硕士学位论文
高光谱图像的异常
目标检测及亚像元定位研究
RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL
IMAGERY
朱凤阳
哈尔滨工业大学
2009年6月
国内图书分类号：TN911.73 学校代码：10213 国际图书分类号：621.3 密级：公开
硕士学位论文
高光谱图像的异常
目标检测及亚像元定位研究
硕士研究生：朱凤阳
导 师：张钧萍教授
申请学位：工学硕士
学科：信息与通信工程
所在单位：电子与信息工程学院
答辩日期：2009年6月
授予学位单位：哈尔滨工业大学
Classified Index: TN911.73
U.D.C.: 621.3
Dissertation for the Master Degree in Engineering
RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL
IMAGERY
Candidate:Zhu Fengyang
Supervisor:Prof. Zhang Junping
Academic Degree Applied for:Master of Engineering
Specialty:Information and Communication
Engineering
Affiliation: School of Electronics and
Information Engineering
Date of Defence: June, 2009
Degree-Conferring-Institution:Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘要
遥感平台具有覆盖范围广、作用距离远、执行效率高等方面的优点，有着重要的军事意义和民用价值。随着遥感平台的发展，一些对遥感平台所获图像的处理技术也得到了大力的发展。目标检测技术就是其中一种重点技术，对于图像的解译与后续目标识别有着重要的意义。高光谱图像具有光谱分辨率高、波段宽度窄、信息量大的特点，能够以较高的光谱诊断能力区分和检测地物目标，因此用高光谱图像进行目标检测的研究受到了广泛的重视。然而，由于高光谱图像空间分辨率较低、混合像元普遍存在，异常检测得到的异常目标像素通常是目标成分和背景成分的混合。通常情况下，异常目标的准确空间位置具有很大的利用价值。因此有必要对高光谱图像的异常目标进行检测与亚像元定位研究，这也符合遥感信息定量化的发展趋势。在这样的背景下，本课题进行了以下几个方面的研究。
首先，对高光谱图像的特性和异常检测方法进行了研究。在分析了高光谱图像的谱间相关性和空间相关性后，采用特征提取和特征选择技术以及经典的RX检测算法对高光谱图像进行了异常检测，论文中研究了四种基于特征提取的异常检测算法。
然后，分析了高光谱图像中混合像素的存在原因，并研究了针对混合像素的两项关键技术：光谱解混和亚像元定位。光谱解混技术方面，主要研究了线性光谱混合模型及其在全约束条件下的最小二乘法解法；亚像元定位技术方面，主要分析了高光谱图像的空间相关性，并利用该性质实现了亚像元定位。
最后，对高光谱图像的异常目标检测与亚像元定位方法进行了总体实现。首先，对高光谱图像进行异常检测，提取异常目标区域，然后利用局部目标端元提取和局部光谱解混方法获得目标的解混分量图。最后，利用解混分量图对异常目标进行亚像元定位。实验结果表明，此系统不仅可以检测出高光谱图像中的异常目标信息，而且还可以获得目标的亚像元空间分布信息。
关键词：高光谱图像；异常检测；光谱解混；亚像元定位
哈尔滨工业大学工学硕士学位论文
Abstract
Remote sensing platform has the advantage of broad coverage, long operating distance and high efficiency. Therefore, it has important military significance and civil value. With the development of remote sensing, some technologies about the processing of images obtained by the platforms develop quickly. And target detection technology is one of them. It has important significance to image interpretation and target identification. Due to the high spectral resolution, narrow bandwidth and large amount of information, hyperspectral imagery can be used to distinguish and detect ground targets with quite high diagnostic ability, so the research on target detection over hyperspectral imagery becomes a focus. However, because of the low spatial resolution, there are a large number of mixed pixels exsiting in hyperspectral imagery. The abnormal pixels obtained from anomaly detection are often mixed with background. Usually, accurate spatial information of anomaly targets is of great value. Thus, it’s necessary to research on anomaly target detection and subpixel mapping, which is also consistent with the development trend of remote sensing information rationalization. In this case, following aspects are researched in the thesis.
Firstly, the characteristic of hyperspectral imagery and anomaly detection methods are studied. After analyzing the characteristic of spectral correlation and spatial correlation, we take use of feature extraction, feature selection and classical RX algorithm to carry on anomaly detection in hyperspectral imagery. There are four methods based on feature extraction studied in this thesis.
Then, the reason why mixed pixels exist in hyperspectral imagery is analyzed. And two key technologies: spectral unmixing and subpixel mapping are studied. For spectral unmixing, the linear spectral mixing model and the solution using the method of least squares under the full constrained conditions are studied. For subpixel mapping, spatial correlation is analyzed. And subpixel mapping is carried out using this characteristic.
Lastly, the process of detection and subpixel mapping for anomaly targets in hyperspetral imagery is implemented. First, anomaly detection is carried out and the anomaly targets area is extracted. Second, local target endmember extraction and local linear unmixing is carried out to obtain the unmixed result of targets. Third, subpixel mapping for anomaly targets is carried out on the basis of unmixed result. Thus, we can not only detect the anomaly targets in hyperspectral imagery, but also obtain the subpixel spatial information of anomaly targets.
哈尔滨工业大学工学硕士学位论文
Keywords: hyperspectral image, anomaly detection, spectral unmixing, subpixel mapping
哈尔滨工业大学工学硕士学位论文
目 录
摘要......................................................................................................................I Abstract....................................................................................................................II
第1章绪论 (1)
1.1课题背景及研究意义 (1)
1.2高光谱遥感技术的发展 (2)
1.2.1 成像光谱仪的发展 (2)
1.2.2 高光谱遥感技术的应用发展 (3)
1.3高光谱图像中的目标检测技术 (5)
1.3.1 目标检测技术分类 (5)
1.3.2 异常检测技术 (6)
1.4亚像元定位技术 (8)
1.5论文的研究内容与结构安排 (9)
第2章高光谱图像的异常目标检测算法研究 (10)
2.1高光谱图像的特性分析 (10)
2.1.1 谱间相关性分析 (11)
2.1.2 空间相关性分析 (12)
2.2特征提取 (13)
2.2.1 主成分分析 (14)
2.2.2 核主成分分析 (16)
2.2.3 独立分量分析 (17)
2.2.4 实验结果比较和分析 (19)
2.3基于局部奇异性的特征选择 (20)
2.4高光谱图像的异常检测算法 (22)
2.4.1 RX异常检测算法 (22)
2.4.2 基于特征提取的异常检测算法 (24)
2.5本章小结 (27)
第3章高光谱图像中的混合像元处理技术研究 (28)
3.1端元提取技术 (28)
3.2光谱解混 (29)
3.2.1 线性光谱混合模型 (30)
3.2.2 线性光谱混合模型求解 (31)
哈尔滨工业大学工学硕士学位论文
3.2.3 算法性能评价 (32)
3.3亚像元定位 (35)
3.3.1 空间相关性 (36)
3.3.2 亚像元定位方法 (36)
3.3.3 实验及结果分析 (37)
3.4本章小结 (39)
第4章异常目标检测与亚像元定位的总体实现 (40)
4.1总体流程图 (40)
4.2总体实现及实验结果 (41)
4.2.1 异常检测 (41)
4.2.2 异常目标区域的确定 (44)
4.2.3 异常目标区域的端元提取及光谱解混 (45)
4.2.4 异常目标的亚像元定位 (46)
4.3本章小结 (47)
结论 (48)
参考文献 (50)
攻读学位期间发表的学术论文 (54)
哈尔滨工业大学硕士学位论文原创性声明 (55)
哈尔滨工业大学硕士学位论文使用授权书 (55)
致谢 (56)
哈尔滨工业大学工学硕士学位论文
第1章绪论
1.1 课题背景及研究意义
遥感(remote sensing)一词自1960年正式出现在美国一项军事科研计划中，并于1962年密执安大学等单位举办的第一届环境遥感学术讨论会上正式采用以来，已经成为全球广泛传播的高科技名词术语之一。简单地理解，遥感就是“遥远感知”的意思。“遥感是通过不与物体、区域或现象接触获取调查数据，并对数据进行分析得到物体、区域或现象有关信息的一门科学技术。”[]1遥感平台具有覆盖范围广、作用距离远、执行效率高等方面的优点，有着重要的军事意义和民用价值。随着遥感平台的发展，一些对遥感平台所获的图像的处理技术也得到了大力的发展。目标检测技术就是其中一种重点技术，有着重要的军事意义和民用价值。在军事方面，可以实现对敌对国家和地区地面状况的监视，侦察对方的军事设施，导弹发射井以及在具体的作战当中帮助分析局部的地形等；在民用方面，可以实现森林火险的监测，病虫害的评估以及洪涝灾害的预防、预报等。另外，海洋水色遥感可以对海洋生态系统进行监测，对海洋渔业资源开发以及对海洋环境、海岸冲淤、近岸水体污染状况、赤潮及有害藻类爆发等都有重要的意义。
高光谱传感器(hyperspectral remote sensor)是将成像传感器的空间表示与光谱仪的分析能力结合在一起的遥感仪器，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几百甚至上千个窄波段以进行连续的光谱覆盖，从而形成具有纳米数量级光谱分辨率的遥感数据。它的出现开创了光谱和图像合一进行观测的新方向，是目前国内外在遥感图像处理领域的研究热点之一。
由于具有较高的光谱分辨率，高光谱图像在异常检测方面具有独特的优势，比多光谱图像在遥感地物分类和目标检测识别方面具有更广泛的应用。本来在宽波段遥感中不可检测的物质，在高光谱遥感中能被检测。例如，对于含有多种地物目标的遥感图像，多光谱图像只能区分而无法辨识不同的地物，而高光谱图像不仅可以区分不同的地物，还可以辨识它们。这对利用遥感图像进行目标的检测、识别和跟踪等具有重要的研究价值和应用意义。为了充分利用高光谱图像在异常目标检测方面的优势，我们有必要对高光谱图像的异常检测技术进行研究。
虽然高光谱图像大大提高了图像的光谱分辨率，但其空间分辨率却相对较
哈尔滨工业大学工学硕士学位论文
低，比如说AVIRIS的空间分辨率仅为20m×20m，从而导致混合像素的大量存在，即一个像元可能是几种类别的混合。利用异常检测技术所获得的异常目标像素中往往同时包括目标成分和背景成分。通常情况下，对于我们感兴趣的异常目标，它们的准确空间位置具有很大的利用价值。比如，当要实现军事目标的精确打击时，我们有必要将目标的空间分布信息精确到亚像元级。因此对高光谱图像中的异常目标进行亚像元定位，获得它们亚像元级的空间分布信息，有着重要的意义。
遥感信息的定量化是遥感发展的需要和必然结果。遥感信息的定量化有两重含义，其一是遥感信息在电磁波的不同波段内给出的地表物质的定量的物理量和准确的空间位置。其二是从这些定量的遥感信息中，通过实验的或物理的模型将遥感信息与地学参量联系起来，定量地反演或推算某些地学或生物学的参量[]2。目前遥感信息定量化已引起多种学科和技术领域的广泛关注，正在向实现这一目标前进。显然，对高光谱图像中的异常目标进行检测和亚像元定位符合遥感信息定量化的发展趋势。
本文研究的问题来源于国家自然科学基金资助项目“高光谱与极化SAR图像协同处理关键技术研究”，该课题的研究旨在充分利用高光谱的光谱分辨率优势和空间几何信息等，检测出高光谱图像中的异常目标，并获得它们亚像元级的空间分布信息。
1.2 高光谱遥感技术的发展
遥感技术是过去30-40年内迅速发展起来的一门综合性应用技术。1972年美国发射了第一颗地球资源技术卫星(ERT-1)，标志着地球遥感新时代的开始[]3。在遥感技术的发展经历了全色、彩色摄影、多光谱扫描成像阶段之后，20世纪80年代初期成像光谱概念的出现，使光学遥感进入了一个崭新的阶段—高光谱遥感阶段。
1.2.1 成像光谱仪的发展
高光谱遥感指具有高光谱分辨率的遥感科学和技术，它的基础是测谱学(Spectroscopy)。测谱学早在20世纪初就被用于识别分子和原子及其结构，20世纪80年代才产生成像光谱仪[]4。高光谱遥感技术的发展，从研制第一代航空成像光谱仪算已有约30年的历史，并受到了世界各国遥感科学家的普遍关注。其中一个重要的原因就是，这一技术开拓性的将确定物质或地物性质的光谱与把握其空间和几何关系的图像革命性地结合在一起，它所获取的地球表面图像
哈尔滨工业大学工学硕士学位论文
包含丰富的空间、辐射和光谱三重信息，因而在地质、环境、环境、军事、水文、大气等方面都有着巨大的应用。
1983年世界上第一台成像光谱仪AIS-1由美国喷气推进实验室研制成功，在矿床填图、植物生化组分、水色及大气水分等方面进行了实验，试验结果表明成像光谱在找矿、水环境、生态、大气等定量研究中具有巨大潜力[]5。AIS-1的出现标志着第一代高光谱分辨率传感器面世。除AIS-1外，第一代高光谱成像仪还包括AIS-2。AIS-1和AIS-2的光谱覆盖范围为1.2~2.4μm，一共128个波段。目前国际上正在运行的机载成像光谱仪在几十台左右。具有代表的有光机扫描型的澳大利亚Hymap系统，推帚式成像方式的加拿大CASI系统等。1987年，第二代高光谱成像仪问世。美国宇航局(NASA)喷气推进实验室(JPL)研制的航空可见光/红外成像光谱仪(AVIRIS)是第二代成像光谱仪的代表，它于1987年获得第一幅AVIRIS图像。AVIRIS是首次测量全部太阳辐射覆盖的波长范围(0.4~2.5μm)的成像光谱仪。AVIRIS与AIS的主要区别在于AVIRIS以弹扫式线阵列成像。与AIS传感器相比，AVIRIS在传感器本身、定标、数据系统及飞行高度等方面都有很大的改进，以满足研究人员在科研和应用中对AVIRIS数据质量的要求。第三代高光谱成像仪为克里斯特里尔傅里叶变换高光谱成像仪(FTHSI)，其采用256通道，成像光谱范围为400~1050nm，光谱分辨率为2~10nm，视场角为150°[]6。
由于高光谱遥感具有很高的应用价值和广阔的发展前景，它受到了全球的关注，除了上述提到的美国、澳大利亚和加拿大外，芬兰、法国、德国、日本等国家也纷纷投资对高光谱遥感技术的发展做出了一定的贡献[]7。在国内，成像光谱仪的研制工作紧跟国际前沿技术，目前已跻身国际先进行列。我国先后研制成功了专题应用扫描仪、红光细分光谱扫描仪FIMS、热红外多光谱扫描仪TIMS、19波段多光谱扫描仪AMSS、71波段的模块化航空成像光谱仪MAIS、128波段的OMIS以及244波段的推扫式成像仪PHI等。此外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪于2002年随“神州”三号飞船发射升空，这是继美国1999年发射MODIS-N(EOS平台)之后第二个将中分辨率成像光谱仪送上太空的国家。使我国成为世界上第二个拥有航天载成像光谱仪的国家。图像的清晰度和层次与美国MODIS-N上同类分辨率的相同通道的质量相当，达到了世界先进水平[]8。
1.2.2 高光谱遥感技术的应用发展
高光谱遥感以其纳米级的光谱分辨率和在可见光到短波红外甚至热红外波
哈尔滨工业大学工学硕士学位论文
段的超多波段成像特点，引起了广大从事遥感技术和应用人士的高度重视，遥感应用领域也更加拓宽。目前，高光谱图像在军事、民用领域都发挥着重要的作用。
(1)军事领域
科学技术是第一生产力。科学技术的最新成果往往首先应用于军事，是军事成为科学技术成就应用最快的一个领域，高光谱成像技术也是为满足军事上的需求而发展起来的。目前，高光谱图像在军事领域，比如说奇异目标检测[]9、目标识别[]10、反伪装[]11和战场侦察[]12等方面都发挥着巨大的作用。
高效安全的地雷探测，特别是小体积反步兵的地雷探测，一直是军事领域中的难点，下面以地雷检测为例，说明高光谱图像在军事领域的应用[]13。
根据隐藏性，地雷可分为掩埋雷和地表放置雷。对于掩埋雷，利用高光谱技术探测的依据为：自然情况下，大颗粒土壤总置于上层，小颗粒土壤置于底部。在掩埋地雷的过程中，底部小颗粒土壤翻至表层。因此可以根据粗、细土壤在光谱反射率、辐射率等方面表现出的差异来鉴定有无掩埋雷。对于掩埋在草地中的地雷，由于土壤中的地雷的阻隔，上、下土层水分不流通，从而导致反射率、辐射率与其他草地表面出现反射率、辐射率的改变。从而可以通过高光谱成像来检测掩埋雷。
对于投放于地表的小地雷，可以直接利用高光谱成像技术进行探测，并且由于地雷表面都具有一定几何形状，还可以利用空间图像信息辨别地雷，但要求有较高的空间分辨率。
(2)民用领域
军事技术与民用技术是科学技术两个不同的应用领域。一项新的科学技术成就的出现，往往同时具有提高社会生产力、为人类造福和形成新的战争手段、增强作战能力的双重可能性。同样，高光谱图像技术除了在军事领域有广泛的应用外，在民用领域也体现了巨大的应用潜力，比如植被调查、城市调查、生态环境调查、医学诊断、毒品监控、深空探测等。
随着工业化和城市化的高速发展，大气污染在许多城市和大型厂矿日益严重，已经成为一个威胁人类健康，阻碍经济发展的不利因素。对大气污染状况进行调查和监测是有效治理大气污染必须解决的问题。本文主要以高光谱图像在大气监测方面的应用为例来说明高光谱图像的民用价值。
我国大气污染遥感始于20世纪80年代末，到90年代初得到较广泛开展，目前主要包括3个方面：一是通过遥感图像上植物的季节规律变化和遭受污染后的反应差异，如盛业华等[]14根据山西某矿区杨树的光谱测试叶绿素指数和常
哈尔滨工业大学工学硕士学位论文
规大气监测数据，建立了该区NDVI 与大气综合指数之间的经验关系。二是利用遥感技术监测大气污染与污染源，如邓孺孺等[]15用ASD 连续光谱仪对北京市典型大气污染的散射光谱进行了对空测试并首次将大气污染信息定量地从地面地物信息中分解出来，得到较高分辨率的人为气胶浑浊度及其空间分布结果，做出研究区大气污染累加浓度分布场影像图。三是以地面采样的分析结果作为参照量，与遥感图像相结合进行相关分析，如进行津渤环境遥感试验时，曾采集树木叶测定其硫、含氮量，以及树皮的PH 值，分析氯气、酸雾、二氧化硫的污染[]16。
1.3 高光谱图像中的目标检测技术
1.3.1 目标检测技术分类
高光谱图像包含了观测场景中的空间信息和光谱信息，具有“图谱合一”的特性。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。与一般的图像目标检测相比，高光谱图像目标检测除了可以利用空间信息之外，还可以利用光谱信息。研究表明许多地表物质的吸收特征在吸收峰深度一般的宽度为20~40nm 。而成像光谱系统获得的连续波段宽度一般都在10nm 以内，因此这种数据能以足够的光谱分辨率区分出那些具有诊断性光谱特征的地表物质，这也是高光谱技术用于探测甚至识别地物的物质基础。
根据有无目标的先验知识，可以分为有监督目标检测和无监督目标检测。有监督目标检测，如果已知目标光谱特性，那么主要是利用匹配滤波的概念，通过与先验光谱匹配来检测目标。典型算法有自适应匹配滤波器[]17，检测表达式如式(1-1)。
11T T s x y s s
??Γ=Γ)) (1-1) 式中s 是目标光谱，从光谱库或训练得到；?Γ
是背景协方差矩阵最大似然估计，x 是观察点的光谱。类似的算法有光谱角匹配(Spectral Angle Match ，SAM)[]18，其表达式如式(1-2)。式中x 代表代匹配光谱，s 代表目标光谱。的值代表匹配程度，越大说明待匹配光谱越接近已知的目标光谱。
SAM D 1/21/2()()T SAM T T s x D s s x x = (1-2)
哈尔滨工业大学工学硕士学位论文
如果背景空间已知，可用正交投影算法。典型的有正交子空间投影(Orthogonal
Subspace Projection ，
OSP)算法[]19，其表达式如式(1-3)。式中1()T T B P I B B B B ⊥?=?为正交投影算子，B 为背景光谱空间。
T B T B s P x L s P s
⊥⊥= (1-3) 无监督目标检测也称为异常检测，它是在未知目标光谱特性条件下的检测方法[]20。本文主要研究异常检测。异常检测又可分为两类，一类是从图像数据中获取目标物的后验信息，而直接将与局部或全局整体数据统计特性不同的位置判为异常目标，另一类则在运算过程中先以无监督的方式从图像数据中获取目标或背景光谱特征的后验信息，再使用类似于光谱匹配的方法进行检测，这种获取后验信息的检测方法扩展了有监督检测方法的能力，但是，获取的目标物后验信息的可信度直接影响检测精度。
依据成像分辨率和目标大小的关系，高光谱图像的目标检测可分为纯像元目标检测和亚像元目标检测。纯像元目标检测假设目标所在的像素位置为目标信号所独占。最早出现的纯像元目标检测方法是基于整波形特征的光谱曲线匹配方法，它通过计算光谱向量之间的夹角来衡量待检测像素光谱与已知目标光谱之间的相似程度，从而进行判定该像素是否含目标成分。实际上目标和背景本身由于受到大气传输，成像系统等各方面的影响，有很大的不稳定性，相同的目标在不同地点、不同时刻，成像可能会有很大差异，仅仅是光谱匹配显然是不合适的。亚像元目标指目标所在的像素位置除了目标成分外，还混合有背景成分。为了获得目标的精确信息，例如目标成分在所占像素中的混合比例以及目标的亚像元空间分布信息，我们有必要引入光谱混合模型，这也是本论文的重要研究内容之一。
1.3.2 异常检测技术
异常检测实质上是一种特殊的目标检测，它是在未知目标光谱特性条件下的检测方法。很多情况下，要想获取目标的先验信息非常困难。首先，从光谱库的角度来说，目前还缺少完备且实用的光谱数据库。现有光谱数据库的主要来源是通过地面测量、实验室测量或航空遥感数据获得，由于地物种类的丰富多彩和测量条件的变化多端，要想获得完备的地物波谱数据需要巨大的工作量，因此这些数据库在波谱的数量和种类上还不足以支持广泛的遥感应用。其次，缺少准确的反射率反演算法。计算反射率的过程较为复杂，受到太阳角度、混合点、大气垂直温度分布、观测角度以及水气、混合气体和气溶胶的吸收等诸
哈尔滨工业大学工学硕士学位论文
多因素的影响。它们都会给转换过程带来误差，目前为止还没有非常行之有效
的计算方法。最后，地面真实测量在实际应用(例如战场侦查)中几乎不可实现。
以上因素都将导致先验光谱信息的获取成为目标检测的难点，因此高图像异常
检测技术成为遥感应用研究的重点[]21。
高光谱图像异常通常是指光谱异常，异常检测算子能够在没有先验信息的
条件下检测与周围环境存在光谱差异的目标(例如：在自然背景中的人造目标)。
通常，有两种形式的光谱异常：全局光谱异常和局部光谱异常。全局异常是针
对整幅图像而言，与整个图像的其他波谱存在差异的区域。而局部光谱异常则
被定义为与邻近像素点在光谱上有差异的区域。
高光谱遥感图像的异常检测，最初采用的方法是通过通道筛选、数据合成
并人工解译的方式进行。随着遥感数据的增多，遥感手段的丰富，这种半自动
工解译方式显然已经不合适了。采用计算机技术的自动检测方法得到了快速发
展。Reed和Yu研究的RX算法目前仍然是比较经典的一种异常检测算法[]22。它
是一种恒定虚警概率的检测算法，在满足算法的假设条件的前提下，适合于背
景比较简单且服从局部高斯分布的奇异目标检测。当在背景非常复杂的情况下，
图像的正态适应度较差，因此检测效果也较差。为了克服RX算法的限制，很多
学者研究了一些其他算法。比如说，Stein等人给出了一种新的判据[]23，采用背
景的协方差矩阵和均值向量来描述背景，进而实现异常检测，并进一步证明了
该准则与RX算法在检测单像素时是等价的。Kwon等引进核函数概念对RX检测
算子进行改进，研究了非线性形式的RX算子，并且研究了子空间分离的自适应2425。RXD(RX Detector)主要是基于样本协方差矩阵，只考虑数异常检测算法[,]
据的二阶统计信息。Chein-I Chang等用样本相关矩阵代替样本协方差矩阵，同
时考虑高光谱图像数据的一阶信息和二阶信息，研究了CRXD(Causal RX
Detector)，通过实验证明，相对RXD而言，CRXD能更有效的捕捉图像中光谱的变化[]26。考虑到高光谱图像中噪声等因素的影响，同时很多感兴趣目标通常以低概率、小数目的形式存在，因此Chein-I Chang等研究了基于高阶统计的异
2728。谷延锋等引入核主成分分常检测算法并通过实验证明了其性能的优越性[,]
析，并利用高阶统计信息，取得了不错的检测性能[]29。
此外，作为目标标检测技术的一种特殊情况，异常检测与目标检测之间并
没有本质的区别。因此，许多目标检测算法都可以移植成为异常检测算法，但
是需要通过提取图像的后验信息来实现。后验信息是相对于先验信息研究的，
指提取的是图像的波谱数据(例如端元)。提取后验信息的主要方法有光谱解混
合中的端元提取技术。利用提取的图像端元作为后验信息构建算子的优势就在
哈尔滨工业大学工学硕士学位论文
于：它是光谱数据的直接反映，容易与场景中的具体特征相联系，更贴近实际。
目前所研究的异常检测算法一般都只适合于简单的地物背景。但实际上，一幅图像中，往往包含多种不同的复杂背景形态。复杂背景的影响是制约异常检测的一个重要原因。如何将复杂背景简单化，是提高异常检测算法性能的一个突破点。
1.4 亚像元定位技术
虽然高光谱图像大大提高了图像的光谱分辨率，但其空间分辨率却相对较低，因此，高光谱图像中通常包括了纯净像元和混合像元。实际应用中，分析者往往需要高光谱图像的亚像元级信息，包括混合像素内包含哪些地物类别、各地物类别所占的混合比例、各地物在混合像素内的空间分布信息。亚象元定位技术主要解决最后一个问题。亚像元定位可以定义为：将像元切割成更小单位并将具体地物类别相应的分配到这些较小像元中的过程。此概念最早在1997年由Atkinson研究[]30。
目前，在这一技术的研究领域中，国外已经开展了许多相关方面的工作。例如：Tatem等利用Hopfield神经网络模型对输出的神经元采用约束能量最小的原则进行亚像元定位的求解[]31；Verhoeye等利用线性优化理论，将亚像元的定位问题转化为线性规划问题[]32；Merten等将BP神经网络模型引入，通过调整网络结构，训练初始分类影像获得亚像元定位结果[]33；同时，Merten等还将小波变换[]34与遗传算法[]35等引入了亚像元定位的求解过程中；Teerasit等利用马尔可夫随机场模型获得了亚像元定位结果[35]；凌峰等结合亚像元定位的理论模型，研究了一种新的元胞自动机模型解决了亚像元定位问题[36]；吴柯等研究了一种基于进化Agent技术的亚像元定位模型[]38。
高光谱遥感技术能够借助丰富的光谱信息，反映地物间的细微差异，这对于在图像上仅覆盖很少几个像元甚至不足一个像元的小目标的探测非常有利。虽然利用异常检测技术能够检测出高光谱图像中的异常信息，但由于高光谱图像的空间分辨率较低，这些包含异常信息的像素往往是目标成分和非目标成分的混合。通过异常检测，无法确定目标成分在一个像素内所占的比例大小和在一个像素内的亚像元空间分布信息。要确定某种地物在单个像素中的比例大小，或者说混合比例，目前常用的方法是利用光谱解混技术。通过光谱解混技术可以确定异常目标在每个像素内的混合比例，但却仍无法得知在小于一个像素范围内的空间分布情况。本文将通过对空间相关性的利用，来实现亚像元级的空间定位。
哈尔滨工业大学工学硕士学位论文
1.5 论文的研究内容与结构安排
高光谱图像中不仅包含空间信息，而且还包含观测场景中的光谱信息，在异常检测方面具有独特的优势。论文主要利用高光谱的光谱分辨率优势和空间几何信息，旨在检测出高光谱图像中的异常目标信息，并获得它们亚像元级的空间分布信息。具体研究内容包括异常检测技术、光谱解混技术和异常目标的亚像元定位技术。论文共分四章。
第1章主要介绍了课题背景及研究意义，概述了高光谱遥感技术的发展及目标检测技术研究进展与亚像元定位技术等。
第2章首先对高光谱图像的特性进行了分析，研究了PCA、KPCA、ICA 三种特征提取技术；然后，针对异常检测的目的，研究了衡量二维图像数据中奇异性大小的局部奇异性算法；最后，在此基础上研究了四种异常检测算法。
第3章主要针对高光谱图像中混合像素普遍存在的情况，进行了两项亚像元级处理的关键技术研究。第一项关键技术是光谱解混技术，主要解决高光谱图像中混合像元中各混合地物的丰度系数的求解问题。本章主要研究了线性光谱混合模型及其在全约束条件下的最小二乘法解法。另一项是亚像元定位技术，主要是在解混分量图的基础上，利用空间相关性，获取混合地物中各端元成分的亚像元空间分布信息。为验证本章中算法的合理性和可行性，针对每一项关键技术，各利用普通模拟数据和包含异常目标的模拟数据进行了相关实验。实验结果表明，这些算法切实可行。
第4章在前面2章研究的基础上，对高光谱图像中的异常目标检测及亚像元定位方法进行了总体实现，并利用真实的高光谱图像数据进行了实验论证。
哈尔滨工业大学工学硕士学位论文
第2章 高光谱图像的异常目标检测算法研究
高光谱图像使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测，在目标检测方面体现了巨大的潜力和优势。由于待检测的目标在整幅高光谱图像中通常比较小，并且无法事先知道其光谱曲线等先验信息，所以需要用到异常检测的方法。本章首先对高光谱图像的特性进行分析和特征提取，然后在此基础上，研究了四种异常检测算法。
2.1 高光谱图像的特性分析
图2-1为一幅高光谱图像示意图。
图2-1 高光谱图像示意图
由图2-1可看出，通过高光谱传感器(即成像光谱仪)获得的高光谱图像是三维立体图像，在普通的二维图像基础上，又多了一维光谱信息。经国际遥感界共识，光谱分辨率在(λ110?λ是总的光谱范围)数量级范围内的称之为多光谱遥感(Multispectral)，这样的遥感器在可见光和近红外光谱区内只有几个波段，如MSS 、TM 、SPOT 和HRV 等传感器；光谱分辨率在数量级范围内的称之为高光谱(Hyperspectral)遥感λ210?[]39。高光谱图像精细的光谱分辨率能够反映地物光谱的细微特征。但同时，高光谱图像的数据量非常巨大，不便于进行异常目标的检测。为了有针对性的对高光谱图像进行处理，获得更好的效果，我们将分析高光谱图像的特性。高光谱图像最为突出的是图像的相关性，包括谱间相关
哈尔滨工业大学工学硕士学位论文
性和空间相关性。
2.1.1 谱间相关性分析
谱间相关性是指每个谱段光谱图像的同一空间位置像素具有相似性。产生这种相似性的原因主要有两点：(1)光谱图像的每个波段图像的像素值，是相同区域地物在各个波段的反射值，它们是具有相关性的，其相关性的强弱在很大程度上取决于光谱分辨率；(2)不同波段的图像所覆盖的地面目标相同，因此它们具有相同的空间拓扑结构。
式(2-1)中的可用来代表高光谱图像第i 个波段和第()r i 1i +个波段之间的相关性。其中M ，N 代表高光谱图像每个波段的总行数和总列数，代表第i 个波段的灰度平均值，代表第i 个波段中第x 行第y 列处像素的灰度值。
()u i (,)i Y x
y 111[(,)()][(,)(1)]
()()M N i i x y Y x y u i Y x y u i r i u i +==??+=∑∑ (2-1)
图2-2显示了一幅真实的高光谱图像中的第20波段和第120波段。其中数据来自美国圣地亚哥的海军军事基地，一共126个波段，本实验截取了其中一个100×100大小的区域。后文一律称为圣地亚哥军事高光谱图像/数据。
a) 第20波段 b) 第120波段
图2-2 真实高光谱图像 图2-3反映了该幅高光谱图像相邻波段之间的相关性大小。图2-3中，纵坐标的范围为0.99~1，也就是说，每两个相邻波段之间的相关性系数均接近于1。由此证明，高光谱图像具有较强的谱间相关性。
哈尔滨工业大学工学硕士学位论文
波段相关性
图2-3 高光谱图像相邻波段的相关性
2.1.2 空间相关性分析
空间相关性是指每个波段图像中某一像素与其相邻像素之间的相似性。 图像自相关函数定义为
(,)(,)(,)r m n f x y f x m y n dxdy =++∫∫ (2-2)
对公式(2-2)进行归一化和离散化处理后，有
11
211[(,)][(,)](,)[(,)]M N f f x y M N
f x y f x y u
f x m y n u R m n f x y u
====?++?=?∑∑∑∑ (2-3) 其中，M N ×为图像的大小，为图像灰度的平均值，即 f u 111(,)M N f x y u M N ===×∑∑f x y
(2-4)
将，时的自相关函数的取值，即相邻两个像素之间的相关函数的值称为子相关函数，记作1m =1n =(1,1)R ρ，(1,1)R ρ=。从自相关函数的定义，可以得出ρ是一个在0和1之间的数值。
对于高光谱图像数据而言，自相关函数代表的是单一波段光谱图像的空间相关性。我们选取图2-2所示高光谱图像的若干波段进行测试，测得自相关系数结果如图2-4。由图可知，高光谱图像的子相关函数基本都大于0.9，由此可以证明高光谱图像的相邻像素间具有较强的空间相关性。
第３７卷第７期一一一一一一一一一一一哈一尔一滨一工一程一大一学一学一报一一一一一一一 一一一Ｖｏｌ．３７?．７ ２０１６年７月一一一一一一一一一一ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ一一一一一一一一一一一Ｊｕｌ．２０１６基于Ｈａｕｓｄｏｒｆｆ度量的高光谱异常目标检测算法 赵春晖１，尤伟１，齐滨２，王玉磊１ （１．哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨１５０００１；２．哈尔滨工程大学水声工程学院，黑龙江哈尔滨１５０００１） 摘一要：高光谱遥感异常目标检测中，目标和背景光谱信息难以精确地界定，导致目标检测性能下降三针对经典ＲＸ检测算法存在虚警概率高二计算量大二过程繁琐等缺点，将Ｈａｕｓｄｏｒｆｆ度量引入高光谱异常检测，利用改进的Ｈａｕｓｄｏｒｆｆ距离（ＭＨＤ）从光谱匹配程度的角度，进行了高光谱异常目标检测，最大程度地将异常目标和背景分离三采用模拟数据和真实高光谱数据进行大量实验，检测性能大幅提升，算法的计算效率提高了６０％，证明了本文算法比ＲＸ算法二因果ＲＸ算法和ＫＲＸ算法检测效果好，效率高等优势，算法的低复杂度特性为硬件实现提供了良好的算法支持三 关键词：高光谱遥感；异常检测；ＲＸ算法；光谱匹配；Ｈａｕｓｄｏｒｆｆ度量ＤＯＩ：１０．１１９９０／ｊｈｅｕ．２０１５０６０８７ 网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１３９０．ｕ．２０１６０５２７．１４４６．０２８．ｈｔｍｌ 中图分类号：ＴＮ９１１．７３一文献标志码：Ａ一文章编号：１００６?７０４３（２０１６）０７?９７９?０８ＨｙｐｅｒｓｐｅｃｔｒａｌａｎｏｍａｌｙｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＨａｕｓｄｏｒｆｆｍｅａｓｕｒｅ ＺＨＡＯＣｈｕｎｈｕｉ１，ＹＯＵＷｅｉ１，ＱＩＢｉｎ２，ＷＡＮＧＹｕｌｅｉ１ （１．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＵｎ?ｄｅｒｗａｔｅｒＡｃｏｕｓｔｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎａｎｏｍａｌｙｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｉｎｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｒｙ，ｉｔｃａｎｂｅｄｉｆｆｉｃｕｌｔｔｏａｃｃｕｒａｔｅｌｙｄｉｓｔｉｎｇｕｉｓｈｂｅｔｗｅｅｎｔｈｅｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｔａｒｇｅｔｓａｎｄｂａｃｋｇｒｏｕｎｄ，ｗｈｉｃｈｌｅａｄｓｔｏａｄｅｃｌｉｎｅｉｎｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅ．ＴｈｅｒｅｓｕｌｔｓｏｆｔｈｅｃｌａｓｓｉｃＲＸｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｈａｖｅａｈｉｇｈｆａｌｓｅａｌａｒｍｐｒｏｂａｂｉｌｉｔｙ，ａｎｄｔｈｅｐｒｏｃｅｓｓｉｓｃｈａｒａｃｔｅｒｉｚｅｄｂｙａｌａｒｇｅａｍｏｕｎｔｏｆｃａｌｃｕｌａｔｉｏｎａｎｄｃｏｍｐｌｅｘｉｔｙ．Ｔｏａｄｄｒｅｓｓｔｈｅｓｅｉｓｓｕｅｓ，ｗｅｉｎｔｒｏｄｕｃｅｔｈｅＨａｕｓｄｏｒｆｆｍｅｔｒｉｃｔｏｈｙｐｅｒ?ｓｐｅｃｔｒａｌａｎｏｍａｌｙｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ，ｐｒｏｖｅｔｈｅｕｓｅｆｕｌｎｅｓｓｏｆｉｔｓａｐｐｌｉｃａｔｉｏｎ，ａｎｄｍａｋｅａｎｕｍｂｅｒｏｆｉｍｐｒｏｖｅｍｅｎｔｓｔｏｓｕｐｐｒｅｓｓｎｏｉｓｅｉｎｔｅｒｆｅｒｅｎｃｅ．Ｉｎｔｅｒｍｓｏｆｔｈｅｓｐｅｃｔｒａｌｍａｔｃｈｉｎｇ，ｗｅｓｅｐａｒａｔｅｔｈｅｔａｒｇｅｔｓａｎｄｂａｃｋｇｒｏｕｎｄｔｏａｇｒｅａｔｅｒｄｅｇｒｅｅｂａｓｅｄｏｎｔｈｅｉｍｐｒｏｖｅｄＨａｕｓｄｏｒｆｆｄｉｓｔａｎｃｅ．Ｅｘｐｅｒｉｍｅｎｔｓｗｅｒｅｐｅｒｆｏｒｍｅｄｕｓｉｎｇｂｏｔｈｓｙｎｔｈｅｔｉｃａｎｄｒｅａｌｈｙｐｅｒ?ｓｐｅｃｔｒａｌｄａｔａ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｉｍｐｒｏｖｅｄｄｅｔｅｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅａｎｄａｎｉｎｃｒｅａｓｅｉｎｃｏｍｐｕｔａｔｉｏｎａｌｅｆｆｉｃｉｅｎ?ｃｙｏｆｎｅａｒｌｙ６０％．Ｔｈｅｓｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｐｒｏｖｅｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｈａｓｌｏｗｅｒｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙａｎｄｂｅｔ?ｔｅｒｐｅｒｆｏｒｍａｎｃｅｔｈａｎｔｈｅｔｒａｄｉｔｉｏｎａｌＲＸａｌｇｏｒｉｔｈｍ，ｃａｓｕａｌＲＸａｌｇｏｒｉｔｈｍ，ａｎｄＫＲＸａｌｇｏｒｉｔｈｍａｎｄｃａｎｂｅｔｔｅｒｓｕｐｐｏｒｔｔｈｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｈａｒｄｗａｒｅ．Ｋｅｙｗｏｒｄｓ：ｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ；ａｎｏｍａｌｙｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ；ＲＸａｌｇｏｒｉｔｈｍ；ｓｐｅｃｔｒａｌｍａｔｃｈｉｎｇ；Ｈａｕｓｄｏｒｆｆｍｅｔｒｉｃ收稿日期：２０１５－０６－２６．网络出版日期：２０１６－０５－２７．基金项目：国家自然科学基金项目（６１５７１１４５，６１４０５０４１）；黑龙江省自然科学基金项目（ＺＤ２０１２１６）；哈尔滨市优秀学科带头人基金项目（ＲＣ２０１３ＸＫ００９００３）；中国博士后基金项目（２０１４Ｍ５５１２２１）；中央高校基础研究基金项目（ＨＥＵＣＦ１６０８）．作者简介：赵春晖（１９６５－），男，教授，博士生导师，博士． 通信作者：赵春晖，Ｅ?ｍａｉｌ：ｚｈａｏｃｈｕｎｈｕｉ＠ｈｒｂｅｕ．ｅｄｕ．ｃｎ．一一近年来，高光谱遥感在目标探测与识别等方面具有了广泛的应用三在目标检测中，不需要先验光 谱信息的异常目标检测技术具有较强的实用性，经 典的异常检测算法是源于多光谱遥感的ＲＸ算 法［１－２］，ＲＸ算法最早是由Ｒｅｅｄ和ＸｉａｏｌｉＹｕ于１９９０年提出的，是用于在高斯背景统计特性和空间白化的条件下目标光谱信息和背景光谱信息均未知的目标检测［３］三随后Ｃｈａｎｇ等在ＲＸ算法基础上对检测算子进行了改进［４］，２０１３年，Ａｃｉｔｏ等提出了一种 ＲＸ局部异常检测算子（Ｌ?ＲＸＤ），提高了检测性能，Ｒｉｌｅｙ等联合了欧氏距离构造了新检测器［２］，有效地抑制了噪声的干扰三由于ＲＸ算法具有较大的计算 量，导致了算法计算效率不高［５］三随后，Ｃｈａｎｇ等在ＲＸ算法的基础上进行了进一步改进［６－８］，提出了高光谱目标因果ＲＸ算子（ＣＲＲＸＤ）和实时检测ＲＸ算 法，利用迭代思想大大加快了计算速度，提高了算法
高光谱图像的光谱解混模型与算法研究 高光谱成像是将成像技术与光谱技术相结合的技术,是遥感应用中一个快速发展的领域。高光谱图像在军事目标辨别、远程控制、生物医学、食品安全以及环境监测等领域都有重要应用。 但由于高光谱成像光谱仪空间分辨率较低,使得每个高光谱像元可能由多种不同物质的光谱混合构成,因此混合像元广泛存在于高光谱图像中。混合像元导致科研实践中一些应用分类不准确,因此对混合像元进行分解是高光谱遥感应用亟待解决的核心问题。 本文中首先介绍了两种光谱混合模型:线性和非线性光谱混合模型。线性模型假设观察到的像元信号是所有的纯光谱信号的线性组合。 与之相反,非线性模型则考虑到多种物质反射光之间的物理相互影响。其次,本文对高光谱图像解混的几种经典模型进行介绍。 在这些模型中详细介绍了本文的对比模型全变分模型(SUnSAL-TV),该模型利用高光谱图像空间关系构建了对端元丰度的正则项,这使高光谱图像解混问题在数值结果和视觉效果上都有较大提升。但全变分模型的缺点是解混后丰度图中原平滑区域中伴有阶梯效应现象,视觉效果欠佳。 本文采用重叠组稀疏全变分作为端元丰度正则项,并采用交替方向乘子法对模型进行求解,将原问题转化为一系列较易求解的子问题,进而得到原问题的全局解。在应用交替方向乘子法进行求解过程中,关于梯度域重叠组稀疏的子问题采用采用优化最小化方法进行求解。 通过合成数据和真实数据的实验证明,采用本文提出的新方法处理后图像视觉效果和数值效果相比SUnSAL-TV方法有明显提升,并且可以有效减弱
SUnSAL-TV模型的阶梯效应,使处理后丰度图更加平滑,视觉效果更佳。
硕士学位论文 高光谱图像的异常 目标检测及亚像元定位研究 RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL IMAGERY 朱凤阳 哈尔滨工业大学 2009年6月
国内图书分类号：TN911.73 学校代码：10213 国际图书分类号：621.3 密级：公开 硕士学位论文 高光谱图像的异常 目标检测及亚像元定位研究 硕士研究生：朱凤阳 导 师：张钧萍教授 申请学位：工学硕士 学科：信息与通信工程 所在单位：电子与信息工程学院 答辩日期：2009年6月 授予学位单位：哈尔滨工业大学
Classified Index: TN911.73 U.D.C.: 621.3 Dissertation for the Master Degree in Engineering RESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRAL IMAGERY Candidate:Zhu Fengyang Supervisor:Prof. Zhang Junping Academic Degree Applied for:Master of Engineering Specialty:Information and Communication Engineering Affiliation: School of Electronics and Information Engineering Date of Defence: June, 2009 Degree-Conferring-Institution:Harbin Institute of Technology
高光谱图像分辨率增强及在小目标检测中的应用研究 高光谱遥感是在测谱学基础上逐渐发展起来的新型遥感技术,除了空间图像信息外,其所具有的精细光谱信息,克服了宽波段遥感探测的局限,被广泛应用于多种领域,成为对地观测最重要的信息源之一。但由于成像原理与制造技术等因素的限制,高光谱图像的空间分辨率相对较低,给进一步应用,如特定目标的检测识别带来一系列的问题。 为此,论文分别从信息融合和混合像素分解角度研究了高光谱图像的分辨率增强方法,旨在提高基于图谱结合的高光谱图像目标检测的性能。论文首先对遥感成像中涉及到的电磁波理论进行简单的介绍,分析了遥感图像的空间分辨率与光谱分辨率间的关系,即随着光谱分辨率的增加,在CCD等性能参数不变下,遥感图像的空间分辨率下降的原理。 并在介绍了高光谱图像特性的基础上,对PCA、MNF及LDA变换的降维算法的原理进行了分析,研究其各种算法的特点及应用范围。降维算法是重要的高光谱图像预处理技术,这一部分的工作为后文的开展打下一个基础。 然后对常用的高光谱图像目标检测算法进行了介绍。通过对支持向量数据描述的研究,分析并验证了其单类分类的性能及其适用范围;针对传统纯像素目标检测算法大部分无法解决目标与背景样本数量不平衡的问题,论文提出了基于SVDD的高光谱图像目标检测算法,把目标检测问题转化为单类分类问题。 实验结果表明,与经典的光谱角度制图和有约束能量最小化算法相比,该算法仅需要较少的目标类训练样本就可以得到与前两者相近的检测结果,当增加背景样本时,本文方法可以将目标更容易的从背景中分离出来,为利用空间信息进一步检测提高了便利,使最终的检测结果优于上述两种算法。针对空间分辨率的
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910166323.0 (22)申请日 2019.03.06 (71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路2号 (72)发明人 谢卫莹 刘保珠 李云松 雷杰 阳健 (74)专利代理机构 陕西电子工业专利中心 61205 代理人 王品华 黎汉华 (51)Int.Cl. G06T 7/00(2017.01) G06T 9/00(2006.01) (54)发明名称基于对抗自编码网络的高光谱异常检测方法(57)摘要本发明公开了一种基于对抗自编码网络的高光谱图像异常检测方法，主要解决现有技术中计算复杂及检测精确度不高的问题。其实现方案是：1)利用像素更新方法制作高光谱图像训练数据集；2)将训练数据集输入生成对抗网络训练，提取训练数据集的光谱特征；3)利用波段融合和属性滤波方法处理光谱特征，得到训练数据集的空间特征；4)利用空间特征增强原始高光谱图像中的异常目标；5)利用RX检测器公式计算增强异常目标之后的高光谱图像光谱向量的异常值；6)根据异常值得到检测结果。本发明能获取高光谱图像中更丰富的潜在信息，增加图像中异常目标和复杂背景的差距，具有计算简单、检测精度高的优点，可用于对高光谱图像中异常目标的检 测。权利要求书3页 说明书6页 附图3页CN 109949278 A 2019.06.28 C N 109949278 A
1.一种基于对抗自编码网络的高光谱图像异常检测方法，其特征在于，包括： (1)利用像素更新方法，更新原始高光谱图像中每一个像素点的光谱向量，将更新后所有像素点的光谱向量按照原有的顺序构成新的高光谱图像，得到像素更新后的高光谱图像训练数据集； (2)提取高光谱图像训练数据集的光谱特征： (2a)将生成的高光谱图像训练数据集输入到对抗自编码网络中，训练迭代300次，得到训练好的网络； (2b)从训练好的网络中提取对抗自编码网络中编码器的输出，该输出即为高光谱图像训练数据集的光谱特征； (3)根据提取到的光谱特征得到高光谱图像训练数据集的空间特征： (3a)利用波段融合方法对光谱特征进行融合， 得到一张融合后的图像： 其中，Y表示融合后图像，H i 表示光谱特征第i个波段的值，n表示光谱特征的波段总数；(3b)对融合后的图像Y进行属性滤波，得到闭操作的属性概图E、原操作的属性概图A和开操作的属性概图O； (3c)按照(3b)的结果，得到高光谱图像训练数据集的空间特征S： S＝|O -A|+|C -A|； (4)利用空间特征S增强原始高光谱图像的异常目标： (4a)将三维M o ×N o ×B o 的原始高光谱图像K转换为二维L o ×B o 的矩阵，其中，M o 表示原始高光谱图像的总行数，N o 表示原始高光谱图像的总列数，B o 表示原始高光谱图像中光谱波段的总数，L o 表示原始高光谱图像中每一个波段的像素总数； (4b)将二维M s ×N s 空间特征S转化为L s ×1的矩阵，其中，M s 表示空间特征的总行数，N s 表示空间特征的总列数，L s 表示空间特征的像素总数； (4c)利用下述公式，得到异常目标增强之后的高光谱图像的光谱向量； L i ＝(1-exp(-λS i ))K i 其中，L i 表示异常目标增强之后的高光谱图像的第i个像素对应的光谱向量，λ表示空间特征权值，0＜λ≤1，S i 表示空间特征S中第i个像素对应的数值，K i 表示原始高光谱图像K中第i个像素对应的光谱向量； (5)计算异常目标增强后的高光谱图像的异常值： (5a)将上述求解的异常目标增强之后的高光谱图像的所有光谱向量L i 转换为二维L e ×B e 的矩阵，其中L e 是异常目标增强之后的高光谱图像的像素总数，B e 是光谱向量的波段总数； (5b)求解二维矩阵中每一个像素对应的波段的均值，将均值保存为一个均值矩阵I；(5c)用二维矩阵L e ×B e 减去均值矩阵I，得到去均值矩阵Q； (5d)根据去均值矩阵Q，利用RX检测器公式，计算异常增强后的高光谱图像中第n个光谱向量的异常值F n ，其中n表示光谱向量的序号，n的取值范围为1,2,3,…,B e ； (6)根据异常增强后的高光谱图像中每个光谱向量的异常值F n ，得到异常检测的结果图。 权 利 要 求 书1/3页2CN 109949278 A
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
1、地面光谱测量的作用： ①地面光谱辐射计在成像光谱仪过顶时，常用于地面野外或实验室同步观测，获取下 行太阳辐射，以用于遥感器定标。 ②在一些反射率转换模型中，需要引入地面光谱辐射计测取得地面点光谱来完成 DN 值图像到反射率图像的转换。 ③地面光谱辐射计可以为图像识别获取目标光谱和建立特征项。但是，这时地面光谱 测量要在空间尺度上与图像像元尺度相对应，且要具有代表性；另外，地面光谱测 量要与高光谱图像获取条件相一致。 ④通过地面光谱辐射计测量数据和地面模拟，可以帮助人们了解某一地物被高光谱遥 感探测的可能性，理解其辐射特性，确定需要采用的探测波长、光谱分辨率、探测 空间分辨率、信噪比、最佳遥感探测时间等重要参数。 ⑤地面光谱辐射计还可以勇于地面地质填图。它可以用于矿物的光谱吸收特征，识别 地面矿物或矿物的集合，从而直接完成野外矿物填图。 ⑥可以用来建立地物的表面方向性光谱反射特性。 ⑦建立目标地面光谱数据与目标特性间的定量关系。 2、高光谱成像特点： ①高光谱分辨率。高光谱成像光谱仪能获得整个可见光、近红外、短波红外、热红外 波段的多而窄的连续光谱，波段多至几十甚至数百个，其分辨率可以达到纳米级， 由于分辨率高，数十、数百个光谱图像可以获得影像中每个像元的精细光谱。 ②图谱合一。高光谱遥感获取的地表图像包含了地物丰富的空间、辐射和光谱三重信 息，这些信息表现了地物空间分布的影像特征，同时也可能以其中某一像元或像元 组为目标获得他们的辐射强度以及光谱特征。 ③光谱波段多，在某一光谱段范围内连续成像。成像光谱仪连续测量相邻地物的光谱 信号，可以转化城光谱反射曲线，真实地记录了入射光被物体所反射回来的能量百 分比随波长的变化规律。不同物质间这种千差万别的光谱特征和形态也正是利用高 光谱遥感技术实现地物精细探测的应用基础。 3、高光谱遥感图像数据表达： ①图像立方体——成像光谱信息集。 ②二维光谱信息表达——光谱曲线。 ③三维光谱信息表达——光谱曲线图。（书本44页） 4、成像光谱仪的空间成像方式： （1）摆扫型成像光谱仪。摆扫型成像光谱仪由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器完成每个瞬时视场像元的光谱维获取。扫描镜对地左右平行扫描成像，即扫描的运动方向与遥感平台运动方向垂直。其优点：可以得到很大的总视场，像元配准好，不同波段任何时候都凝视同一像元；在每个光谱波段只有一个探测元件需要定标，增强了数据的稳定性；由于是进入物镜后再分光，一台仪器的光谱波段范围可以做的很宽，比如可见光一直到热红外波段。其不足之处是：由于采用光机扫描，每个像元的凝视时间相对就很短，要进一步提高光谱和空间分辨率以及信噪比比较困难。 （2）推扫型成像光谱仪。是采用一个垂直于运动方向的面阵探测器，在飞行平台向前运动中完成二维空间扫描，它的空间扫描方向是遥感平台运动方向。其优点是：像元的凝视
基于协峭度张量的高光谱图像异常检测 孟令博 耿修瑞* (中国科学院空间信息处理与应用系统技术重点实验室 北京 100190) (中国科学院电子学研究所 北京 100190) (中国科学院大学 北京 100049) 摘 要：高光谱图像中的异常像元往往具有在图像中出现的概率低和游离于背景数据云团之外的特点，如何“自动”确定这些异常像元是高光谱遥感图像处理中的一个重要研究方向。经典的高光谱异常检测方法一般从图像的统计特性入手，广泛应用的RXD 异常检测算法通过计算图像的2阶统计特征，可以直接给出异常点的分布情况，算法复杂度低，但缺点是没有考虑到图像的高阶统计信息。基于独立成分分析的异常检测算法虽然考虑了高阶统计量对异常点的敏感性，但需要反复迭代提取异常成分后，再对提取后的成分进行异常检测。该文提出一种基于协峭度张量的异常检测算法，该算法不需要事先提取异常成分，可以直接对观测像元进行逐一检测，从而给出异常点的分布情况。基于模拟数据和真实数据的实验结果表明，该方法能够在检测出异常像元的同时更好地压制背景信息、减小虚警率，从而提高异常检测精度。 关键词：高光谱图像；异常检测；高阶统计；协峭度张量 中图分类号：TP75 文献标识码：A 文章编号：1009-5896(2019)01-0150-06 DOI : 10.11999/JEIT180280A Hyperspectral Imagery Anomaly Detection Algorithm Based on Cokurtosis Tensor MENG Lingbo GENG Xiurui (Key Laboratory of Technology in Geo-spatial Information Processing and Application System , Beijing 100190, China ) (Institute of Electronics , Chinese Academy of Sciences , Beijing 100190, China ) (University of Chinese Academy of Sciences , Beijing 100049, China ) Abstract : The abnormal pixels in hyperspectral images are often have the characteristics of low probability and scattered outside the background data cloud. How to automatically detect these abnormal pixels is an important research direction in hyperspectral imagery processing. Classical hyperspectral anomaly detection methods are usually based on statistical perspective. The RXD algorithm which is widely used can give the anomalies distribution directly through the second order statistical feature of the image, but the disadvantage is that it does not take into account the higher order statistics of the image. Anomaly detection algorithm based on Independent Component Analysis (ICA) considers the sensitivity of higher order statistics to outliers, but it needs iteration process to extract abnormal components first. And then the extracted components is used for anomaly detection. A method based on cokurtosis tensor for anomaly detection is proposed. This method does not need to extract anomaly components first. It can directly detect the observed pixels and give the distribution of abnormal pixels. Experiments results on both simulated and real data show that it can detect abnormal pixels while suppressing the background information better. Therefore, it can reduce false alarm rate and improve detection accuracy. Key words : Hyperspectral imagery; Anomaly detection; Higher-order statistical; Cokurtosis tensor 1 引言 光谱分辨率的提高是遥感对地观测技术的一个重要发展趋势，高光谱遥感将成像技术和光谱技术结合在一起，实现了图像和光谱的融合。近年来，高光谱遥感技术获得了越来越广泛的关注和研究[1–3]。它被广泛地应用于诸如土地资源使用管理、气候环境监测、广域监视等方面[4]。 收稿日期：2018-03-26；改回日期：2018-10-18；网络出版：2018-10-24 *通信作者： 耿修瑞 xrgeng@https://www.doczj.com/doc/4e2694393.html, 第41卷第1期 电 子 与 信 息 学 报Vol. 41No. 12019年1月Journal of Electronics & Information Technology Jan. 2019 万方数据
光谱图像与高光谱图像的区别介绍 光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像（Hyperspectral Image）。遥感技术经过20世纪后半叶的发展，无论在理论上、技术上和应用上均发生了重大的变化。其中，高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。与多光谱遥感影像相比，高光谱影像不仅在信息丰富程度方面有了极大的提高，在处理技术上，对该类光谱数据进行更为合理、有效的分析处理提供了可能。因而，高光谱图像技术所具有的影响及发展潜力，是以往技术的各个发展阶段所不可比拟的，不仅引起了遥感界的关注，同时也引起了其它领域（如医学、农学等）的极大兴趣。 高光谱图像：是指一系列包含一些列可见/近红外光谱，一般有400-1000 nm，已经包含了可见光（400-780 nm）和近红外（780-1000nm）。 多光谱图像简介多光谱图像是指包含很多带的图像，有时只有3个带（彩色图像就是一个例子）但有时要多得多，甚至上百个。每个带是一幅灰度图像，它表示根据用来产生该带的传感器的敏感度得到的场景亮度。在这样一幅图像中，每个像素都与一个由像素在不同带的数值串，即一个矢量相关。这个数串就被称为像素的光谱标记。 1．用不相关或独立的其他带替换当前带；这个问题特别与遥感应用有关，但在一般的图像处理中，如果要从多光谱图像生成一幅单带灰度图像也与此有关。 2．使用一个像素的光谱标记来识别该像素所表示的目标种类。这是一个模式识别问题，它取决于下列图像处理问题的解：消除一个像素的光谱标记对图像采集所用光谱的依赖性。这是一个光谱恒常性问题。 3．处理多光谱图像的特定子集，它包括在电磁谱里仅光学部分的3个带，它需要以或者替换或者模仿人类感知颜色的形式来进行处理。 4．在特定应用中使用多光谱图像，并对它们进行常规的操作。这里的一个问题是，现在
基于核方法的高光谱图像目标检测技术研究 ----文献选读综述报告 1前言 20 世纪80 年代遥感领域最重要的发展之一就是高光谱遥感的兴起。从20 世纪90 年代开始，高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。高光谱遥感图像目标检测在民用和军事上都具有重要的理论价值和应用前景，是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。 2 研究目的及意义 高光谱遥感图像是在电磁波谱的紫外、可见光、近红外和中红外区域，利用成像光谱仪获取的许多非常窄且光谱连续的图像数据（如图1.1所示）。成像光谱仪为每个像元提供数十至数百个窄波段（通常波段宽度小于10 nm）的光谱信息，能产生一条完整而连续的光谱曲线。 图1.1 成像光谱仪探测地物目标示意图[1] 高光谱遥感技术主要利用各种地物（例如某种土壤、岩石和作物）对不同的光谱波长具有各不相同的吸收率和反射率的原理，根据每种物质所拥有的独特光
谱反射曲线来进行检测和分类。 利用高光谱遥感技术，能够很好地提取目标的辐射特性参量，使地表目标的定量分析与提取成为可能。然而，高光谱遥感成像机理复杂、影像数据量大，这导致影像的大气纠正、几何纠正、光谱定标、反射率转换等预处理困难。由于成像光谱仪获取的地物光谱特征曲线近乎连续，波段间相关性很高，数据冗余信息很多。在使用传统目标检测方法对高光谱影像中感兴趣目标进行检测时，波段多且相关性高，会导致训练样本相对不足，致使分类模型参数的估计不可靠，检测分类存在维数灾难现象。 因此，高光谱影像给地物分类识别带来了巨大机遇，同时给传统的目标检测方法也带来了挑战。为了充分发挥高光谱遥感技术的优势，必须在影像检测分类基本算法的基础之上，结合高光谱影像分类的特点，研究新的适用于高光谱影像的理论、模型和算法〕。在国内外，许多研究机构在理论和应用上进行了探索，取得了不少成果。 自从上世纪90年代中期核方法在支持向量机分类中得到成功应用以后，人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况，在理论和应用中都有许多成果，引起了继经典统计线性分析、神经网络与决策树非线性分析后第三次模式分析方法的变革，成为机器学习、应用统计、模式识别、数据挖掘等许多学科的研究热点，在人脸识别、语音识别、字符识别、机器故障分类等领域得到成功应用[2]。 基于核方法的非线性特征提取与分类，为高光谱影像分析提供了一条新的途径。 3 核方法理论发展概况 3.1 核理论基础 核的理论比较古老，Mercer定理可追溯到1909年，早在20世纪40年代，A.N.Kolmogorov和N.Aronszajn就已经开展了有关再生核理论的研究。该理论最早被引入机器学习领域是在1964年，M.Aizermann、E.Bravermann和L.Rozoener在势函数方法中应用Mercer定理把核解释为特征空间中的内积。1975年Poggiio首次用到了多项式核函数，然而一直到20世纪90年代中期，B.Boser、I.Guyon和V.N.Vapnik提出支持向量机（SVM）算法后，该理论的实际价值才开始被人们所广泛认识。并且在经过 B.Scholkopf等人后续的工作以后，逐渐形成了如下的“核技巧”：任何一个只依赖于内积的算法都可以被“核化”[3]。 近年来核方法和基于核函数的算法在许多领域都获得了重要的应用。这些应用主要包括图象和计算机视觉(人脸识别、手写体识别等)，文本分类，生物信息
基于高光谱的遥感图像的光谱角度分类方法的研究 中地数码集团有限公司刘天乐高伟陈启浩 摘要高光谱遥感技术是指在特定光谱域以高光谱分辨率同时获得连续的地物光谱图像，使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物物理化学过程与参数。在特定的光谱特征下产生了特定的光谱库和特定的高光谱分类方法——光谱角度匹配方法。其具体过程是将光谱数据视为多维空间的矢量,利用解析方法计算像元光谱与参照光谱之间矢量的夹角,根据夹角的大小来确定光谱间的相似程度,以达到识别地物的目的。 关键字高光谱遥感光谱角度分类 一、引言 高光谱遥感技术的高速发展使得高光谱遥感在资源、环境、城市发展和生态平衡等各个方面有了广大的应用和快速的发展。在这其中，一个很大的应用就是利用高光谱遥感图像信息对地物进行精准的分类，如光谱角度匹配，交叉相关光谱匹配，光谱吸收特征匹配，二值编码匹配等。在这些分类中，光谱角度匹配分类是应用最广泛且最精确的分类方法之一。这种匹配可以不受增益因素影响，因为在计算两个向量之间的角度时，角度不受向量本身长度的影响。所以这种分类方法可以减弱地形对照度的影响，在地质矿物成图中的应用很有潜力。 二、高光谱遥感 高光谱遥感技术是指在特定光谱域以高光谱分辨率同时获得连续的地物光谱图像，使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物物理化学过程与参数。由此看出高光谱传感器不同于只有几个波段数据的一般传感器，它在很窄的一段波长范围内可以探测到同一个地物点的多个反射值，既它的 光谱分辨率很大。因此，在相同的波长范围 中高光谱数据比一般传感器数据要多而精确，
这样使得地物的分类变得更加准确和有效。 高光谱遥感不同于传统遥感的新特点： 1．波段多：可以为每个像元提供几十、数百甚至上千个波段； 2．光谱范围窄：波段范围一般小于10nm ；3．波段连续：有些传感器可以在350~2500nm 的太阳光内提供几乎连续的地物光谱； 4．数据量大：随着波段数年的增加，数据量成指数增加； 当然，由于相邻波段高度相关，冗余信息 也相对增加。 （图１不同传感器测量的高岭石的信号光谱）
1 分析图像噪音的类型，针对不同类型的噪音采用不同的清除方法: 1)对条带噪音采用闽值法判别出，然后利用相邻行亮度的平均值来代替; 2)利用最近像元值代替该像元或中值滤波方法来消除图像的随机点状噪音; 3)利用MNF变换可以确定图像数据的固有维数，分离图像数据中的噪音，并可减少后续处理的计算量。 2 最小噪声分离变换（MNF变换） 1)定义：最小噪声分离变换（Minimum Noise Fraction Rotation，MNF Rotation）工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。 2)本质：MNF本质上是两次层叠的主成分变换。 第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。 第二次是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查最终特征值和相关图像来判定数据的内在维数。 3)性质：一是对图像的任何波段做比例扩展，变换结果不变； 二是变换使图像矢量、信息分离和加性噪声分量互相垂直。乘性噪声可以通过对数变换转换为加性噪声。变换后可针对各分量图像进行去噪、或者舍弃噪声占优势的分量。 3 SAM 1)概念：光谱角填图分类（SAM）是一种基于相关/匹配滤波器的分类方法，充分利用了光谱维的信息，强调了光谱的形状特征，大大减少了特征信息，是目前高光谱图像分类中较常用的方法。 2)SAM分类过程 1）参考光谱库的建立:一般的应用中，以图像中已知类型的区域为参考光谱，将区域中光谱的几何平均向量作为类中心。在实际的参考光谱库建立时，选择已知类型的区域作为参考光谱，然后获取该区域的平均光谱曲线，建立参考光谱库。 2）SAM分类:参考光谱库建立之后，就可根据公式计算未知像元与各类中心的夹角，然后将给未知像元分类到夹角最小的类别中去SAM分类。 3）为有效降低原始图像波段间的相关性，将原始图像进行主成分变换和MNF变换后，然后转换到原来的空间，再利用SAM方法采用与上面实验同样的阐值进行分类。 4 PPI：像元纯净指数:是用于从影像中提取出纯净的像元，用于进行分类或是波谱匹配。 5 Speetral Analyst 分析方法成功应用的关键: 1）选择合适的分析波长范围。许多地物在某些波段的光谱特征可能相同，但其它的波段特征就会有所不同，因此合理的选择光谱匹配的波段是得到精确结果的基础。 2）选择合适的分析方法，分析时要尽量选用能使分析的分值最高，而且其分值与第二分值差值较大的方法。 3）所要识别的像元最好是较纯像元，该方法对那些混合像元的分析可能会产生几个分值比较相近的结果，这样就无法将该像元正确地分到对应的类别中。 6 高光谱遥感的定义，特点，突出特点，与遥感的主要区别，成像技术的关键 1）定义:高光谱遥感是高光谱分辨率遥感是指利用遥感仪器在特定光谱域以高光谱分辨率(光谱分辨率在10nm以下)获取连续的地物光谱图像的遥感技术。 2)特点: ①光谱分辨率高(λ×10-2)；②波段多?数十到数百；③谱?像合一的特点④信息量大，一次数据获取达千兆(GB)级数据速率高，数十?数百兆比特/秒 3)突出特点：（1）高光谱分辨率（2）图谱合一（3）光谱通道多，在某一光谱段范围内连续成像 4)成像技术的关键：
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统
高光谱在遥感技术的应用 高光谱遥感技术（Hyperspectral Remote Sensing）的兴起是20世纪80年代遥感技术发展的主要成就之一.作为当前遥感的前沿技术，高光谱遥感在光谱分辨率上具有巨大的优势。，随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛。本文主要阐述高光谱遥感的特点和主要应用。 1 高光谱遥感 孙钊在《高光谱遥感的应用》中提到，高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。 [1]高光谱遥感具有较高的光谱分辨率，通常达到10～2λ数量级。[2] 1.1 高光谱遥感特点 综合多篇关于高光谱的期刊文章，总结高光谱具有如下特点： （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。[3]与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。[4] （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。[5]成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm 左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。 （4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2 高光谱遥感的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势: