高光谱图像的异常目标检测及亚像元定位研究

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 HYPERSPECTRALIMAGERY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: TN911.73U.D.C.: 621.3Dissertation for the Master Degree in EngineeringRESEARCH ON ANOMALY TARGET DETECTION AND SUBPIXEL MAPPING IN HYPERSPECTRALIMAGERYCandidate:Zhu FengyangSupervisor:Prof. Zhang JunpingAcademic Degree Applied for:Master of EngineeringSpecialty:Information and CommunicationEngineeringAffiliation: School of Electronics andInformation EngineeringDate of Defence: June, 2009Degree-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。

高光谱图像异常检测
刚做的一个题目，免费分享给同道们
对一个待检测像元，首先利用主成分分析提取高光谱数据的主特征，建立目标主成分空间，在主成分空间内构造基于K-SVD 算法的训练字典;采用正交匹配算法OMP重构主成分分量，利用主成分分析逆变换得到待检测像元重构光谱，增强了高光谱图像的局部异常特性;最后，基于重构误差异常特性实现高光谱图像异常检测。

并根据目标光谱重构误差的局部异常特性进行阈值分割；最后，遍历整个图像即可得到异常检测结果。

图像数据
sub_anomaly_image.mat和gt_100_100.mat分别是两张图片的高光谱图
程序+图像数据文件下载链接
https:///s/1kBfb6uj16RGfhjAw2ZC0Rg 提取码：92xy
完整代码：（要对所有高光谱图做分析，写个循环遍历即可）。

高光谱遥感图像目标检测与分类技术研究遥感技术的发展已经成为目前科技领域的重要研究方向，而高光谱遥感技术则是其中具有广泛应用前景和较为成熟的技术之一。

高光谱遥感图像能够获取目标的高维特征信息，从而提高了目标识别和分类的精度。

本文将从高光谱遥感图像的获取、处理，以及目标检测和分类等方面，阐述高光谱遥感图像目标检测与分类技术的研究现状和未来发展。

一、高光谱遥感图像的获取高光谱遥感图像是在多个空间波段和多个光谱带宽下采集的遥感图像。

与普通的遥感图像相比，高光谱遥感图像包含了更丰富的光学特征信息，因此能够更准确地反映观测场景的物质成分和空间结构。

高光谱遥感图像的获取主要有两个途径，一是通过卫星对地面进行观测，二是通过载机进行近距离观测。

卫星遥感图像能够覆盖广阔的地域范围，但分辨率相对低；而载机遥感图像则分辨率更高，但受限于载机航空高度和观测时间等因素。

二、高光谱遥感图像的处理高光谱遥感图像的处理是高光谱遥感技术的一个关键环节。

由于光谱信息的维数很高，提取有效特征信息需要对图像进行高效的处理和分析。

高光谱遥感图像处理的方法主要包括谱带选择、特征提取、无监督分类、监督分类等。

谱带选择是对原始光谱数据进行降维的一种方法，通过选择具有代表性、区分度高的波段对数据进行处理。

特征提取是将光谱数据转化为对目标识别和分类有用的“形状”、“颜色”、“纹理”等信息，从而简化数据。

无监督分类是将高光谱图像中的像素按照它们的相似程度或者像素灰度，进行分类分组。

监督分类则是根据事先定义的训练数据进行分类，是一种更加准确的分类方法。

三、高光谱遥感图像的目标检测与分类高光谱遥感图像的目标检测与分类是对图像中的特定目标进行识别和分类的过程。

高光谱遥感图像中的目标可以是地表物体、植被等等。

在目标检测与分类过程中，我们主要需要解决两个问题，一是目标的提取问题，二是目标的分类问题。

目标的提取问题主要是将高光谱遥感图像中的目标从数据中提取出来。

第44卷第6期航天返回与遥感2023年12月SPACECRAFT RECOVERY & REMOTE SENSING45面向高光谱图像的目标检测研究高大化贺昱董宇波*刘丹华李浩勇石光明（西安电子科技大学，西安710071）摘要现有的高光谱目标检测方法是通过逐像素分类而实现，导致了检测速度缓慢。

物体级目标检测的发展为高光谱图像实时目标检测带来了希望。

为了实现实时高光谱图像目标检测，文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。

首先，该算法提出了用多尺度光谱注意力网络（Res2NetSE）来提取空谱特征，能够提升多尺度目标检测效果并能更有效地提取关键波段信息；其次，该算法提出了一个空间增强的特征金字塔模块（Spatial Enhanced FPN，SFPN）用于特征融合，提升了神经网络的感受野和多尺度性能；最后，该算法设计了FIOU（Fantastic IoU）损失函数，提升了预测框定位精度。

实验结果表明，所提出的算法能够有效提取空间域和光谱域信息特征，分别在平均准确率上提升了14.19%、8.01%和5.38%，与现有方法相比表现出更出色的性能。

文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案，有望推动高光谱图像分析领域的进一步发展。

关键词光谱注意力特征金字塔高光谱目标检测物体级目标检测高光谱图像处理中图分类号: TP753文献标志码: A 文章编号: 1009-8518(2023)06-0045-12DOI: 10.3969/j.issn.1009-8518.2023.06.005Object Detection for Hyperspectral ImagesGAO Dahua HE Yu DONG Yubo*LIU Danhua LI Haoyong SHI Guangming（Xidian University, Xiʹan 710071, China）Abstract Existing hyperspectral image (HSI) target detection methods rely on pixel-wise classification, resulting in slow detection speed. The development of object detection offers hope for real-time HSI target detection. To achieve real-time HSI target detection, this paper proposes a Convolutional Neural Network (CNN) algorithm based on YOLO. Firstly, the algorithm introduces a multi-scale spectral attention network (Res2NetSE) to extract spectral features, thereby improving multi-scale target detection and effectively capturing critical spectral information. Secondly, the algorithm presents a Spatial Enhanced Feature Pyramid Module (SFPN) for feature fusion, further enhancing the neural network's receptive field and multi-scale performance.Finally, the algorithm designs a Fantastic IoU (FIOU) loss function to enhance the precision of predicted bounding boxes. Experimental results demonstrate that the proposed algorithm can effectively extract spatial and spectral features, achieving performance improvements of 14.19%, 8.01%, and 5.38% in terms of mean average precision (mAP) when compared to existing methods. The proposed algorithm offers an effective solution for real-time object detection in HSIs, with the potential to advance the analysis of HSI further.收稿日期：2023-06-30基金项目：国家重点研发计划项目（2019YFA0706604）；国家自然科学基金（61976169，62293483，62205260）引用格式：高大化, 贺昱, 董宇波, 等. 面向高光谱图像的目标检测研究[J]. 航天返回与遥感, 2023, 44(6): 45-56.GAO Dahua, HE Yu, DONG Yubo, et al. Object Detection for Hyperspectral Images[J]. Spacecraft Recovery &Remote Sensing, 2023, 44(6): 45-56. (in Chinese)46航天返回与遥感2023年第44卷Keywords spectral attention; feature pyramid networks; HSI target detection; object detection; HSI processing0 引言高光谱成像技术是利用成像光谱仪，在光谱覆盖范围内的数十或数百条光谱波段对目标物体连续成像。

电光与控制Electronics Optics&Control Vol.28No.5 May2021第28卷第5期2021年5月引用格式:成宝芝，赵春晖,张丽丽•高光谱图像异常目标检测算法研究进展[J].电光与控制,2021,28(5)：56-59,65.CHENG B Z,ZHAO C H,ZHANG L L.Research advances of anomaly target detection algorithms for hyperspectral imagery[J].Electronics Optics&Control,2021,28(5)：56-59,65.高光谱图像异常目标检测算法研究进展成宝芝I,赵春晖2,张丽丽I(1.大庆师范学院机电工程学院，黑龙江大庆163712；2.哈尔滨工程大学信息与通信工程学院,哈尔滨150001)摘要：高光谱图像在国防军事和民用领域都有大量的应用，特别是异常目标检测不需要任何先验信息,使其成为高光谱图像处理和信息提取的关键技术和研究热点之一。

通过系统的梳理、分析和研究，对现有的异常目标检测算法进行了深入的归纳和总结，并对高光谱图像异常目标检测涉及到的关键问题、未来的技术发展方向(如稀疏表示、张量分解和深度学习等)以及算法存在的问题进行了分析评价，提出了一些具有创新性的观点并预测了未来的研究趋势。

关键词：高光谱图像；异常目标检测；稀疏表示；张量分解中图分类号：TP751文献标志码：A doi:10.3969/j.issn.1671-637X.2021.05.013Research Advances of Anomaly Target DetectionAlgorithms for Hyperspectral ImageryCHENG Baozhi1,ZHAO Chunhui2,ZHANG Lili1(1.College of Mechanical and Electrical Engineering,Daqing Normal University,Daqing163712,China；2.College of Information and Communications,Harbin Engineering University,Harbin150001,China)Abstract:Hyperspectral imagery has a lot of applications in the national defense and civil fields・Especially, the anomaly target detection does not need any prior information and thus has become one of the key technologies and research hotspots in hyperspectral image processing and infonnation extraction.Through systematic research and analysis,this paper summarizes the existing anomaly target detection algorithms in detail,analyzes and evaluates the key problems involved in anomaly target detection,gives the future development direction of the technology,such as sparse representation,tensor decomposition,and deep learning etc.,and presents the existing problems of the algorithms.Some innovative ideas and future research trends are also proposed・Key words:hyperspectral imagery；anomaly target detection；sparse representation；tensor decomposition0引言高光谱图像(Hyperspectral Imagery,HSI)是利用成像技术和光谱技术结合形成的“图谱合一”的三维图像,包括二维空间信息和一维光谱信息,含有几十至上百个分辨率连续的、窄波段图像数据，这些图像数据记录了地物电磁波信号或能量，借此构建数理模型可描述地物特征⑴。

高光谱遥感图像亚像元定位技术研究作者：许楠来源：《中国新通信》 2018年第22期一、引言尽管高光谱遥感图像光谱分辨率很高，但其空间分辨率相对较低，导致图像中存在大量混合像元，严重影响了遥感影像的应用水平，已成为遥感应用定量化的主要障碍。

亚像元定位技术则可以获取混合像元内部更加细致的空间结构信息，提供具有更高空间分辨率的遥感信息，有利于提高地物分类精度。

二、亚像元定位基本思想1997 年，英国南安普顿大学Atkinson 教授首次提出“亚像元定位”的概念。

亚像元定位的基础理论——空间相关性，假定各地物类别的分布在像元内和像元之间具有空间相关性，即距离较近的像元与距离较远的像元相比更有可能属于同一类型。

亚像元定位的处理对象主要是遥感图像中普遍存在的混合像元。

它在混合像元分解的基础上，利用地物类别及其对应的丰度值，将混合像元切割成更小的单元，细分到亚像元级别，确定混合像元中所包含地物类型的具体空间位置，从而得到亚像元尺度的地物分类图，以提高遥感地物影像的空间分辨率。

三、亚像元定位技术依据使用范围的不同，亚像元定位技术分为：基于单目标的定位和基于多类地物的定位。

前者是指遥感图像中仅包含目标与背景两大类，感兴趣目标是定位对象，目的是定位其所在的位置和（或）目标的具体形状。

依据感兴趣目标的尺寸大小，此类问题进一步可分为点目标定位和面目标定位。

点目标是指感兴趣目标的实际尺寸小于或等于图像的空间分辨率。

面目标是指感兴趣目标的尺寸大于图像的空间分辨率。

基于多类地物定位是利用地物丰度图和各像元的空间位置关系，还原出高分辨率下的分类结果。

在基于多类地物定位的过程中，无需提取感兴趣目标，直接计算各类地物的丰度图即可。

亚像元定位是遥感领域中一个相对较新的课题。

Atkinson 依据像元空间相关性理论提出的像元交换技术(PSA)，根据亚像元和其邻域亚像元间相关性的大小，对亚像元进行交换，以使空间相关性逐渐增大直至稳定。

Makino 等对PSA 模型中的权值函数、相关参数等进行了分析研究。

高光谱实时异常目标检测研究赵春晖;姚淅峰【摘要】高光谱异常检测不需要任何先验信息,在国防军事和民用等方面具有重要的理论研究价值和应用前景.由于检测运动目标以及缓解机载或星载存储压力的需求,实时处理在高光谱异常检测领域中得到了广泛的关注.本文论述了高光谱异常检测及其实时处理的发展历程,简单阐明了实时处理系统的架构,重点介绍了实时处理应用在高光谱异常检测的思想和方法,分析了该领域目前存在的问题以及未来的研究途径.【期刊名称】《黑龙江大学自然科学学报》【年(卷),期】2018(035)005【总页数】8页(P605-612)【关键词】高光谱图像;异常检测;实时处理【作者】赵春晖;姚淅峰【作者单位】哈尔滨工程大学信息与通信工程学院,哈尔滨150001;哈尔滨工程大学信息与通信工程学院,哈尔滨150001【正文语种】中文【中图分类】TP751.10 引言随着成像光谱技术的发展和光谱分辨率的不断提高，高光谱遥感数据能够提供更加丰富的对地观测信息，解决许多在单波段图像和多光谱遥感图像中难以或无法解决的问题[1-3]。

高光谱目标检测是高光谱图像处理中的重要研究方向之一，它利用所含的丰富光谱信息，通过对目标和背景信息的分析和处理，可以有效地将弱小的地物目标从背景图像中探测出来。

但是在实际中，有标签的遥感图像样本数据往往很匮乏。

因此，利用无监督方式来检测目标，即异常检测，具有更加广泛的实际应用价值，其研究和发展也受到了大量的关注[4-6]。

异常检测实际上是一种二分类问题，将高光谱图像分为背景和目标。

它的检测机理是根据异常目标光谱和周围背景光谱特征的不同进行信息提取。

基于这种特性，高光谱异常检测在矿产勘探、森林火灾检测、肿瘤检查、军事目标监测等领域具有重要的应用前景[7-8]。

近年来，实时处理思想引起了研究人员的兴趣，尤其是在目标检测问题上。

当前的非实时高光谱异常检测算法都是在处理整幅高光谱数据后，一次性输出检测结果。

基于端元提取的高光谱图像亚像元目标异常检测算法孟强强;杨桄;卢珊;何高攀【摘要】针对高光谱图像异常检测因为背景复杂、存在亚像元目标而导致检测效果下降的问题,提出了一种新的检测方法.该方法首先对高光谱数据使用主成分分析法进行背景抑制,然后使用正交子空间投影方法进行端元提取,再使用光谱角度匹配技术进行异常检测.最后与其他两种检测方法比较,具有更好的检测效果,证明该方法的有效性.【期刊名称】《科学技术与工程》【年(卷),期】2014(014)027【总页数】4页(P96-99)【关键词】高光谱图像;背景抑制;端元提取;异常检测【作者】孟强强;杨桄;卢珊;何高攀【作者单位】空军航空大学,长春130022;空军航空大学,长春130022;东北师范大学地理科学学院,长春130024;空军航空大学,长春130022【正文语种】中文【中图分类】TP751.1高光谱遥感图像具有“图谱合一”的特性，具有其他遥感手段不可比拟的优势，在全球环境、资源调查、土地利用、自然灾害等多个领域取得了成功的应用[1]。

近年来高光谱检测也受到了广泛的关注。

按照是否需要先验信息，高光谱目标检测可以分为目标匹配检测和异常检测两种[2]，由于目标先验信息的难以获取，高光谱异常检测算法得到了广泛的应用。

在高光谱图像中，图像具有高光谱分辨率和低空间分辨率，也就造成了图像中可能含有大量的亚像元目标，目前的检测算法主要是在假设图像数据服从某种几何模型或者统计模型的基础上构造算子，如RX算子、KRX算子、约束能量最小算子等，但是这些算法并没有考虑到亚像元目标的特殊性，所以针对亚像元目标的检测效果并不理想。

现针对高光谱图像中亚像元目标的特殊性，提出了一种新的检测算法，首先使用主成分分析构造投影矩阵算子，将原始高光谱数据投影到背景空间，实现抑制背景的目的，然后使用正交子空间投影对投影后高光谱数据进行端元提取，得到异常目标的端元光谱，最后使用光谱角度匹配技术对图像进行异常检测，最后将检测结果与其他方法比较，验证本文方法的有效性。

基于深度学习框架的复杂背景下高光谱亚像元目标检测方法研究摘要：高光谱影像技术被广泛应用于亚像元目标检测领域，但是在复杂背景下，准确地检测亚像元目标依然是一项挑战。

本文针对复杂背景下高光谱亚像元目标的检测问题，提出一种基于深度学习框架的方法。

首先，利用卷积神经网络（CNN）进行图像特征提取和降维处理，然后使用支持向量机（SVM）进行分类。

此外，为了解决背景复杂的问题，本文采用了一种自适应方法来提高检测性能。

实验结果表明，提出的方法对于复杂背景下的高光谱亚像元目标检测具有较高的准确性和鲁棒性。

关键词：高光谱；亚像元目标检测；深度学习；支持向量机（SVM）；自适应方法引言现代高光谱成像技术已成为广泛应用的一种遥感技术，可以提供丰富的光谱信息，可用于获取图像中的参数。

高光谱成像在多个领域都有广泛应用，特别是在农业、林业、环境和气象等领域。

然而，在实际应用中，直接从复杂背景中检测高光谱亚像元目标仍然是一项具有挑战性的任务。

本文提出了一种基于深度学习框架的高光谱亚像元目标检测方法。

首先，我们对高光谱图像进行预处理和降维处理，并提取相应的特征向量。

然后，我们使用支持向量机进行分类，以检测亚像元目标。

此外，为了提高检测性能，我们还采用了一种自适应方法。

方法数据处理在实验中使用的数据集来自AVIRIS高光谱成像仪，涵盖了Cuprite地区的两个场景。

在图像处理前，我们首先进行去噪处理和背景去除。

然后采用PCA降维方法，将原始高光谱图像进行降维处理，得到降维后的图像，作为输入。

特征提取在特征提取的过程中，我们采用了卷积神经网络进行特征提取。

卷积神经网络(CNN)是一种非常强大的深度学习方法，它能够抽取输入图像的多级表示，并且具有很好的分类性能。

我们使用最先进的卷积神经网络模型，对输入的高光谱图像进行特征提取。

得到的特征向量将被用于后续的分类过程。

分类我们使用支持向量机（SVM）进行分类。

作为一种非常强大的分类器，支持向量机(SVM)在计算机视觉和机器学习领域得到了广泛的应用。

高光谱图像中目标检测与识别算法研究摘要：高光谱图像是一种具有丰富光谱信息的遥感图像，广泛应用于农业、环境、军事等领域。

然而，由于高光谱图像具有高维度和大量冗余信息的特点，传统的图像处理方法往往难以有效地进行目标检测与识别。

因此，本文对高光谱图像中目标检测与识别算法进行了研究，提出了一种基于深度学习的方法，并通过实验证明了其在高光谱图像中的有效性和鲁棒性。

1. 引言高光谱图像是一种多光谱通道的遥感图像，相比于传统的彩色图像，它可以提供更加详细的光谱信息。

因此，高光谱图像在目标检测与识别方面具有很大的潜力。

然而，由于高光谱图像具有维度高和冗余信息多的特点，传统的图像处理方法在处理高光谱图像时存在着一定的挑战。

2. 高光谱目标检测算法研究2.1 特征提取在高光谱图像中，目标与背景之间的光谱特征差异较大。

因此，通过提取目标与背景之间的差异性特征，可以实现目标的有效检测。

常用的特征提取方法包括主成分分析（PCA）、线性鉴别分析（LDA）和小波变换等。

这些方法可以通过将高维数据降低到低维空间，从而减少特征冗余并提高分类准确性。

2.2 分类算法目标检测与识别的关键在于选择合适的分类算法。

针对高光谱图像中目标检测与识别的问题，近年来深度学习算法得到了广泛应用。

卷积神经网络（CNN）作为深度学习的代表，通过多层卷积与池化操作，可以有效地学习到图像中的抽象特征。

同时，针对高光谱图像的特点，研究者们也提出了一系列基于深度学习的方法，如卷积自编码器（CAE）和卷积长短时记忆网络（ConvLSTM）等。

3. 实验设计与结果分析为了验证所提算法的有效性，本文设计了一组实验，并使用了公开的高光谱遥感图片进行测试。

实验结果表明，所提出的基于深度学习的方法在高光谱图像中具有较高的准确性和鲁棒性。

4. 讨论与展望尽管基于深度学习的算法在高光谱图像中的目标检测与识别方面取得了一定的成果，但仍存在一些问题有待解决。

例如，算法的复杂性限制了其在实时应用中的使用，优化算法的训练速度与准确性依然是一个重要的研究方向。

高光谱图像分类与目标检测算法研究摘要：高光谱图像具有大量的波段信息，能够提供丰富的物质和地表特征信息，因此在许多领域都得到了广泛的应用。

高光谱图像的分类与目标检测是高光谱遥感图像处理的重要任务之一。

本文将探讨高光谱图像分类与目标检测算法的研究现状及其相关方法。

1. 引言高光谱图像是一种能够获取多个连续光谱波段的遥感图像。

相比于普通彩色图像，高光谱图像可以提供更加详细和准确的目标特征信息，因为它能够捕捉到更多的光谱信息。

因此，高光谱图像在农业、城市规划、环境监测、自然资源管理等领域有着广泛的应用。

2. 高光谱图像分类算法高光谱图像分类是将图像中的像素分成不同类别的过程。

常用的分类方法包括基于统计学的分类算法、基于机器学习的分类算法和基于深度学习的分类算法。

基于统计学的分类算法通常使用频谱特征进行分类，如主成分分析（PCA）和线性判别分析（LDA）。

这些方法通过降维和特征提取来减少数据维度，并用统计模型来进行分类。

基于机器学习的分类算法可以利用训练样本的特征和标签来构建分类模型。

常用的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）和K最近邻算法（K-nearest neighbors）。

这些算法可以利用已知类别的高光谱图像样本进行训练，然后对未知样本进行分类。

基于深度学习的分类算法可以通过学习大规模高光谱图像样本集来构建深度神经网络模型。

深度神经网络模型可以自动提取图像的特征并进行分类。

常用的深度学习算法包括卷积神经网络（CNN）和循环神经网络（RNN）。

3. 高光谱图像目标检测算法高光谱图像目标检测是指在高光谱图像中定位和识别特定目标的过程。

目标检测的方法可以分为两类：基于特征的方法和基于深度学习的方法。

基于特征的方法通常采用特征提取和分类器结合的方式进行目标检测。

特征提取方法包括光谱特征提取和空间特征提取。

光谱特征提取可以通过统计学方法如平均值、标准差等来获取特征。