面向异常检测的高光谱数据线性子空间估计

【摘要】：高光谱图像异常检测是一种特殊形式的目标检测技术,它能够在缺少先验光谱信息的情况下,检测与周围环境存在光谱差异的目标,具有较强的实用性,是高光谱遥感信息处理的研究热点之一。子空间估计是指将高光谱数据进行低维子空间表示,一方面可提高数据处理的运算效率,另一方面可减少波段相关性以及光谱混合导致的检测性能下降的问题。然而,面向目标检测的子空间估计方法大都没有考虑数据中异常信号的特殊性,在估计的子空间中会遗失异常信号成分,导致异常检测结果出现错误。针对如何在有效表征背景子空间的同时保留异常信号成分的问题,在分析高光谱数据子空间估计和异常检测原理的基础上,对基于统计特性的子空间估计方法进行了深入研究和改进,提出了两种适用于异常检测的子空间估计方法。主要的研究工作与成果如下:(1)实验分析了子空间维数对异常检测器检测性能以及运算效率的影响。在高光谱图像线性混合模型基础上,分析了基于主成分分析(PCA)的高光谱数据子空间估计的原理,针对RX和PW-LRT这两种典型的异常检测器,重点分析了子空间估计维数对于异常检测性能的影响,实验结果表明高光谱过多的波段数据不仅导致检测器计算效率下降,同时对检测性能的有不利影响。(2)提出一种基于核概率密度估计方法的检测器阈值确定方法。针对高光谱数据的精确统计描述困难,导致对于不同数据的阈值提取自适应性较差的问题,通过引入非参数概密估计的思想以确定检测器输出的概率分布,减少由于假定的统计模型误差而导致的错误阈值分割结果。(3)提出一种兼顾噪声与异常影响的m-HySime子空间估计算法。在分析最小噪声分离(MNF)与高光谱数据子空间识别(HySime)两种处理噪声的子空间估计方法基础上,通过证明将它们归纳为在F范数定义下的最小误差投影空间估计。实验结果表明F范数下的最优投影空间对异常的表征不理想,因此引入2,?l-norm下的最优投影空间估计思想,提出一种改进的HySime算法,来实现保留异常信号的高维数据子空间估计,以克服子空间估计中异常信号成分丢失以及在噪声干扰下估计准确性下降的问题;通过仿真与真实数据测试,验证了该算法在子空间估计上的有效性以及对异常检测算法性能的提高。(4)通过对高阶统计量作为投影指标的非正交投影方式研究,提出一种基于多指标混合的逐次投影子空间估计方法。该方法通过利用不同投影指标得到的投影矢量,实现正交投影矢量与非正交投影矢量相互补充的线性子空间构建方法,使得子空间对背景和异常信号的表征更完整。通过仿真和真实数据的实验验证,该方法得到的子空间中对背景的表示更完整,且没有丢失异常信息,比较适用于异常检测处理。
【关键词】：遥感 高光谱 异常检测 子空间估计 高阶统计量
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP751