【9】再屯古丽·亚库普,塔西甫拉提·特依拜,依力亚斯江·努尔麦麦提,买买提·沙吾提,阿不都艾尼·阿不里,阿卜杜萨拉木·阿布都加帕尔. 基于目标极化分解方法和PALSAR雷达数据的于田绿洲盐渍化监测. 激光与光电子学进展, 2017, 54(6): 62803--1

【10】黄 帅,丁建丽,张钧泳,陈文倩. 基于Radarsat-2卫星微波遥感的后向散射系数研究. 光学学报, 2017, 37(9): 929001--1

【11】魏文松,彭彦昆,郑晓春,王文秀,田 芳. 基于优选波长的多光谱检测系统快速检测猪肉中挥发性盐基氮的含量. 光学学报, 2017, 37(11): 1130003--1

【12】郑曼迪,熊黑钢,乔娟峰,刘靖朝. 基于宽波段与窄波段综合光谱指数的土壤有机质遥感反演. 激光与光电子学进展, 2018, 55(7): 72801--1

【13】徐冬宇,厉小润,赵辽英,舒锐,唐琪佳. 基于多模型融合的高光谱图像质量评价. 激光与光电子学进展, 2019, 56(2): 21101--1

【14】张晓慧,郝润芳,李廷鱼. 基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测. 激光与光电子学进展, 2019, 56(4): 42801--1

【15】韩志华,刘晶红,徐芳. 基于统计特征和桥梁方法的红外弱小目标检测算法. 激光与光电子学进展, 2019, 56(6): 60401--1

【16】王书涛,吴兴,朱文浩,李明珊. 平行因子结合支持向量机对多环芳烃的荧光检测. 光学学报, 2019, 39(5): 530002--1

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF