《高光谱遥感目标检测》张建祎,王玉磊,薛白,王琳,于纯妍等作;张兵,张立福总主编|(epub+azw3+mobi+pdf)电子书下载
图书名称:《高光谱遥感目标检测》
- 【作 者】张建祎,王玉磊,薛白,王琳,于纯妍等作;张兵,张立福总主编
- 【丛书名】高光谱遥感科学丛书
- 【页 数】 283
- 【出版社】 武汉:湖北科学技术出版社 , 2021.07
- 【ISBN号】978-7-5706-1198-0
- 【价 格】218.00
- 【分 类】遥感图像-图像处理-目标检测-研究
- 【参考文献】 张建祎,王玉磊,薛白,王琳,于纯妍等作;张兵,张立福总主编. 高光谱遥感目标检测. 武汉:湖北科学技术出版社, 2021.07.
图书封面:
图书目录:
《高光谱遥感目标检测》内容提要:
《高光谱遥感科学丛书》(1-6册)分别从信息获取、信息处理、目标检测、混合光谱分解、岩矿高光谱遥感、植被高光谱遥感六个方面系统地介绍了高光谱遥感的最新研究技术成果及应用前沿。《高光谱遥感目标检测》为“高光谱遥感科学丛书”系列典型应用学术专著之一,高光谱遥感目标检测是高光谱遥感全科技链条(包括基础理论、数据获取、信息处理与多学科应用等)的重要环节,是提高高光谱遥感技术及其应用水平的关键所在。本书适合高等院校遥感相关专业的师生及相关研究院所的研究人员及技术工作者参考学习。
《高光谱遥感目标检测》内容试读
第1章绪论
目标检测是高光谱图像处理领域的研究热点,从不同的角度,高光谱图像目标检测又可有多种分类方法。目前传统的目标检测分类主要包括:根据待测目标已知信息的多少,高光谱目标检测可以分为监督式目标检测与非监督式目标检测两类:根据待检测目标的尺寸大小,高光谱目标检测又可分为亚像元目标检测(待测目标小于像元)和纯像元目标检测(待测目标大于像元)等。
区别于上述对目标检测的分类方法,本书从一种全新的角度来看待高光谱目标检测问题,根据高光谱目标检测的应用背景,将其分为主动目标检测与被动目标检测两种。主动目标检测需要提前知道一定量的待测目标信息。在军事应用中的侦察(reconnaissance)就是
一种主动目标检测。例如美国军方利用U2侦察机、无人机进行空袭、搜救、搜索,或是利用
激光雷达(light detection and ranging,LiDAR)对可疑目标进行侦察。被动目标检测则是在完全不知环境特征,也不知待测目标特征的情况下,对目标进行搜寻。在军事应用中的监察(surveillance)就是一种被动目标检测。例如,美国军方利用机载报警与控制系统(airbornewarning and control system,AWACS)在潜在威胁区域针对不寻常活动或是非常规目标进行监视。再比如农业上利用前视红外(forward looking infrared,FLIR)传感器对异常现象进行监视等。
1.1概
述
目标检测是高光谱图像的主要优势应用之一,其优势在亚像元检测中尤为突出。亚像元检测时,由于往往不能提前获得全部的目标信息,检测难度非常大,但高光谱具有极丰富的光谱信息,这一优势将有效弥补亚像元检测信息不足这一缺陷。在本章中,我们根据目标检测所需的先验信息的量,将目标检测分为两种进行对比讨论。
第一种为主动式高光谱目标检测,通常需要感兴趣目标的先验知识,这种检测手段经常被
。1
G高光谱遥感目标检测
N
应用于侦察中。在侦察中,待侦察的目标物的先验知识是需要提前确定的。例如,第4章介绍的正交子空间投影(orthogonal subspace projection,OSP)算法,就是一种需要目标先验知识完全已知的检测算法;约束能量最小化算法(constrained energy minimization,CEM)由Harsanyi和
Chang于1993年提出,该算法是一种需要部分先验知识的检测算法,仅需提前确定待测目标物的特性,而不需要确定背景的特性;自动目标生成算法(automatic target generation process,ATGP)由Ren和Chang于2003年提出,该算法是一种不需任何先验日标知识的检测手段。另外,端元提取也是一种在目标检测中值得关注的技术手段,其假设前提是纯像元存在于数据中。这种假设满足时,端元提取算法其实是以主动模式进行端元提取。
另一种为被动式高光谱目标检测,是一种不需要任何先验知识的检测手段,通常应用于没有特定目标场合的监控。例如,异常检测是在没有先验知识或是人眼判别知识的情况下,对非期望出现的目标进行检测。端元寻找也是一种被动目标检测手段。不同于端元提取,
端元寻找不需要提前假设端元存在于数据中,而是利用像元提取的准则,在高光谱图像中寻找类似端元的目标。换句话说,端元寻找是一种在不假设数据中存在纯端元的情况下,以被动模式进行的端元提取算法。本书将以这两种目标检测为主线,对多种高光谱目标检测算法展开详细讨论。
1.2主动目标检测
主动目标检测是对一种已知特性的目标进行检测。这种目标的特性可以由先验知识或者一些非监督算法获得。当目标的已知信息是通过先验知识,或者是通过人为观察而获得的,这种主动目标检测又可以称为主动式先验高光谱目标检测。当目标的已知信息并不是由先验知识获得,而是通过某种非监督算法获得的后验信息,并利用这种后验信息作为高光谱目标检测的期望目标知识,此时的主动目标检测又可以称为主动式后验高光谱目标检测。
1.2.1主动式先验高光谱日标检测
主动状态下的日标检测通常假设待测数据中含有我们感兴趣的目标,其目的是通过目标检测算法寻找到这些目标。因而主动目标检测不适用于待测数据中无感兴趣目标的情况。
1.目标先验知识是完全已知的
当先验知识完全已知,可以通过基于信噪比的正交子空间投影(OSP)实现对目标的检
测。该方法原理简单、结构简洁,由Harsanyi和Chang于1994年提出,在本书第4章4,4节也会做详细的论述。这种方法已知完全的目标先验知识,p类目标光谱特性:m:,m2,…,
·2·
AAA
【第1章绪论1
m。该方法假设上述目标特性中有一种为期望目标特性,例如:假设特性m。为期望目标特
性,则其他特性被认为是非期望目标特性。OSP算法首先利用OSP算子,通过正交投影原
理消除干扰和非期望目标特性,其定义为P。=I一UU#=I一U(UU)1UT,其中U=
[m,m2…,m。-],再将信噪比作为检测准则,通过匹配滤波原理检测与m。相似的特性。
2.目标先验知识是部分已知的
由于高光谱图像具有显著的高光谱分辨率,高光谱成像设备采集的图像包含了大量的背景信息,往往导致图像背景部分非常复杂,使得我们几乎不可能获得背景的所有先验信息,这种情况在处理高光谱数据时时常发生。因此,实际应用中,多数目标检测算法都是基于部分先验信息的,这类方法假设仅有感兴趣的目标光谱是已知的,而背景信息是未知的。
例如,在(OSP算法中,我们假设p类目标光谱m1,m2,…,m。是已知的,对于其中某一类目标的检测,可以将p类目标光谱分解为感兴趣的期望目标光谱d(假设为m。)和不感兴趣的其他目标光谱U=[m,m2…,m。-1],并将其作为需要抑制的光谱特性,通过OSP算
子进行消除。不同于OSP算法,CEM算法通过全局像元样本的协方差矩阵R的逆矩阵
R,取代OSP算法中的OSP算子P,来实现对感兴趣的目标d以外的背景特性的压抑。
自OSP与CEM算法产生以来,两者皆得到了广泛的应用。同时,在此基础上,产生了
许多基于d和U的扩展算法。受Frost的自适应波束形成方法启发,Ren和Chang于l999年提出了一种线性约束方差最小化(linearly constrained minimum variance,LCMV)算法,将CEM中单一的感兴趣目标光谱d扩展为一组由p类个目标光谱组成的集合D=[d1,d2,dp]。
由于LCMV方法没有讨论U的作用,Ren与Chang于2o06年又进一步将LCMV与OSP进行结合,提出了一种目标约束干扰最小化(target-constrained interference-minimizedfilter,TCIMF)算法。该方法可以对含有p个目标光谱的集合D=[d1,d2,…,d,]进行检
测,同时对非期望特性U进行消除以及利用R对D和U以外的背景目标特性进行压抑。
在后续的研究中,Du和Chang引入第三种影响特性一干扰特性,该特性用I矩阵表示。两人针对这一特性的影响提出了信号分解干扰清除滤波器(signa-decomposition inter-ferer-annihilation filter,SDIAF)。SDIAF方法是TCIMF方法的一种延伸,通过抑制干扰特性的作用进一步增强检测性能。
为了进一步总结以上所述的5种目标检测方法—OSP、CEM、LCMV、TCIMF和
SDIAF,图1.1显示了这5种方法的发展过程及其相关关系。
1.2.2主动式后验高光谱日标检测
主动式后验高光谱日标检测主要存在两种手段:其一,寻找后验目标信息,如在没有先验知识的情况下从数据中寻找人造日标:其二,提取端元,一般情况下,端元光谱特性纯净,
。3·
G高光谱遥感目标检测
全部先验知识
OSP (d.U
TCIMF (D.U)
SDIAF (D.U.I)
部分先验知识
CEM (d)
LCMV (D,U
图1.1OSP、CEM、I,CMV、TCIMF和SDIAF的发展过程及其相关关系
可以提供用于区分目标光谱类别的重要信息
1.寻找后验目标信息
在1.2.1中讨论的先验高光谱目标检测问题,涉及算法OSP、CEM、LCMV、TCIMF和
SDIAF,这些算法通常有特定的感兴趣的一个期望目标d或者一组期望目标D,d或者D是
由真实地物或者视觉判别所提供的先验知识。另外,在OSP算法中,还需要不感兴趣的非
期望目标特性U。CEM、LCMV和TCIMF算法不需要U的信息,而是通过设计FIR滤波
器,限制其仅允许d或D方向的信号通过,同时使其他信号输出的最小二乘误差最小化
但是,在许多场合中,期望目标信息D和非期望目标信息U、【无法获取。在这种情况
下,D、U和I需要通过无先验知识的非监督式方法获取。也就是说,在没有先验知识的情况
下,我们仍需知道何种目标存在于数据中。此时,算法需要在数据中通过非监督方法寻找我们感兴趣的目标特性。通过这种方法寻找到的目标,则是一种后验目标,而这种目标所提供的信息则称为目标后验信息,视为目标的后验知识。
目标后验知识与其先验知识有着很大的不同。目标先验知识通常是先验获得的,由光谱库中的信息或者是人眼判别而来。目标后验知识则是从高光谱图像数据中获得的,这种后验信息可以作为先验目标检测算法中所需的先验知识,从而利用1.2.1中讨论的先验目标检测算法进行目标检测。所以,先验目标检测算法中的期望目标,既可以是目标先验信息,也可以是目标后验信息。
寻找目标后验信息的算法将会在本书第7章中详细讨论,例如自动目标生成方法(utomatic target generation process,.ATGP),非监督非负约束最小二乘法(unsupervised nonnegativity constrained least squares,UNCLS)、非监督全约束最小二乘法(unsupervisedfully constrained least squares,UFCLS)和高阶统计量目标检测。
2.端元提取
前面所述的后验高光谱日标检测方法,是产生一个后验目标特性并利用这一目标特性进行目标检测。如何寻找这些后验目标,完全由所设计的算法决定。另一种方法是寻找纯像元或纯特性的目标,端元提取算法可以满足这种需求。但是,该方法假设图像中存在端元,如果不满足该假设,从图像中提取出的特性并没有意义。
值得注意的是,根据Chang在2016年的研究成果表述,两种广泛应用的端元提取算法,
。4·
X
1第1章褚论1
即顶点成分分析法(vertex component analysis,VCA)和单形体体积增长法(simplex growing algorithm,SGA),同自动目标生成方法(automatic target generation process,ATGP)结
果一致,所以本书主要利用ATGP算法为主动目标检测提供所需要的后验信息。
图1.2展示了本书中所涉及的高光谱主动目标检测手段之间的相关关系。
目标先验知
OSP
识完全已知
SDIAF
目标先验知
CEM
TCIMF
识部分已知
主动
月标检测
ATGP
目标先验
UNCLS
M
知识未知
UFCLS
目标后验
知识未知
端元提取
图1.2主动式高光谱目标检测算法示意图
1.3被动目标检测
与主动高光谱目标检测不同,被动高光谱目标检测不需要特定的感兴趣的目标。因此,被动目标检测是在完全未知的环境下,并且没有任何先验知识的情况下进行的。被动目标检测有两种类型:异常检测(anomaly detection)和端元寻找(endmember finding)。我们将对两者进行简要的介绍。
1.3.1异常检测
由于高光谱图像具有很高的光谱分辨率,因此可以体现出很多不能由先验知识提供,或者是人眼无法识别到的微妙信号源。这样的信号源大多是以异常的形式存在于数据中。近年来,在高光谱领域里,异常检测引起了很多学者的研究兴趣。
目前,还没有关于异常目标的明确定义,但通常来讲,我们认为异常目标是一种无法在数据处理前先验知道的目标,并且具有如下特点:
(1)异常目标在数据中的出现无法预测。
·5
G高光谱遥感目标检测14:上、,P自3A,,L4A:¥月1A、
AA
(2)异常目标在数据中的出现概率小。
(3)异常目标在数据中的出现数量少。
(4)异常目标与周边或相邻的样本光谱特性区别大。
具有这些特性的样本,一般是用于指定光谱类别的纯像元,又称端元。例如:在环境或农业中特别的光谱特性、地质中的稀有金属、环境监测中的有毒物质排放、水污染中的溢油、执法中追踪的毒品和走私物、战场中的人造目标、情报里不寻常出现的有威胁性的活动、医学中的肿瘤等。
1.3.2端元寻找
在1.2.2中讨论过的端元提取方法,是一种主动目标检测方法,因为其前提是假设数据中存在纯像元。但在现实中,这种假设几乎不满足,并且端元不必一定为真实图像中的样本向量或者像元,其也可以是光谱库中的光谱特性。所以,端元不存在于数据中的概率很大。这样一来,端元提取手段可以以一种被动检测的形式,从真实数据中对潜在的,但不是纯像元的端元进行提取。
相对于主动高光谱检测,被动高光谱检测没有所要检测的目标的先验知识。这种情况下,我们也无法得知有多少目标需要被检测。因而1.2.2节中所讨论的端元提取算法,如
VCA和SGA的停止条件将无法确定。此时,端元提取算法将转换为被动式的端元寻找算
法,且当获取了L(L为波段数目)个端元时,端元寻找算法停止。
由Boardman于l994年提出,并在当前广泛应用的纯净像元指数(pixel purity index,
PPI)可以被看成一种典型的被动式检测器。该方法利用PPI指数去寻找目标,但并不清楚
找到的目标是什么,需要通过进一步的分析来判断这些被找到的目标是什么。基于这种解释,当下研究的多数端元提取方法,实际是一种端元寻找的算法。
图1.3展示了两种被动高光谱目标检测:异常检测和端元寻找。异常检测利用了光谱
信息统计量,如协方差矩阵K或相关矩阵R来衡量样本光谱之间的相关性。端元寻找则利
用了纯像元的特性,寻找潜在的端元。这些找到的潜在端元并不一定是纯像元,但在一定程度上可以用来体现不同类别目标的光谱差异特性。
异常背景抑制
异常检测
样本光谱相关性
K/R
被动
异常辨别与归类
目标检测
端元寻找
像元纯净性
日标光谱差异
图1.3被动高光谱目标检测算法示意图
·6
···试读结束···
作者:冯小强
链接:https://www.58edu.cc/article/1734452177264447489.html
文章版权归作者所有,58edu信息发布平台,仅提供信息存储空间服务,接受投稿是出于传递更多信息、供广大网友交流学习之目的。如有侵权。联系站长删除。