为了提高二向性反射率分布函数(BRDF)模型参数拟合的效率, 充分了解地物目标的光谱方向特性, 提出了一种基于广义逆矩阵的BRDF模型参数拟合方法。首先分析了地物光谱反射的方向特性, 然后使用成像光谱仪测量不同方向条件下目标的光谱反射率, 将实验条件与先验测量数据代入BRDF模型中, 建立广义逆矩阵等式并拟合出测量目标的模型参数; 利用拟合的目标BRDF模型参数反推任意特定方向条件下的光谱反射率,并与实测数据作对比, 采用光谱角制图法度量其相似度。结果表明, 草地和迷彩雨衣的拟合光谱曲线与实测光谱曲线的相似度很高, 分别达到了0.1307和0.0896, 证实了该参数拟合方法的有效性, 同时也验证了BRDF模型的泛化拟合能力。该方法原理简单、快速有效, 可为其它类型的BRDF模型参数拟合与后续地物目标光谱特性研究提供参考。

为了准确地对陆基成像条件下高光谱图像的噪声水平进行评估, 提出了一种基于边缘剔除后残差调整的局部标准差法。首先将获取的高光谱图像分成若干个大小合适的子块, 而后利用Canny边缘检测算子检测出图像的边缘信息, 判断并剔除其中含有边缘的子块, 将剔除边缘子块后的均匀子块采用多元线性回归后求取残差的方法进行噪声估计。结果表明, 对同一幅陆基高光谱图像的不同子区域进行4×4像元与8×8像元分块, 得到的噪声总误差值分别为1.985×103与2.197×103。该噪声估计方法对陆基成像条件下高光谱图像的噪声评估具有较强的鲁棒性, 可为后续陆基高光谱图像处理与应用提供参考。

高光谱成像是一种先进的图像获取技术, 其在获得地物空间信息的同时还可以获得地物的光谱信息, 得到“图谱合一”的三维图像数据。 其光谱分辨率高, 光谱曲线近似连续, 可以有效探测用多光谱成像技术中无法探测的地物, 在目标检测、 地物分类与图像压缩等领域取得了广泛的应用。 地物分类的分类结果是专题制图的基础数据, 在**、 农业、 地质等领域有重要地位了良好的效果。 地物分类是指将图像中的像元赋予类别标签, 即将同类地物赋予相同标签, 不同类地物赋予不同标签。 根据分类前是否已经获取目标的光谱信息, 地物分类分为监督分类、 半监督分类和无监督分类。 然而, 地物光谱受成像条件的影响较大, 特别是陆基成像, 不同成像条件的地物光谱会发生一定的改变, 不再具有严格的唯一性, 因此无法根据未知成像条件下的地物光谱数据进行准确分类。 但是同种地物的散射系数(由特定算法获得的散射占比)具有唯一性, 与成像条件或探测方向无关, 不受二向反射特性的影响, 只与地物类型及波长有关, 是一种反映地物本质属性的物理量, 因此可以作为地物的分类依据。 基于陆基成像条件下测量了多种地物的散射系数, 详细描述了散射系数的测量过程并且验证了核驱动模型的拟合能力。 通过对比发现不同地物的散射系数具有较大的差异, 进而提出了利用散射系数进行地物分类的方法。 采用两组数据对该分类方法进行验证, 并分别用投影、 距离、 信息量三种相似性度量指标定量地衡量了分类结果。 实验表明, 同种地物的散射系数几乎一致, 与成像条件无关, 只与地物类型有关, 不同种地物的散射系数各不相同, 利用散射系数可以有效地实现地物分类, 取得了良好的效果。

为了克服经典协同稀疏解混算法的不足以及全变差正则项引起的边缘模糊问题, 同时考虑到稀疏性和空间信息对解混精度提高的重要性, 采用结合超像素和低秩的协同稀疏高光谱解混算法, 进行了理论分析和实验验证。该算法对高光谱图像进行超像素分割, 并对每个超像素施加协同稀疏性约束。此外使用低秩正则项代替传统的全变差正则项来利用空间信息, 选取一组模拟数据和一组真实数据进行了实验。结果表明, 模拟实验中信噪比为30dB时得到的信号重构误差为19.4, 比经典的变量分裂增广拉格朗日全变差算法提高了35%左右; 真实数据实验直观地反映出了该算法能有效地克服边缘模糊问题, 具有更好的解混性能。该研究为如何综合利用稀疏性和空间信息提供了参考。关键词:

随着高光谱图像技术的不断发展, 光谱分辨率和空间分辨率不断提高, 相比于其他遥感图像, 能够获得更为精细的光谱特征。 这为地物的高精度分类、 解混和目标检测等研究领域提供了理论平台, 其中由于高光谱异常目标检测技术不需要地物的先验信息, 更符合实际应用的需求。 针对现有的大多数高光谱异常目标检测算法只关注目标和背景在光谱信息方面的差异, 而忽略两者空间信息的差异, 导致检测精度不高的问题, 提出了一种基于空谱联合异常度的高光谱异常目标检测算法。 该算法不需要假设图像的背景模型, 建立在滑动双窗口的基础上, 提出了光谱异常度和空间异常度两个概念。 在光谱异常度计算中, 考虑了波段间的非线性特征, 采用光谱角匹配的核函数方法进行检测, 基于双窗口模型的基础上逐个计算中心像元与局部背景像元的核光谱角并设置阈值来获得中心像元的光谱异常度; 在空间异常度的计算中, 由于物质在空间方面的聚类特性, 通过构建像元点的空间窗模型能够得到代表像元类别的图像块灰度向量, 同时求解不同像元之间图像块灰度向量的欧式距离并设置阈值来获得中心像元的空间异常度; 最后将中心像元的光谱异常度与空间异常度进行加和则可得到中心像元的空谱联合异常度, 基于滑动双窗口模型对整幅图像的像元进行逐个检测, 即可得到图像的异常检测结果。 采用AVIRIS的三组真实高光谱数据对所提算法进行仿真实验, 并与传统的RX算法、 LRX算法和KRX算法进行对比研究, 结果表明本文算法具有较好的检测效果, 与KRX算法相比, 运行速度具有较大幅度的提升。

高光谱遥感技术通过成像光谱仪记录带有地物光谱信息的辐射信号, 获得包含光谱信息和空间信息的三维高光谱图像, 在光谱解混、 图像分类、 目标检测等方面取得了广泛的应用。 近年来, 随着遥感技术的发展及人们对获取目标准确位置的需求逐渐加大, 目标检测取得了较快的发展。 根据是否提前掌握目标光谱作为先验信息, 目标检测分为光谱匹配检测和异常检测。 光谱匹配检测需要目标光谱作为先验信息, 通常检测精度较高、 效果较好。 而异常检测不需要先验信息, 应用范围更广, 但是检测精度通常低于光谱匹配检测。 由于实际应用中缺少完备且实用的光谱库, 先验信息的获取较为困难, 不需要先验信息的异常检测成为研究的热点。 针对异常检测与光谱匹配检测相比精度较低的问题, 提出一种基于近似后验信息的高光谱异常检测算法。 首先利用矩阵分解算法对原始高光谱图像数据进行矩阵分解, 得到纯净的背景矩阵与包含噪声的异常矩阵。 舍弃异常矩阵, 将得到的背景矩阵作为近似背景信息。 然后计算图像所有像元光谱向量与背景矩阵中均值向量的马氏距离对图像进行初始异常检测, 得到初始异常像元, 将初始异常像元光谱取均值作为近似目标信息。 最后将近似背景信息与近似目标信息作为先验信息, 进行正交子空间投影得到最终的异常检测算法。 将本算法作用于图像中所有像元, 得到对整幅图像的异常检测结果。 为证明本算法的优良效果, 采用一组仿真数据和一组AVIRIS真实高光谱数据进行实验, 并与RX, LRX和LSMAD算法进行对比。 实验表明, 无论是从定性的角度还是定量的角度来看, 该算法能够有效抑制噪声, 在信噪比较低的情况下仍然可以有效地检测出图像中的异常目标, 检测精度较高并且对检测效率的影响不大, 取得了较好的检测效果。

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息, 导致检测精度低的问题, 提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号, 并与图像自身的稀疏性相结合, 对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进, 该算法以待测像元为中心构建一定大小的空间窗, 计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值, 通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵; 最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵, 将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度, 设置阈值, 得到检测结果。为验证所提算法的检测性能, 采用了真实的高光谱数据进行仿真实验, 并与现有算法进行对比, 结果表明该算法能够得到更高的检测精度。

针对协同表示的高光谱异常目标检测算法的异常点敏感问题, 提出了一种基于背景纯化的改进协同表示的高光谱异常目标检测算法。利用扩展数学形态学的膨胀操作消除局部背景模型中可能存在的异常点, 从而得到更为纯净的背景字典, 能够有效地消除检测过程中异常点对检测效果的负面影响, 从而提高检测精度。采用该算法对高光谱数据进行仿真实验, 并与现有算法进行对比, 结果表明该算法具有更好的检测效果。