一种基于非线性主成分分析的高光谱图像目标检测方法

doi:10.13474/j.cnki.11-2246.2015.0022

测绘通报 ›› 2015, Vol. 0 ›› Issue (1): 105-108.doi: 10.13474/j.cnki.11-2246.2015.0022

• 高分辨率对地观测技术 • 上一篇下一篇

一种基于非线性主成分分析的高光谱图像目标检测方法

孙康^1,2, 耿修瑞¹, 唐海蓉¹, 赵永超¹

1. 中国科学院电子学研究所空间信息处理与应用系统技术重点实验室, 北京 100190;
2. 中国科学院大学, 北京 100190

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:孙康(1988-),男,博士生,主要从事高光谱特征提取与目标探测研究.E-mail:skgucas@163.com

A New Target Detection Method Using Nonlinear PCA for Hyperspectral Imagery

SUN Kang, GENG Xiurui, TANG Hairong, ZHAO Yongchao

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

摘要/Abstract

摘要：

目标探测是高光谱图像的重要应用之一.目前已经有了很多的目标探测算法,然而这些算法要求目标与背景是线性可分的.在实际的高光谱数据中,这一要求往往难以满足.本文提出了一种基于非线性主成分分析的高光谱图像目标探测算法.该方法先利用神经网络将高光谱图像进行非线性降维,从而使得在降维后的数据中目标与背景线性可分;然后使用约束能量最小化算法进行目标探测,为了取得较好的目标探测效果,保留了图像原始的特征.针对模拟数据和真实高光谱图像数据的试验表明,基于神经网络的非线性主成分分析可以将线性不可分的目标与背景分离.使用非线性特征和原始特征的组合可以获得更好的目标探测效果.

关键词: 高光谱遥感, 目标探测, 非线性主成分分析, 约束能量最小化

中图分类号:

P237

孙康耿修瑞唐海蓉赵永超. 一种基于非线性主成分分析的高光谱图像目标检测方法[J]. 测绘通报, 2015, 0(1): 105-108.

SUN Kang, GENG Xiurui, TANG Hairong, ZHAO Yongchao. A New Target Detection Method Using Nonlinear PCA for Hyperspectral Imagery[J]. 测绘通报, 2015, 0(1): 105-108.

参考文献

[1] SUN K, GENG X R, JI L Y, et al. A New Band Selection Method for Hyperspectral Image Based on Data Quality [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2697-2703.
[2] REED I S, YU X L. Adaptive Multiple-band CFAR Detection of an Optical Pattern with Unknown Spectral Distribution [J]. IEEE Transactions on Acoustic, Speech and Signal Processing, 1990, 38(10): 1760-1770.
[3] YU X L, REED I S, STOCKER A D. Comparative Performance Analysis of Adaptive Multispectral Detectors [J]. IEEE Transactions on Signal Processing, 1993, 41(8): 2639-2656.
[4] YU X L, HOFF L E, REED I S, et al. Automatic Target Detection and Recognition in Multiband Imagery: A Unified ML Detection and Estimation Approach [J]. IEEE Transactions on Image Processing, 1997, 6(1): 143-156.
[5] GENG X R,JI L Y, ZHAO, Y C, et al. A Small Target Detection Method for the Hyperspectral Image Based on Higher Oder Singular Value Decomposition (HOSVD) [J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(6): 1305-1308.
[6] 耿修瑞. 高光谱遥感图像目标探测与分类技术研究[D]. 北京:中国科学院研究生院, 2005.
[7] MANOLAKIS D G, SHAW G A. Directionally Constrained or Constrained Energy Minimization Adaptive Matched Filter: Theory and Practice [C]//Proc. SPIE 4480, Imaging Spectrometry Ⅶ. San Diego, CA, USA: SPIE, 2001.
[8] HARSANYI J C. Detection and Classification of Subpixel Spectral Signatures in Hyperspectral Image Sequences[D]. Maryland: University of Maryland, 1993.
[9] KRAUT S, SCHARF L L. The CFAR Adaptive Subspace Detector Is A Scale-Invariant GLRT [J]. IEEE Transactions on Signal Processing, 1999, 47(9): 2538-2541.
[10] GENG X R, JI L Y, SUN K, et al. CEM: More Bands, Better Performance [J].IEEE Geoscience and Remote Sensing Letters, 2014, 11(11): 1876-1880.
[11] SCHÖLKOPF B, SMOLA A, MüLLER K R. Nonlinear Component Analysis as a Kernel Eigenvalue Problem [J].Neural Computation, 1998, 10(5): 1299-1319.
[12] CHANG C I, DU Q. Estimation of Number of Spectrally Distinct Signal Sources in Hyperspectral Imagery [J].IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(3):608-619.
[13] WINTER M E. N-FINDR: An Algorithm for Fast Autonomous Spectral End-member Determination in Hyperspectral Data [C]//Proc. SPIE 3757, Imaging Spectrometry V.Denver, CO: SPIE,1999: 266-275.
[14] NASCIMENTO J M P, BIOUCAS D J M. Vertex Component Analysis: A Fast Algorithm to Unmix Hyperspectral Data [J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4):898-910.
[15] SUN K, GENG X R, WANG P S, et al. A Fast Endmember Extraction Algorithm Based on Gram Determinant [J].IEEE Geoscience and Remote Sensing Letters, 2014, 11 (6):1124-1128.

一种基于非线性主成分分析的高光谱图像目标检测方法

A New Target Detection Method Using Nonlinear PCA for Hyperspectral Imagery

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 6

编辑推荐

Metrics

本文评价

[1]	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.
[2]	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.
[3]	张亚平, 张宇, 杨楠, 罗晓, 罗谦. 一种高光谱遥感图像快速谱聚类算法[J]. 测绘通报, 2019, 0(12): 60-64.
[4]	杨鹏飞, 廖秀英, 徐启恒, 程辉. 纯净像元指数改进的N-FINDR高光谱端元提取算法[J]. 测绘通报, 2018, 0(2): 89-93.
[5]	魏立飞, 俸秀强, 李丹丹, 牟紫薇. 基于S³VM模型的高光谱遥感影像分类[J]. 测绘通报, 2017, 0(12): 43-47.
[6]	谢福鼎, 李壮. 基于改进的半监督FCM算法的高光谱遥感影像分类[J]. 测绘通报, 2016, 0(9): 60-62,72.