高光谱图像目标检测技术研究

III
华侨大学硕士学位论文
this paper proposes an ACE sub-pixel target detection algorithm based on local background models. In the statistical detection algorithms, the more accurate the background models describes the real background distribution, the more effective the detector will be at separating the sub-pixel target from the background. The ACE target detection algorithm applies a single multivariate Gaussian distribution modeling the background. When the background homogeneity is high, the performance may be satisfactory. But it can’t describe the real background distribution when the background is complex. In order to enhance the accuracy of the background model, we model the background a multiple Gaussian clusters. Each model represents a cluster with the same surface features, which can decrease the background model’s spectral variability. For the effect of background signal to the sub-pixel target detection, we can get the abundance of background by fully constrained least squares. Apply the abundance to the ACE algorithm can suppress the influence of the background signal. Experiments show that this method has a better detection performance in hyperspectral image sub-pixel target detection. Key words: Hyperspectral image cluster Target detection Fast-MCD GMM
指导教师签名： 签 名 日 期：
摘要
摘要
近年来，随着光谱成像技术的快速发展，高光谱遥感技术得到了广泛的关 注。基于高光谱图像的目标检测不仅可以利用高光谱图像数据的光谱信息，也 可利用其空间信息，在目标检测领域较于空间遥感图像目标检测具有很强的优 势，在国防侦查、搜索救援等方面具有重要的应用价值。本文在深入研究高光 谱图像目标检测理论的基础上，针对异常样本对背景统计信息的干扰、复杂背 景模型构建偏差以及背景信号对亚像元目标检测的影响等问题进行深入研究， 完成的主要工作包括： 首先，对高光谱数据特性进行研究，研究了光谱信号的可变性模型。重点 研究了基于统计检测理论的高光谱图像目标检测算法的设计，分析了多元统计 信号的检测理论和估计理论。介绍了高光谱图像目标检测算法的评价方式。 其次，针对高光谱数据中异常点对背景参数估计的影响，提出了一种稳健 协方差估计的 ACE 目标检测算法。背景参数估计中常用的极大似然估计方法对 数据中的异常点比较敏感，可能受异常点影响导致背景模型存在较大偏差。本 文使用稳健 Fast-MCD 参数估计方法，从而克服异常点对背景参数估计的影响， 提升背景模型构建的准确性和稳定性。通过实验验证，相较于原有 ACE 等检测 算法，该方法的检测效果更优。 最后，针对复杂背景情况背景模型构建不准确的问题，提出了一种局部背 景模型的 ACE 亚像元目标检测算法。在统计检测算法中，背景模型构建的准确 性直接影响着亚像元目标的检测效果。ACE 目标检测算法使用单一多元正态分 布模型来描述背景分布情况，这种描述方式在背景地物分布情况比较复杂时不 能很好的描述背景的实际分布情况。本文利用背景分解来描述复杂背景，使用 多个多元正态分布模型构建背景分布模型，每个模型对应着一类地物，从而降 低背景模型的光谱可变性。此外针对亚像元目标检测中背景信号的影响，利用 最小二乘分解得到具有实际意义的目标和背景的组分信息，结合 ACE 检测算法 可以最大程度的抑制背景信号的影响。实验表明，该方法较传统 ACE 算法和局 部滑动窗口 ACE 检测算法在亚像元目标检测上具有更好的检测性能。
I
华侨大学硕士学位论文
关键字：高光谱图像
目标检测
Fast-MCD
GMM 聚类
局部背景模型
II
Abstract
Abstract
Recently, with the fast development of hyperspectral imaging, hyperspectral remote sensing technology has been widespread concerned. Target detection in hyperspectral imagery can use both spectral and spatial information which contained by hyperspectral imagery. It owns incomparable advantages over the traditional space remote sensing images in target detection. Hyperspectral target detection can be utilized in diverse applications such as mine detection, defense and intelligence. On the basis of analysis of the structure and characteristic of hyperspectral image data, this paper focus on the interference of abnormal samples to background statistics, the building deviation of complex background model and the impact of background signal on sub-pixel target detection. The main work includes: Firstly, we analyze the characteristics of the hyperspectral image data. Given a short introduce to the models of spectral variability. This section focuses on the design flow of detection algorithms based on statistical detection theory. The multiple dimensionality statistical signal detection and estimation theory are also researched. This paper also describes the evaluation methods of hyperspectral target detection algorithms. Secondly, in the problem of contamination of background parameters estimation caused by outliers, this paper proposes an ACE algorithm based on robust background parameters estimation. The maximum likelihood estimation methods is mostly used in estimate the background parameters, but it is sensitive to outliers. Using these parameters modeling the background may have a big deviation due to outliers. The robust Fast-MCD parameter estimation method can enhance the accuracy and stability of the constructed background model and reduce the sensitivity of the detection algorithm to outliers. With experimental results on real datasets, the superiority of the algorithm is demonstrated. Finally, in the condition of the inaccuracy of modeling the complex background,
学校代码：
10385
源自文库
分类号： 密 级：
研究生学号：1200214008
高光谱图像目标检测技术研究 Research on Target Detection in Hyperspectral Imagery
作者姓名： 指导教师： 合作教师： 学 科：
范金华 陈锻生教授
计算机应用技术 图像处理、模式识别 计算机科学与技术学院
研究方向： 所在学院：
论文提交日期：二零一五年六月九日
学位论文独创性声明
本人声明兹呈交的学位论文是本人在导师指导下完成的研究成 果。论文写作中不包含其他人已经发表或撰写过的研究内容，如参考 他人或集体的科研成果，均在论文中以明确的方式说明。本人依法享 有和承担由此论文所产生的权利和责任。
论文作者签名：
Local background model
IV
主要符号对照表
主要符号对照表
ACE MCD CFAR MLE GMM EM AMF CEM OSP OBSP MSD ASD Adaptive Coherence/Cosine Estimator Minimum Covariance Determinant Constant False Alarm Rate Maximum Likelihood Estimate Gaussian Mixture Model Expectation maximization Adaptive Matched Filter Constrained Energy Minimization Orthogonal Subspace Projection Oblique Subspace Projection Matched Subspace Detector Adaptive Subspace Detector 自适应余弦估计 最小协方差矩阵行列式估计 恒虚警率 极大似然估计 高斯混合模型 期望最大化 自适应匹配滤波 约束能量最小化 正交子空间投影 斜子空间投影 匹配子空间检测器 自适应子空间检测器
签名日期：
学位论文版权使用授权声明
本人同意授权华侨大学有权保留并向国家机关或机构送交学位论 文的复印件和电子版，允许学位论文被查阅和借阅。本人授权华侨大 学可以将本学位论文的全部内容或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
论文作者签名： 签 名 日 期：