为了充分利用高光谱图像中包含的空间信息, 将一种改进的双边滤波应用到其目标检测中, 提出基于光谱角匹配的双边滤波稀疏表示高光谱目标检测算法。通过将光谱角匹配与双边滤波相结合, 用高光谱图像像元之间的相似性作为双边滤波器中值域距离的权值, 在抑制了图像各波段中噪声的同时突出了目标, 然后通过稀疏表示算法进行目标检测。实测的高光谱数据实验显示, 与传统稀疏表示方法和普通双边滤波稀疏表示方法比较, 所提方法在检测效果上有一定的提高。证明了充分利用高光谱图像的空间信息能进一步提高其目标检测的效果。
光谱角匹配 目标检测 双边滤波 稀疏表示 高光谱 spectral angle matching target detection bilateral filter sparse representation hyperspectral
光谱匹配对光谱曲线的稳定性和准确性均有严格要求，而高光谱图像数据中的光谱曲线受多种因素影响。对此，以平场域法为基础，设计了自动搜索平场域策略，并结合黑暗像元法和其他研究领域常用的经验法，提出一种改进的高光谱图像预处理方法，实现了基于高光谱图像本身数据的自动反射率反演。使用3幅各具特点的图像数据进行的实验表明，本文方法比传统的内部平均法和平场域法有更强的准确性和鲁棒性，能有效改善光谱匹配的效果。
高光谱图像 图像预处理 自动搜索平场域法 反演 黑暗像元法 hyperspectral image image preprocessing automatic flat field search inversion dark-object subtraction
1 火箭军工程大学，陕西西安 710025
2 96831 部队，北京 100015
针对传统稀疏表示重构算法在高光谱目标检测中表现出运算速度慢的问题，提出了分步重构算法（Two Steps Reconstruction，TSR）。该方法先求得K 个与待测像元最相似的字典原子，然后用这些原子线性表示待测像元以求解稀疏向量，舍弃了传统重构算法的迭代求解的方式，直接通过求解逆矩阵，简化了运算过程，使运算速度大幅提高。本文给出了方法的具体过程并将其与传统方法及其改进方法进行比较。实验结果表明，TSR 在保证检测精度不下降的同时能够大幅提升运算速度。
高光谱目标检测 重构算法 稀疏表示 hyperspectral target detection reconstruction algorithm sparse representation
高光谱图像反射率反演问题, 已成为制约高光谱图像走向应用的重要障碍之一。常用的平场域法关键在于高亮点的正确选取, 而目前的人工方法和自动方法均存在选点不准确和效率较低的缺陷。在进行大量的高光谱图像采集实验的基础上, 以标准白板图像为基准, 对理想白色区域的R、G、B三个谱段的DN值进行了统计分析, 用高斯分布拟合了R、G、B的比值特征, 以此模型为依据, 给出了一种基于R、G、B谱段DN值分析的自动高亮点搜索方法。实验表明, 本算法可有效提高高光谱图像反射率反演的准确性。
高光谱 反射率反演 平场域法 高亮点检测 hyperspectral reflectivity inversion flat field highlight pixel detection
