高分辨率航空遥感高光谱图像稀疏张量目标检测

doi:10.13474/j.cnki.11-2246.2015.0006

测绘通报 ›› 2015, Vol. 0 ›› Issue (1): 31-38.doi: 10.13474/j.cnki.11-2246.2015.0006

• 高分辨率对地观测技术 • 上一篇下一篇

高分辨率航空遥感高光谱图像稀疏张量目标检测

谷延锋, 高国明, 郑贺, 刘永健

哈尔滨工业大学电子与信息工程学院, 黑龙江哈尔滨 150001

收稿日期:2014-07-15 出版日期:2015-01-25 发布日期:2015-01-24
作者简介:谷延锋(1977-),男,博士,教授,主要从事高光谱图像分类与检测方面的研究.E-mail:guyf77@gmail.com
基金资助:
国家自然科学基金(61371180;61301206;41301455)

High Solution Airborne Hyperspectral Remote Sensing Images Target Detection via Tensor and Sparse

GU Yanfeng, GAO Guoming, ZHENG He, LIU Yongjian

Received:2014-07-15 Online:2015-01-25 Published:2015-01-24

摘要/Abstract

摘要：

随着高分辨率对地观测技术的快速发展,我国已具备获取高空间分辨率和较高光谱分辨率遥感图像的能力.在高分辨率对地观测条件下,能够进行检测的目标最小尺度在不断提升,使得复杂场景中的目标检测成为可能.针对机载高分成像获取的高光谱图像中目标检测问题,本文提出了一种基于张量表示的目标检测新框架及稀疏目标检测新方法.首先,利用张量模型对输入高光谱图像数据进行低秩分解和表示,所得到的投影分量能够表示高光谱图像的空间-光谱整体信息;其次,将稀疏表示方法同传统目标匹配检测方法相结合,构成稀疏匹配目标检测算子,对低秩张量分解的投影数据进行检测.本文所提出稀疏张量目标检测新方法能够有效地挖掘和利用局部区域目标的空间-光谱联合信息,提高高分条件下复杂场景目标检测的性能、降低虚警率.本文利用两组真实的航空系统高光谱图像进行仿真试验,试验结果表明所提出的方法检测性能明显优于当前国际主流遥感图像目标检测方法.

关键词: 高光谱, 目标检测, 张量分析, 稀疏表示, 匹配子空间模型

中图分类号:

P237

谷延锋高国明郑贺刘永健. 高分辨率航空遥感高光谱图像稀疏张量目标检测[J]. 测绘通报, 2015, 0(1): 31-38.

GU Yanfeng, GAO Guoming, ZHENG He, LIU Yongjian. High Solution Airborne Hyperspectral Remote Sensing Images Target Detection via Tensor and Sparse[J]. 测绘通报, 2015, 0(1): 31-38.

参考文献

[1] HUCK A, GUILLAUME M. Asymptotically Cfar-Unsupervised Target Detection and Discrimination in HyperspectralImages with Anomalous-Component Pursuit[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(11): 3980-3991.
[2] DAVIDSON C E, BEN-DAVID A. On the Use of Covariance and Correlation Matrices in Hyperspectral Detection[C]//2011 IEEE Applied Imagery Pattern Recognition Workshop (AIPR).Washington, DC: IEEE, 2011: 1-6.
[3] KHAZAI S, SAFARI A, MOJARADI B, et al. An Approach for Subpixel Anomaly Detection in HyperspectralImages[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012,6(2): 769-778.
[4] MNOZ-MAR J, BOVOLO F, GMEZ-CHOVA L, et al. Semisupervised One-Class Support Vector Machines for Classification of Remote Sensing Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(8): 3188-3197.
[5] ZHAO L Y, ZHANG K, LI X R. Kernel Signature Space Orthogonal Projection for Target Detection in HyperspectralImagery[J]. Journal of Remote Sensing, 2011, 15(1): 13-28.
[6] MATTEOLI S, ACITO N, DIANI M, et al. An Automatic Approach to Adaptive Local Background Estimation and Suppression in Hyperspectral Target Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(2): 790-800.
[7] KWON H,GURRAM P. Optimal Kernel Bandwidth Estimation for Hyperspectral Kernel-Based Anomaly Detection[C]//Proceedings of 2010 IEEE International Geoscience and Remote Sensing Symposium. Honolulu: IEEE, 2010: 2812-2815.
[8] CHEN Y, NASRABADI N M, TRAN T D. Sparse Representation for Target Detection in HyperspectralImagery[J]. IEEE Journal of Selected Topics in Signal Processing, 2011, 5(3): 629-640.
[9] CHEN Y, NASRABADI N M, TRAN T D. Simultaneous Joint Sparsity Model for Target Detection in HyperspectralImagery[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(4): 676-680.
[10] CHEN Y, NASRABADI N M, TRAN T D. Kernel Sparse Representation for Hyperspectral Target Detection[C]//2012 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Munich: IEEE, 2012: 7484-7487.
[11] KRUSKAL J B. Three-way Arrays: Rank and Uniqueness of Trilinear Decompositions, with Application to Arithmetic Complexity and Statistics[J]. Linear Algebra and Its Applications, 1977, 18(2): 95-138.
[12] TUCKER L R. Some Mathematical Notes on Three-Mode Factor Analysis[J]. Psychometrika, 1966, 31(3): 279-311.
[13] KIERS H A L. Towards a Standardized Notation and Terminology in Multiwayanalysis[J]. Journal of Chemometrics, 2000, 14(3): 105-122.
[14] ZHANG T, GOLUB G H. Rank-one Approximation to High Order Tensors[J]. SIAM Journal on Matrix Analysis and Applications, 2001, 23(2): 534-550.
[15] CHEN Y, NASRABADI N M, TRAN T D. HyperspectralImage Classification Using Dictionary-based Sparse Representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3973-3985.
[16] SUN J M, TAO D C, PAPADIMITRIOU S, et al. Incremental Tensor Analysis: Theory and Applications[J]. ACM Transactions on Knowledge Discovery from Data (TKDD), 2008, 2(3): 11.
[17] TROPP J A, GILBERT A C. Signal Recovery from Random Measurements via Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655-4666.
[18] DAI W, MILENKOVIC O. Subspace Pursuit for Compressive Sensing Signal Reconstruction[J]. IEEE Transactions on Information Theory, 2009, 55(5): 2230-2249.
[19] IEEE. 2013 IEEE GRSS Data Fusion Contest[EB/OL].2012-02-03.[2013-01-06].http://sites.ieee.org/spotlight/ieee-grss-announces-plans-for-2013-data-fusion-contest/.
[20] IEEE. 2014 IEEE GRSS Data Fusion Contest[EB/OL].2010-05-05.[2011-06-07].http://www.grss-ieee.org/community/technical-committees/data-fusion/data-fusion-contest/.

高分辨率航空遥感高光谱图像稀疏张量目标检测

High Solution Airborne Hyperspectral Remote Sensing Images Target Detection via Tensor and Sparse

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[2]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[3]	文奴, 郭仁忠, 贺彪, 万远. YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测[J]. 测绘通报, 2022, 0(5): 38-44.
[4]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[5]	段晨阳, 冯建中, 全斌, 白林燕, 王盼盼. 利用深度学习进行GF-6影像枣园检测识别[J]. 测绘通报, 2022, 0(3): 54-59.
[6]	郭云开, 曹骁, 谢晓峰, 张思爱, 谢琼. 基于集合经验模态分解的土壤重金属Cd定量反演[J]. 测绘通报, 2022, 0(1): 44-49.
[7]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[8]	王德强, 赵德良. 高光谱遥感异常目标探测方法性能对比分析[J]. 测绘通报, 2021, 0(9): 108-111.
[9]	梁哲恒, 邓鹏, 姜福泉, 盛森, 魏汝兰, 谢刚生. 基于卷积神经网络的无人机影像违章建筑检测应用[J]. 测绘通报, 2021, 0(4): 111-115.
[10]	马京振, 陈换新, 朱新铭, 张付兵. 利用Faster R-CNN进行立交桥自动识别与定位[J]. 测绘通报, 2021, 0(3): 28-32,86.
[11]	侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021, 0(3): 38-43.
[12]	刘彦君, 张贵, 王潇, 周璀, 杨志高, 吴鑫, 张娟. 基于无人机高光谱影像波段选择的薇甘菊分类[J]. 测绘通报, 2020, 0(4): 34-39,52.
[13]	张鹏强, 刘冰, 余旭初, 谭熊, 杨帆, 周增华. 面向高光谱影像分类的生成式对抗网络[J]. 测绘通报, 2020, 0(3): 29-34.
[14]	沈雨, 仇宇轩, 于正浩. 分部加权的行道树检测网络构建[J]. 测绘通报, 2020, 0(2): 77-81,101.
[15]	李月, 杨灿坤, 周春平, 苏俊杰. 无人机载高光谱成像设备研究及应用进展[J]. 测绘通报, 2019, 0(9): 1-6,17.