高光谱遥感图像目标检测

高
→基于纯点模型的检测
光
→基于混合点模型
谱
– 基于线性混合模型
图 像
– 基于非线性混合模型
目
标
检
测
概
述
㈡高光谱目标检测方法分类
一 – 按技术路线：
高 光 谱 图 像 目
→基于统计方式的检测
– 纯点模型 – 线性混合模型
→基于几何方式的检测
– 纯点模型 – 线性混合模型
统计方式
标
检
测
概
述
几何方式
㈢高光谱目标检测一般流程
型
的 目
b t
先验光谱信息
标 • 由此，似然函数可简化为：
检 测
yD (x)(tb)T 1x
辐射校正
波段融合和波 段选择 ·取样 ·平均
数据调整 ·白化 ·分割 ·归一化
已知目标和背景
未知目标 已知背景
已知目标 未知背景
未知目标和背景
目标检测 局部异常检测
目标检测 自适应异常检测
人工输入 ·图像解译参数以及阈值确定 ·离线的大气校正
输出结果
㈡高光谱目标检测方法分类
一 – 按数据观测模型：
述
测与周围环境存在光谱差异的目标。
㈡高光谱目标检测方法分类
一 • 分类方式：
高 – 按先验信息的有无
光 – 按数据观测模型
谱 图
– 按技术路线
像
目
标
检
测
概
述
㈡高光谱目标检测方法分类
一 高 光 谱 图 像 目 标 检 测 概 述
– 按先验信息有无：
原始的 高光谱 数据
预处理 ·数据格式化 ·坏点修复 ·波段配准 ·无用数据删除
容
高光谱
几何校正
光谱特 征提取
成像机
辐射校正
高光谱图像
理
端元
地物分类
反射率反
提取
演
遥感物 理学基
础
图像压缩 与解压缩
光谱解 混合
基于光谱特 征的地物识
别
光谱的获取
高光谱图 像预处理
特征提取 与解混合
数据处理 技术
高光 谱遥 感的 军、 民应
用
应用
第五讲 高光谱图像目标检测
本 讲 一． 高光谱图像目标检测技术概述 内 二． 基于纯点模型的目标检测 容 三． 基于多元统计混合模型的目标检测
• 图像观测光谱可以写为如下形式：
模 型 的 目
x
x
st sb
w w
其中：
x 为观测光谱向量
s b 为背景光谱。 s t 为目标光谱
w 附加噪声
标
或者写成如下形式：
检 测
x
x
st
st
sb
w
w
㈠面向目标检测的纯点模型
二 • 通常，我们将背景和噪声结合在一起，称之为
基 干扰，可定义干扰模型：
标 • yD(x) 可视为空间投影,下一步就是确定检测 检 阈值。 测
㈡基于纯点模型的似然比检验
二 • 基于该似然函数，利用恒虚警率（CFAR）确定
基 检测阈值。所需要的阈值 为：
于 纯
PFA p(y|H0)dya
a是预先确定的虚警概率
点 模
• 对于干扰模型，其目标与背景统计分布的方差 可视为一致（为什么？），则似然函数中：
五．高光谱图像异常检测
㈠高光谱目标检测的优势
一 • 具有光谱识别和鉴别目标的能力，对图像
高 空间分辨率的要求不高。
光 • 借助光谱信息可以在场景中区分真实和诱
谱 图
饵目标。
像 • 具有在复杂背景条件下自动检测图像异常
目 的能力。
标 检 测
– 通常，遥感图像目标检测是建立在一定先验信 息的基础上。
概 – 异常检测算子能够在没有先验信息的条件下检
高光谱遥感图像目标检测
第四讲 高光谱图像特征提取与光 谱解混合
上 一． 高光谱数据降维
一 讲
二． 光谱特征提取
内 三． 光谱混合模型
容
– 图像光谱特征变化分析、光谱混合机理、混合模型
回 四． 线性混合模型端元提取
顾
– 端元提取的目的和意义、线性混合模型端元提取原理、
线性混合模型端元数目的估计、线性混和模型端元提
四． 基于几何方式混合模型的目标检测 五． 高光谱图像异常检测
第五讲 高光谱图像目标检测
……
接 下
一．高光谱图像目标检测概述
来 – ㈠高光谱目标检测的优势
– ㈡高光谱目标检测方法分类
– ㈢高光谱目标检测的一般流程
二．基于纯点模型的目标检测
三．基于多元统计混合模型的目标检测
四．基于几何方式混合模型的目标检测
取方法
五． 线性混合模型光谱解混合
– 光谱解混合的意义和原理、光谱解混合方法、光谱解 混合的应用
高 光 谱 遥感
Hyperspectral Remote Sensing
第五讲 高光谱图像目标检测
本讲内容所处的位置关系
本 • 高光谱遥感应用基本流程
讲
地物光
内
谱特性 分析
传感器定 标
数据 降维
高光谱图像 目标检测
来 二．基于纯点模型的目标检测
– ㈠纯点模型
– ㈡基于纯点模型的似然比检验
– ㈢基于纯点模型的检测方法
三．基于多元统计混合模型的目标检测
四．基于空间投影的混合模型目标检测
五．高光谱图像异常检测
㈠纯点模型
二 • 纯点模型不考虑光谱混合，模型相对简单
基 于 纯 点
– 目标与背景之间除了二次散射和阴影的关系外，不存 在其他的相互作用，观测数据要么是属于目标，要么 是属于背景。
基 于
构建检测算子，对于给定的观测波谱，似然比 由条件概率密度给出：
纯
p(x| signalprese) nt
点
p(x|signalabse)nt
模
(x) 的值大于某一个阈值，则接受目标存在的假设。
型
的
目 • 如利用极大似然估计等方法，可获取上式中的
标 部分统计参数，则可称为广义似然比检验（
检 GLRT ）。
于 纯Biblioteka Baidu
x
x
st
v为背景干扰
点
– 多元正态分布是最常用的统计分布之一，这主要是因
模
为它具有良好的可操作性，且已经成功地应用于许多
型
目标检测技术中。
的 • 针对干扰模型，可假设v服从多元正态分布： 目
标 检
v~N( b,)
均值： b
方差：
测
㈡基于纯点模型的似然比检验
二 • 对于目标检测问题，可以利用二元似然比检验
测
㈡基于纯点模型的似然比检验
二 • 对于非干扰模型，利用多元正态分布表示的二
基 于
元假设检验的形式如下：
H0:x~N(b,b) 无目标
纯
H1:x~N(t,t) 有目标
点
– 似然比函数的自然对数形式如下：
模
型
y D(x)
的 目
= 1 2 (x b )T b 1 (x b ) 1 2 (x t)T t 1 (x t)
一 • 目前所采用的大部分检测算法，其算子的
高 处理流程可分为两步：
光 – 空间投影
谱
→目的：抑制背景的信号能量，突出目标能量。
图 像 目
– 目标与背景分离
→阈值分割
标
→目标鉴别
检
测
x
F(x)
MdF(x)
概 述
第一阶段：投影 滤波器
第二阶段：检测 器
第五讲 高光谱图像目标检测
……
接 下
一．高光谱图像目标检测概述