1 复旦大学 电磁波信息科学教育部重点实验室, 上海 200433
2 复旦大学 信息学院智慧网络与系统研究中心, 上海 200433
提出一种用于高光谱图像小目标探测的目标光谱学习算法, 目的是从图像中学习得到一条更为准确的目标光谱, 从而提高有监督目标探测的效果.该算法由基于自适应权重的目标光谱学习算法和自完备字典两部分组成.前一部分内容是在已有完备的背景字典的情况下, 通过稀疏编码和梯度下降算法来优化学习目标光谱; 后一部分内容通过背景字典的不断扩充来确保该字典的完备性, 从而保证了学习算法的准确性.仿真和实际高光谱数据的实验结果表明, 所提出的方法能有效地提取出准确的目标光谱, 从而显著提高目标探测算法的精度.
高光谱图像 目标探测 稀疏编码 光谱多样性 混合光谱 hyperspectral imagery target detection sparse coding spectral variability mixed spectrum
1 复旦大学 电磁波信息科学教育部重点实验室, 上海 200433
2 北京师范大学 地表过程与资源生态国家重点实验室, 北京 100875
3 复旦大学 信息学院智慧网络与系统研究中心, 上海 200433
提出一种基于低秩表示和学习字典的高光谱遥感图像异常探测算法。相对于其它低秩矩阵分解方法如鲁棒主成分分析, 低秩表示方法更为契合高光谱图像的线性混合模型。该算法将低秩表示模型应用到高光谱图像异常探测问题上来, 引入表征背景信息的学习字典, 大大增强了低秩表示模型对初始参数的鲁棒性。仿真和实际高光谱数据的实验结果表明, 所提出的算法有效地提高了异常的探测率, 同时对初始参数具有较好的鲁棒性, 可以作为一种解决高光谱图像异常探测的有效手段。
高光谱图像 异常探测 低秩矩阵分解 低秩表示 学习字典 Hyperspectral imagery anomaly detection low-rank matrix decomposition low-rank representation learned dictionary 红外与毫米波学报
2016, 35(6): 2016
