江西理工大学电气工程与自动化学院, 江西 赣州 341000
为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法。首先,对原始HSI进行最优分数阶傅里叶变换。然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量。最后,构建背景协方差矩阵,通过马氏距离检测异常目标。实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能。
遥感 高光谱图像 连续最大角凸锥 最优分数阶傅里叶变换 低秩稀疏矩阵分解 异常目标检测 激光与光电子学进展
2021, 58(22): 2228003
太原理工大学信息与计算机学院, 山西 太原 030600
异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开,可以极大地减弱异常目标对背景的污染。基于此,提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法,通过LRaSMD的方式获取背景集,通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。
遥感 异常检测 高光谱图像 低秩稀疏矩阵分解 稀疏字典表达 激光与光电子学进展
2019, 56(4): 042801
国防科学技术大学电子科学与工程学院, 湖南 长沙 410073
现有压缩域目标检测算法取得较好检测结果的同时，有效减少了数据存储空间，但是存在背景参数估计易受噪声影响，目标检测易对邻近目标产生漏警等问题。在原有压缩域红外小目标检测算法的基础上进行改进，提出了一种基于自适应参数估计和噪声统计模型的压缩域目标检测算法。对压缩域红外数据矩阵进行自适应的低秩稀疏分解，分离并重建背景矩阵和目标矩阵，根据分解残差推导统计模型，对目标矩阵进行基于噪声统计模型的阈值分割。结果表明，此算法较原算法具有更好的抗干扰能力，并解决了邻近目标的漏警问题。
测量 小目标检测 自适应 压缩感知 矩阵低秩稀疏分解 中国激光
2015, 42(10): 1008003
